Non tutti i modelli di intelligenza artificiale sono uguali. Quando una azienda decide di implementare un sistema AI, o quando una persona vuole capire quale strumento usare, serve partire da una distinzione semplice: che cosa voglio che faccia veramente il software. La risposta cambia il modello. Ho visto troppe volte scegliere uno strumento per il nome che ha, non per quello che serve.
I modelli predittivi, quando devi indovinare il futuro
Un modello predittivo prova a dare una risposta basata su dati passati. Se hai storico di vendite, clima e comportamento dei clienti, il modello impara da quei dati e dice: il prossimo mese probabilmente venderai X. Non è certezza. È una stima. In azienda serve quando devi pianificare scorte, budget, assunzioni. A casa è meno utile, se non per cose come previsioni di consumo di energia.
Il limite è noto: se i dati passati cambiano radicamente, il modello sbaglia. Una guerra, una pandemia, un cambio di legge. Il modello non lo vede arrivare.
Le reti neurali, quando il problema è complesso
Una rete neurale è un sistema che imita come funziona il cervello umano, con strati di calcoli che si comunicano. Serve per problemi difficili da spiegare con regole semplici. Riconoscere un viso in una foto, capire se un testo è positivo o negativo, identificare oggetti in un'immagine. Le reti neurali profonde, cioè con molti strati, sono le più potenti, ma anche le più opache: spesso non sai spiegare perché ha dato quella risposta.
In azienda servono per visione artificiale e analisi di testi. A casa, il tuo smartphone le usa già quando riconosce il tuo volto per sbloccarsi.
Gli alberi decisionali, quando serve semplicità
Un albero decisionale è il modello più facile da capire. Funziona come una serie di domande. Se la temperatura è sotto i 5 gradi, allora fai A. Se è sopra, controlla l'umidità. Se l'umidità è alta, fai B. Semplice, logico, trasparente. Chi lo usa sa sempre perché il sistema ha scelto quella strada.
Serve quando i dati sono pochi, quando devi rispettare regole rigorose, quando devi spiegare a un controllore come mai il software ha preso una decisione. Ha un difetto: se il problema è davvero complesso, sbaglia più facilmente di una rete neurale.
I sistemi di raccomandazione, quando devi suggerire
Questo modello analizza cosa fa una persona, cosa preferisce, e propone cose simili a quella persona o cose che piacciono a gente simile. Netflix, Spotify, Amazon lo usano. In azienda serve per e-commerce, per suggerire prodotti. A casa lo noti quando la piattaforma di streaming ti propone film che potresti guardare.
Il vantaggio è evidente: aumenta vendite e tempo di permanenza. Il rischio è meno noto: se il modello impara da dati storti, raccomanda sempre le stesse cose a certi gruppi, creando bolle.
I modelli di classificazione, quando devi mettere ordine
Classificare significa mettere etichette. Una email è spam o no. Un documento appartiene alla categoria A o B. Un cliente è a rischio insolvenza o no. Il modello impara da esempi etichettati e dopo applica la stessa logica a dati nuovi. È uno dei modelli più usati perché risuelve tanti problemi concreti.
Funziona bene se hai abbastanza esempi per imparare. Se un'azienda ha solo dieci email di spam e milioni di normali, il modello sbaglia facilmente sulle email di spam.
Il clustering, quando devi trovare gruppi nascosti
Il clustering non ti dice cosa cercare. Tu dai i dati, il modello trova da solo i gruppi che si somigliano. Se dai dati di clienti, il clustering dice: questi mille clienti si comportano così, quelli duemila così. Non ti devi dire prima cosa stai cercando. Serve per scoprire pattern nascosti, segmentare clienti, trovare anomalie.
È uno strumento di esplorazione più che di decisione. Non ti dice se comprare o no. Ti dice cosa è successo nei dati e tu decidi cosa farne.
I modelli di regressione, quando misuri continui
La regressione predice un numero, non una categoria. Quanta acqua consuma questa casa il prossimo mese. Quale sarà il prezzo dell'energia domani. L'età media di una comunità. È simile alla predizione, ma è più precisa su variabili continue. Rilascia un numero, non una scelta.
Serve in azienda per forecast di costi, ricavi, consumi. A casa per capire quanto pagherai di utenze.
I Large Language Models, quando devi generare testo
Questi sono i modelli dietro ChatGPT, Gemini, Claude. Imparano da miliardi di parole e imparano a continuare il testo. Sono potenti perché rispondono a domande, creano contenuti, traducono, sommario. Ma hanno limite: non ragionano davvero. Simula una conversazione. E può allucinare, cioè inventare informazioni che suonano vere ma false.
In azienda servono per automazione di risposta ai clienti, stesura di testi, ricerca. A casa li usi quando fai una domanda a un chatbot. Il rischio è crederci troppo. Non è Google. Se hai bisogno di dati precisi, verifica sempre.
I modelli di rinforzo, quando serve imparare da prova ed errore
Un modello di rinforzo impara facendo. Non gli dici la risposta giusta. Gli dici se ha vinto o perso. Impara a giocare, a pilotare, a ottimizzare. È come insegnare a un cane: tira un bastone, il cane lo riporta, gli dai il biscotto. Il cane impara. Stesso principio.
Serve in azienda per robotica, logistica, trading. Richiede molta potenza di calcolo e è complesso da mettere in piedi. Non è per chi inizia.
Gli ensemble, quando mescoli modelli diversi
Un ensemble combina più modelli. Uno dice sì, uno dice no, uno dice forse. Il sistema prende la decisione considerando tutti. Spesso è più accurato di un modello solo. È come avere una riunione: cinque esperti litigano, alla fine il capo decide basato su cosa disse la maggioranza.
Serve quando il costo dell'errore è alto e puoi permetterti di calcolare più modelli insieme. In azienda critica sì. In una startup magra, probabilmente no.
I modelli causali, quando devi capire perché
Questo è il più difficile e il meno usato. Non basta sapere che due cose vanno insieme. Devi sapere se una causa l'altra. Se le vendite scendono, è per il prezzo alto o per la concorrenza? Un modello causale prova a dirlo. Richiede dati e logica molto buoni, e spesso non è possibile rispondere con certezza.
Serve in azienda quando devi prendere decisioni critiche e vuoi capire davvero cosa cambia cosa. Non lo usi per cose semplici.
Come scegliere, nella pratica
Se devi predire numeri futuri, prova regressione o predittivi. Se devi mettere etichette, classificazione. Se devi scoprire cosa c'è nei dati, clustering. Se devi generare testo, un language model. Se devi capire perché, un modello causale. Se devi suggerire, raccomandazione.
Non esiste il migliore in assoluto. Esiste il giusto per il problema che hai. E spesso serve provare. Inizia con il più semplice che risolve il problema. Dopo, se serve, aumenta la complessità.
