Dalla AI al deep learning: una gerarchia di inclusione

L’artificial intelligence (AI) è il campo più ampio: qualsiasi tecnica che permette a una macchina di svolgere compiti che richiederebbero intelligenza umana, incluse le regole scritte a mano (sistemi rule-based, if-then). Il machine learning (ML) è un sottoinsieme dell’AI in cui il sistema non viene programmato con regole esplicite, ma apprende pattern dai dati. Il deep learning è a sua volta un sottoinsieme del ML che usa neural network con molti layer (da qui “deep”) per apprendere rappresentazioni gerarchiche: eccelle sui dati non strutturati come immagini, audio e testo, ed è la base della generative AI e dei foundation model consumabili tramite Amazon Bedrock.

La relazione è quindi di inclusione: AI ⊃ ML ⊃ deep learning. Non tutta l’AI è ML (un sistema di sole regole non impara), e non tutto il ML è deep learning (una linear regression o un decision tree sono ML “classico”). Tenere a mente questa gerarchia risolve molte domande a scelta multipla.

I tre tipi di machine learning

Il ML si articola in tre paradigmi, distinti soprattutto dal tipo di dato disponibile e dal segnale di apprendimento.

  • Supervised learning: si addestra su dati labeled (input più output atteso). Serve a predire un valore. Due sottotipi: classification (output categorico, es. spam / non spam) e regression (output numerico continuo, es. il prezzo di una casa). Richiede il costo di etichettare i dati.
  • Unsupervised learning: lavora su dati unlabeled per scoprire struttura nascosta. Usi tipici: clustering (segmentare i clienti), dimensionality reduction, anomaly detection. Non esiste una “risposta giusta” da imitare.
  • Reinforcement learning (RL): un agent apprende per tentativi ed errori interagendo con un environment, massimizzando una reward cumulativa. Adatto a robotica, controllo, game playing e ottimizzazione sequenziale. Non usa un dataset labeled statico ma un segnale di reward.

Regola pratica: dati storici con esito noto → supervised; raggruppare senza etichette → unsupervised; sequenza di decisioni con feedback → reinforcement.

Il ciclo di vita di un progetto ML

Le fasi principali del ML lifecycle, tipicamente iterative:

  1. Business/problem framing: definire obiettivo e metrica di successo.
  2. Data collection & preparation: raccogliere, pulire, etichettare e fare feature engineering. È la fase più onerosa.
  3. Model training: scegliere l’algoritmo e addestrare sui dati di training.
  4. Evaluation: misurare su dati di test/validation con metriche appropriate (accuracy, precision/recall, e simili).
  5. Deployment: portare il modello in produzione (endpoint real-time o batch inference).
  6. Monitoring & maintenance: sorvegliare drift e degrado delle performance e ri-addestrare (retraining) quando serve.

Amazon SageMaker copre l’intero lifecycle per chi costruisce modelli; Amazon Bedrock permette invece di consumare foundation model già addestrati tramite API, senza gestire training né infrastruttura.

Quando l’AI è (e non è) appropriata

L’AI/ML conviene quando il pattern è complesso, i dati sono abbondanti e di buona qualità, e una piccola percentuale di errore è tollerabile. È sconsigliata quando bastano regole deterministiche semplici, quando servono decisioni sempre esatte e spiegabili al 100%, quando i dati sono scarsi o non rappresentativi, oppure quando il costo o il rischio di un singolo errore è inaccettabile. In questi casi un approccio rule-based tradizionale resta più adatto. All’esame (passing score 700/1000) queste domande di “appropriatezza” premiano quasi sempre la soluzione più semplice che risolve davvero il problema.

Trappole tipiche d’esame

  • Serve output esatto e regole fisse → non usare ML: se il problema è risolvibile con logica deterministica, il ML aggiunge solo complessità e incertezza inutili.
  • Dati labeled con esito noto → supervised, non unsupervised: la presenza di label indica supervised; l’unsupervised si sceglie solo in assenza di etichette.
  • “Neural network con molti layer” → deep learning, non ML generico: distingui il deep learning dal ML classico (decision tree, linear regression), che layer profondi non ne ha.
  • Consumare un foundation model già pronto → Amazon Bedrock, non training su SageMaker: se non addestri nulla e usi un modello via API, la risposta è Bedrock.
  • Agent che impara per reward/penalità → reinforcement learning: trial-and-error con reward è RL, non supervised, anche quando la domanda parla genericamente di “feedback”.
  • Output categorico vs numerico → classification vs regression: categoria = classification, valore continuo = regression; sono entrambi supervised, non confonderli tra loro.