Argomento 1.2. Che cos'è il Machine Learning?
In questa sezione, esploreremo Machine Learning, una componente fondamentale dell'IA.
Scoprirai come le macchine imparano dai dati, in modo simile a come noi impariamo dall'esperienza.
- Macchina - Nel contesto dell'intelligenza artificiale, il termine 'macchina' non indica un dispositivo fisico come un robot o un congegno meccanico, ma si riferisce in senso astratto a un modello matematico-computazionale capace di apprendere dai dati: algoritmi matematici, modelli statistici e software. Il termine è ereditato dalla storia dell'informatica: fu Arthur Samuel, ricercatore IBM, a coniare l'espressione 'Machine Learning' nel 1959, un'epoca in cui 'macchina' era semplicemente sinonimo di 'computer'.
Definire il Machine Learning
Il Machine Learning (ML) è una metodologia specifica e potente che rientra nel più ampio campo dell'Intelligenza Artificiale. Il principio alla base del ML è semplice: le macchine imparano dai dati, si adattano e migliorano man mano che vengono esposte a nuovi dati. Questo le rende estremamente versatili nell'affrontare un'ampia gamma di problemi concreti.
Per capire meglio, un'analogia ti può aiutare: immagina di insegnare a una bambina a riconoscere gli animali. Invece di darle un elenco rigido di regole per identificare ciascun animale, le mostri molti esempi di cani, gatti, uccelli e così via. Con il tempo, la bambina impara a distinguerli basandosi sui pattern che osserva negli esempi.
Per un esempio più specifico,immagina di voler insegnare a una macchina a identificare le email di spam. Invece di programmarla con un elenco rigido di regole del tipo: “se l'email contiene ‘soldi gratis’ o ‘urgente’, allora è spam”, le mostri milioni di email, alcune chiaramente contrassegnate come spam e altre come legittime.
Con il tempo, la macchina impara da sola a individuare i pattern associati allo spam: certe combinazioni di parole, indirizzi mittente insoliti, la frequenza di determinati segni di punteggiatura, o un linguaggio eccessivamente emotivo e manipolatorio.
Attraverso questo processo iterativo, il sistema sviluppa le proprie "regole" - modelli sofisticati basati sui dati che ha analizzato - e impara a classificare nuove email che non ha mai visto prima con un alto grado di accuratezza.
Come le macchine imparano: un processo strutturato
Lo sviluppo di un sistema di ML segue un processo strutturato in più fasi. Per rendere il concetto concreto, analizzeremo ciascuna fase due volte: prima con l'esempio di una pasticceria, e poi con uno scenario alberghiero, per mostrarti come la stessa logica si applichi a settori diversi.
Nota: Questi sei passaggi formano un ciclo, non una linea retta. Una volta che il modello è stato messo in funzione e viene monitorato, l'arrivo di nuovi dati e il cambiamento delle condizioni ti riporteranno spesso alle fasi precedenti - raccogliere dati aggiornati, riaddestrare il modello o persino ridefinire il problema. Tieni presente la natura iterativa del processo mentre leggi.
Fase 1 – Definizione del problema
La fase iniziale e più critica consiste nell'identificare il problema specifico che la macchina deve risolvere o la previsione che deve fare.
L'esempio della pasticceria
Immagina di gestire una pasticceria in una città balneare. Il lavoro è scarso in inverno, moderatamente intenso in estate e estremamente intenso a luglio quando arrivano le navi da crociera. Vuoi preparare la giusta quantità di muffin e croissant ogni giorno per evitare sprechi, ma anche per non rimanere senza nei momenti di picco.
Il tuo problema è: prevedere quanti muffin e cornetti venderai ogni giorno.
L'esempio dell'hotel
Gestisci un hotel sul mare di 120 camere. L'occupazione oscilla notevolmente tra le stagioni, e un eccesso di personale nei mesi tranquilli aumenta i costi di gestione, mentre un organico insufficiente durante i periodi di punta delude gli ospiti.
Il tuo problema è: prevedere quante camere saranno occupate ogni notte nelle prossime due settimane.
