Apprendimento supervisionato e non supervisionato
Il supervisionato è il caso più comune in azienda: dato lo storico delle mail già smistate, smista le nuove; dato lo storico dei clienti che hanno disdetto, segnala chi rischia di farlo. Serve uno storico in cui l'esito sia registrato.
Il non supervisionato serve quando una risposta giusta non c'è, o non la conosci ancora. Raggruppa clienti con comportamenti simili, trova prodotti che si comprano insieme, segnala casi che non somigliano a nessun altro. I gruppi trovati vanno poi interpretati da una persona: il modello dice che si somigliano, non perché.
Un esempio in una PMI
Un negozio online di prodotti per animali applica un raggruppamento non supervisionato ai suoi clienti. Emergono gruppi che nessuno aveva previsto, come chi compra solo in offerta e chi riordina sempre lo stesso cibo a intervalli regolari. Poi, con lo storico di chi ha smesso di comprare, addestra un modello supervisionato che segnala i clienti abituali che saltano un riordino.
Gli errori più comuni
- Cercare un modello supervisionato senza avere l'esito registrato nello storico.
- Prendere per veri i gruppi trovati senza verificarli con chi conosce i clienti.
- Scegliere la tecnica prima di aver chiarito la domanda.
Perché ti interessa
La distinzione ti aiuta a capire cosa ti serve prima di parlare con un fornitore. Se vuoi prevedere qualcosa che hai già registrato in passato, è supervisionato. Se vuoi scoprire come si dividono clienti o prodotti, è non supervisionato.
Tutte le parole dell'AI spiegate semplici sono nel glossario.
Domande frequenti
Quale dei due è più impegnativo?
Il supervisionato richiede più preparazione dei dati, per via delle etichette. Il non supervisionato richiede più lavoro per interpretare i risultati.
I modelli come ChatGPT in quale categoria rientrano?
In nessuna delle due esattamente: il pre-addestramento è auto-supervisionato, perché il testo stesso fornisce la risposta, cioè la parola successiva. Poi vengono rifiniti con esempi e feedback umano.
Da leggere dopo
Cos'è il machine learning, spiegato senza formule
Il machine learning, o apprendimento automatico, è il modo di costruire programmi che imparano da esempi invece di seguire regole scritte a mano, e che si possono riaddestrare quando arrivano dati nuovi.
GlossarioCos'è il rilevamento delle anomalie con l'AI
Il rilevamento delle anomalie è l'uso di statistica e machine learning per individuare automaticamente dati che si discostano dal comportamento normale: una spesa strana, un sensore che segna valori insoliti, un ordine fuori dal solito. Il sistema non sa cosa è sbagliato, sa cosa è diverso.
GlossarioCos'è l'analisi predittiva per una PMI
L'analisi predittiva usa dati storici e modelli statistici o di machine learning per stimare cosa è probabile che succeda: quali clienti smetteranno di comprare, quali fatture saranno pagate in ritardo, quale macchina rischia un guasto. Non dà certezze, ma probabilità su cui decidere.
GlossarioCos'è l'etichettatura dei dati per l'AI
L'etichettatura dei dati è il lavoro di associare a ogni esempio la risposta giusta, come "difettoso" o "buono" per una foto o "reclamo" per una mail, così che un modello impari dagli esempi a riconoscere da solo i casi nuovi.
GlossarioCos'è un dataset e come si prepara per l'AI
Un dataset è una raccolta organizzata di dati dello stesso tipo, come righe di una tabella, documenti, immagini o registrazioni, preparata per uno scopo preciso: addestrare un modello, verificarne i risultati o analizzare un fenomeno.
GlossarioCos'è il reinforcement learning, spiegato semplice
Il reinforcement learning, o apprendimento per rinforzo, è un modo di addestrare un sistema facendogli fare tentativi in un ambiente: ogni azione riceve un premio o una penalità, e il sistema impara le strategie che portano più premi nel tempo.
Vuoi capire cosa serve davvero alla tua azienda, senza gergo? Parliamone.
Testi e grafica realizzati con il supporto dell'AI. Metodo e contenuti sono di AIR.