Chi lavora in azienda o gestisce una casa intelligente sente parlare di AI come se fosse una cosa sola. Non lo e. Quando sento dire "abbiamo implementato l AI", la domanda che faccio e sempre: quale modello stai usando. La risposta rivela se la persona sa veramente cosa sta facendo oppure no.
Un modello di AI e un insieme di regole matematiche che impara dai dati per fare previsioni o classificazioni. Scegliere il modello sbagliato significa spendere tempo e soldi per un sistema che non funziona bene sul tuo problema specifico. Ecco i dieci modelli che vedi piu spesso nelle aziende italiane e nelle case intelligenti.
1. Regressione logistica
E il modello piu semplice tra quelli che funzionano. Prende dati numerici e risponde a domande che hanno due soli risultati possibili: si o no, vero o falso, compra o non compra. Un negozio online lo usa per predire se un cliente completera un acquisto oppure abbandonera il carrello. Non e il piu potente, ma e veloce, consuma poca energia e i risultati si spiegano facilmente al capo.
2. Alberi decisionali
Immagina un albero. Dalla radice partono domande. In base alla risposta, scendi su un ramo o sull altro. Continui finche non raggiungi una foglia, che e la risposta finale. Un albero decisionale funziona esattamente cosi. Un banca lo usa per decidere se dare un prestito esaminando entrata, debiti, storia creditizia. Il vantaggio principale: capisci perche il sistema ha detto si o no.
3. Reti neurali artificiali
Sono ispirate a come pensa il cervello umano. Hanno strati di nodi che passano segnali avanti e indietro. Piu strati hai, piu il modello riesce a imparare relazioni complicate tra dati. Un azienda di logistica la usa per ottimizzare i percorsi dei camion. Il problema: quando diventano molto grandi, nessuno sa davvero spiegare come hanno trovato la risposta.
4. Clustering (raggruppamento)
Questo modello non classifica. Raggruppa. Prende mille dati e li mette in mucchi di cose simili senza che nessuno gli dica prima quali categorie esistono. Un negozio di abbigliamento lo usa per scoprire quali clienti hanno gusti simili senza sapere in anticipo quali tipi di cliente ci sono. Serve quando non conosci ancora le risposte giuste.
5. Support Vector Machine (SVM)
Immagina due gruppi di punti sparsi su un foglio. SVM traccia una linea che li divide il meglio possibile. Se non basta una linea, usa curve piu complicate. Funziona bene quando i tuoi dati hanno molte dimensioni e gruppi abbastanza chiari. Una azienda di sicurezza informatica lo usa per distinguere attacchi veri da falsi allarmi.
6. Ensemble learning (metodi insieme)
Invece di fidarsi di un solo modello, ne usi tanti insieme e prendi la loro media o la loro votazione. E come avere dieci esperti in una stanza e andare per consenso. Funziona meglio di un singolo esperto perche gli errori di uno vengono compensati dagli altri. Amazon lo usa nella ricerca di prodotti per non sbagliare i suggerimenti.
7. Natural Language Processing (NLP)
E il modello che legge testo. Capisce frasi, estraggono significato, traduce lingue, risponde a domande scritte. Dentro usa reti neurali trasformate per capire il contesto: sa che "banca" in una frase di economia significa istituto di credito, mentre in un contesto geografico significa sponda del fiume. Usato ovunque ci sia testo da analizzare.
8. Computer vision (visione artificiale)
Questo modello guarda immagini o video e capisce cosa c e dentro. Riconosce volti, legge targhe, conta oggetti, trovate difetti su pezzi fabbricati. E una rete neurale addestrata su milioni di immagini. Un magazzino automatizzato lo usa per smistare pacchi senza toccarli.
9. Reinforcement Learning
E il modello che impara per prova e sbaglio, ricevendo premi o punizioni. Insegni al sistema a giocare o risolvere problemi lasciandolo fare errori. Ogni volta che sbaglia perde punti, ogni volta che vince ne guadagna. Col tempo scopre la strategia migliore. Un robot domestico lo usa per imparare come raccogliere un oggetto senza romperlo.
10. Transformer
E il modello piu recente tra questi dieci. Usa un meccanismo chiamato "attenzione" per capire quali parti di un testo o immagine sono importanti per la risposta. ChatGPT, Claude e Gemini lo usano. Trasforma un input in un output guardando tutte le connessioni possibili tra i dati. Richiede molta potenza di calcolo ma da risultati che fino a poco tempo fa sembravano impossibili.
Come scegliere il modello giusto
La domanda da farti e sempre questa: qual e il mio problema e che tipo di risposta mi serve. Se devo classificare (mettere dati in categorie note), usi uno tra regressione logistica, alberi decisionali, SVM. Se devo raggruppare (scoprire categorie nuove), scegli clustering. Se devo capire testo, usa NLP. Se devo riconoscere immagini, computer vision. Se devo fare previsioni su numeri continui, una rete neurale o una regressione lineare.
In azienda il rischio piu comune e scegliere il modello piu sofisticato perche sembra piu moderno. Un transformer che legge email non e sempre meglio di un albero decisionale se il tuo problema e semplicemente dire quali email sono spam. Spendi meno energia, tempo di addestramento e soldi con il secondo.
A casa, gli smart speaker usano NLP per capire i comandi. I campanelli video usano computer vision. Un impianto di riscaldamento intelligente usa spesso alberi decisionali per decidere se attivare il riscaldamento in base a temperatura, ora della giornata e preferenze. Non hai bisogno di un transformer per questo, anche se probabilmente un azienda grande lo userebbe comunque.
La vera competenza non e conoscere il modello piu recente. E scegliere il modello piu semplice che risolve il tuo problema. Tutto il resto e solo complicazione.