Fase 2 – Raccolta dati
Una volta definito il problema, si raccolgono le informazioni rilevanti che serviranno come materia prima per il modello. I dati possono provenire da molte fonti quali, ad esempio, database interni o siti web esterni.
L'esempio della pasticceria
- Per alcuni mesi, tieni un registro giornaliero in cui annoti le vendite (quanti pezzi hai venduto per ciascun prodotto), la data e il giorno della settimana, le condizioni meteo, gli eventi locali (mercati, vacanze scolastiche) e le eventuali promozioni attive in quel giorno. Questo registro diventa la base del tuo futuro sistema di previsione.
L'esempio dell'hotel
- Metti insieme i dati provenienti dai sistemi interni dell'hotel e da fonti esterne: i dati delle prenotazioni (date, tipologie di camera, numero di ospiti, durata del soggiorno, percentuali di cancellazione), i dati stagionali e di calendario, gli eventi locali come festival o i calendari delle navi da crociera, l'attività online come le visite al sito web e le tendenze di ricerca, e lo storico meteo, visto che le previsioni di bel tempo si correlano spesso con le prenotazioni last-minute nei fine settimana.
Mettiti alla prova – Esercizio 2
Definiamo il problema
Immagina di lavorare in una nave da crociera, in un negozio di noleggio di attrezzature sciistiche o in una compagnia di viaggi. Scegli fra le proposte o scegli il luogo di lavoro che più ti piace.
- Definisci il problema in una semplice frase seguendo questa impostazione: "Prevedi____________in modo da poter______________"
- Elenca almeno cinque tipi di dati necessari per risolvere questo problema.
- Per ciascun tipo di dato spiega perché sarebbe utile.
- Confrontati: scambia le tue risposte con un compagno o una compagna. Ha pensato a dati che tu avevi tralasciato? Se sì, aggiungile al tuo elenco.
Fase 3 – Pulizia e preparazione dei dati
I dati grezzi sono spesso disordinati, incompleti o in un formato inadatto. Questa fase consiste nel preparare i dati raccolti per il processo: eliminare le incongruenze, gestire le informazioni mancanti e trasformarli in un formato standardizzato che la macchina possa elaborare in modo efficace. È un po' come preparare e organizzare gli ingredienti prima di cucinare un piatto.
L'esempio della pasticceria
Raccogli i dati giornalmente e li organizzate seguendo alcune regole di base che prevedono di:
- Unire i dati: inserire i dati raccolti in un'unica tabella strutturata e ordinata, facilmente leggibile dalla macchina.
- Standardizzare: assicurarsi che le date siano coerenti; convertire le descrizioni meteorologiche in categorie semplici (ad esempio, “soleggiato” = 1, “nuvoloso” = 2, “piovoso” = 3) o in dati numerici (temperature).
- Gestire le informazioni mancanti: stimare o contrassegnare come "mancante" un dato che non è disponibile.
L'esempio dell'hotel
I dati dell'hotel provengono da più sistemi (il property management system, il motore di prenotazione o un foglio di calcolo degli eventi locali), e il sistema deve tenere conto di molteplici variabili che si influenzano a vicenda: la stagione, gli eventi in zona, le tariffe dei concorrenti, le recensioni recenti. Il processo però è lo stesso: è necessario unire i dati, standardizzarli e gestire le informazioni mancanti.
Mettiti alla prova – Esercizio 3
Trova l'errore
La tabella che segue è un esempio di registro dati di un piccolo hotel. Riuscite a individuare almeno quattro problemi da correggere prima che questi dati possano essere usati per addestrare un modello di ML?
- Elencate tutti i problemi che riuscite a trovare (suggerimento: controllate le date, i valori mancanti, i duplicati, il formato e la coerenza).
- Per ogni problema, individuate una soluzione.
- Perché è importante? Che cosa potrebbe andare storto se inserissimo questi dati direttamente in un modello di ML?
Discussione di gruppo: confrontate i vostri elenchi. Qualcuno ha individuato qualcosa che agli altri è sfuggito?
| Data | Camere vendute | Giorno | Meteo | Evento |
|---|---|---|---|---|
| 15/03/2026 | 45 | Domenica | Soleggiato | Nessuno |
| 16 marzo | Lunedì | Pioggia | ||
| 17-03-2026 | cinquanta | Mercoledì | 18°C | Mercato locale |
| 15/03/2026 | 45 | Sabato | Soleggiato | nessuno |
| 19/03/2026 | 61 | Giovedì | Piove | Festival del jazz |
Fase 4 – Addestramento del modello
Questa è la fase centrale del processo, quella in cui la macchina impara. In questa fase i dati preparati vengono trasmessi a un algoritmo scelto appositamente. Durante il processo, il modello regola i propri parametri interni e le proprie connessioni per individuare pattern, relazioni e strutture nei dati. È un po' come uno studente che studia per un esame, assorbendo e interiorizzando le informazioni per costruire le proprie conoscenze.
L'esempio della pasticceria
Utilizzi un semplice strumento di ML e gli fornisci i dati ripuliti. La macchina inizia a individuare pattern: "Nei sabati soleggiati in cui c'è un mercato locale, le vendite di croissant aumentano del 30%" Oppure: "Nei martedì piovosi, le vendite di muffin calano." Così facendo impara a collegare ogni fattore - giorno, meteo, eventi - al numero di prodotti venduti.
L'esempio dell'hotel
Lo strumento di ML analizza i tuoi dati e inizia a individuare i pattern: "Quando è programmato l'arrivo di una nave da crociera ed è un weekend lungo, l'occupazione raggiunge il 95%." Oppure: "Le prenotazioni calano del 20% nella seconda settimana di novembre, a meno che non ci sia un evento locale." Il modello impara quale combinazione di fattori consente di prevedere meglio l'occupazione delle camere.
Fase 5 – Valutazione del modello
Dopo la fase di addestramento, le prestazioni del modello vengono testate su dati nuovi. Questo passaggio serve a valutare quanto il modello sa adattarsi a situazioni del mondo reale e fare previsioni accurate su dati che non ha mai visto prima. È un po' come uno studente che affronta un compito in classe per dimostrare ciò che ha imparato.
L'esempio della pasticceria
- Usi il sistema per prevedere le vendite dei prossimi giorni e confronti le previsioni con quello che vendi effettivamente. Il modello aveva previsto 50 croissant e ne hai venduti 48? Ottimo. Ne aveva previsti 20 e ne hai venduti 80? Significa che servono più dati di addestramento o un approccio diverso.
L'esempio dell'hotel
- Metti alla prova il modello con i dati di un mese recente, che non ha mai visto. Prevede 87 camere occupate per un martedì e il dato reale è 84? Significa che il modello funziona. Prevede 60 per un sabato, ma un concerto a sorpresa fa salire le presenze a 95? È il segnale che il modello deve imparare a tenere conto anche degli imprevisti.
Fase 6 – Messa in funzione e monitoraggio
Quando il modello raggiunge prestazioni soddisfacenti, viene messo in funzione: un processo noto come “deployment”. Tuttavia, il lavoro non finisce qui. Il modello deve essere costantemente monitorato per garantire che mantenga le sue prestazioni nel tempo e si adatti a qualsiasi cambiamento nei dati in ingresso. Questa supervisione continua è cruciale per l'efficacia a lungo termine di qualsiasi sistema di intelligenza artificiale.
L'esempio della pasticceria
Inizi a controllare la previsione del modello ogni mattina, prima di infornare i tuoi muffin. Tuttavia, i gusti dei clienti possono cambiare, nuovi concorrenti possono aprire un'attività, le stagioni possono cambiare. Per questo monitori costantemente le previsioni. Se cominciano a essere sistematicamente sbagliate, significa che devi fornire al sistema dati più recenti o, magari, riaddestrarlo, per far sì che continui a essere utile.
L'esempio dell'hotel
Il personale della reception e quello operativo iniziano a usare le previsioni del modello con due settimane di anticipo per pianificare turni e approvvigionamenti. Col tempo, però, un nuovo hotel boutique apre nelle vicinanze e attira parte dei tuoi ospiti del weekend. Le previsioni del modello iniziano a risultare sistematicamente troppo alte: è il segnale che va riaddestrato. Gli fornisci i dati di prenotazione più recenti, così che possa adattarsi al nuovo scenario.
Quando le cose vanno storte
Il flusso di lavoro appena descritto può far sembrare il Machine Learning un processo lineare, ma nella realtà i progetti incontrano spesso degli ostacoli. Esserne consapevole ti aiuterà a usare gli strumenti basati sul ML con maggiore spirito critico.
- Dati di addestramento distorti - Se i dati da cui il modello impara non rispecchiano dati reali, anche le sue previsioni risulteranno distorte. Se lo storico del tuo hotel riguarda prevalentemente i mesi estivi, il modello potrebbe funzionare male in inverno, semplicemente perché non ha avuto modo di osservare comportamenti tipici di quella stagione. Nei casi più gravi, dati sbilanciati possono generare risultati iniqui: pensa, ad esempio, a uno strumento di recruiting che privilegia certi profili demografici perché i dati su cui è stato addestrato riflettevano discriminazioni esistenti.
- Overfitting - A volte, un modello assimila i dati di addestramento in modo troppo letterale, memorizzando eccentricità specifiche e "rumore" anziché pattern generali. Un modello della pasticceria con overfitting potrebbe "ricordare" che le vendite sono salite in un particolare mercoledì piovoso (per via di una gita scolastica occasionale) e prevedere erroneamente un picco ogni mercoledì piovoso. Il modello sembra accurato sui vecchi dati, ma fallisce di fronte a situazioni nuove.
- Eccessiva fiducia nelle previsioni – I modelli di ML sono strumenti, non risposte definitive. Una previsione della domanda potrebbe non cogliere un fattore su cui il modello non è stato addestrato: un'improvvisa ondata di caldo, la chiusura di una strada, un post virale sui social media che riguarda il tuo hotel. Il giudizio umano resta fondamentale, soprattutto di fronte a circostanze insolite. L'approccio migliore è considerare le previsioni del ML come un supporto, non come verità assolute.
La lezione in breve
Il Machine Learning è una branca dell'IA che impara dai dati anziché basarsi su regole fisse. Invece di ricevere istruzioni precise, un sistema di ML esamina molti esempi, individua schemi ricorrenti e formula previsioni in autonomia. Il processo segue un ciclo ben preciso: definire il problema, raccogliere e preparare i dati, addestrare un modello, verificarne l'accuratezza, metterlo in funzione e monitorarne le prestazioni, ricominciando il ciclo quando le condizioni cambiano.
Dalla teoria alla pratica
Molti degli strumenti che puoi incontrare nel mondo del lavoro si basano già sul machine learning. I sistemi di revenue management raccolgono dati sulle prenotazioni, sui trend stagionali e sulle tariffe dei concorrenti, individuano pattern nella domanda e aggiornano continuamente le proprie raccomandazioni di prezzo. I chatbot rivolti agli ospiti vengono addestrati su migliaia di richieste passate e migliorano man mano che gestiscono nuove conversazioni. Gli strumenti di previsione della domanda stimano l'occupazione delle camere, le presenze al ristorante o le prenotazioni della spa, così che sia più facile pianificare i turni del personale e gli ordini di approvvigionamento. Quando vedi una tariffa suggerita dal sistema o un chatbot che risponde a un ospite, stai osservando il risultato di un processo di ML.
Nel tuo lavoro futuro
Sapere come questi strumenti funzionano ti aiuta a valutarne le indicazioni con maggiore consapevolezza, a spiegarne le raccomandazioni a ospiti e colleghi, e a capire quando le previsioni non sono convincenti e serve l'intervento dell'intelligenza umana.
Fermati un momento a riflettere
Hai appena seguito tutte le fasi di un progetto di Machine Learning. Come hai visto, tutto parte dalla prima fase: individuare un problema o un bisogno concreto. Partire dai bisogni reali è la base di qualsiasi progettazione efficace - nel ML come nel problem-solving, nel design thinking o nella gestione di un progetto. È ciò che garantisce che il lavoro sia utile, pertinente e sostenibile. Ora pensa al luogo dove ti piacerebbe lavorare: un hotel, un ristorante, un'agenzia di viaggi, un museo. Quale bisogno concreto potrebbe essere affrontato con il ML? Come lo formuleresti? E in quale fase del processo pensi che il tuo contributo sarebbe più importante?