Un responsabile di produzione ti dice che vuole implementare un modello AI per migliorare la qualita del controllo. Un collega del marketing parla di fine-tuning per personalizzare le campagne. Il CTO accenna a token, embedding e transfer learning. Se non sei uno specialista, le conversazioni diventano confuse. Non perche manchi intelligenza, ma perche i termini della IA italiana sono ancora poco chiari anche ai non tecnici.
Le aziende italiane cominciano a investire in IA. Startup, PMI e grandi gruppi hanno colto che non si tratta solo di fantascienza, ma di strumenti che risolvono problemi reali: dalla gestione dei dati all'automazione di processi ripetitivi, dalla previsione di guasti al miglioramento della customer experience. Pero c'è un collo di bottiglia: chi decide gli investimenti non sempre capisce cosa gli serve davvero.
Ecco i dieci concetti che ogni persona con responsabilita aziendale dovrebbe farsi spiegare prima di approvare budget per progetti di IA.
1. Modello di machine learning
Un modello di machine learning è un algoritmo che impara dai dati storico per fare previsioni o classificazioni su dati nuovi. Non è programmato manualmente: gli si mostrano esempi fino a quando non riconosce i pattern da solo.
Esempio concreto: dai al modello 10.000 email, dicendogli quali sono spam e quali no. Il modello studia le caratteristiche comuni (mittente sospetto, parole chiave, formato). Quando riceve una nuova email, applica quello che ha imparato e decide se è spam o legittima. Non hai scritto una regola per ogni caso: il modello ha estratto le regole dal dato.
2. Training e test set
Per insegnare a un modello hai bisogno di dividere i dati in due parti: training set e test set. Il training set insegna al modello (circa l'80 dei dati). Il test set verifica se il modello funziona davvero su dati che non ha mai visto (il 20 restante).
Se usi tutti i dati per insegnare, il modello memorizza tutto ma non capisce niente di nuovo. È come uno studente che impara a memoria tutte le risposte agli esami passati ma non sa risolvere un problema diverso al test.
3. Overfitting
Succede quando un modello funziona perfettamente sui dati di training ma fallisce sui dati reali. Ha imparato i dettagli specifici del training set invece di capire il pattern generale.
Immagina di insegnare a riconoscere i gatti usando solo foto di gatti grigi. Il modello impara che i gatti sono grigi. Quando vede un gatto arancione, non lo riconosce. Ha overfittato, cioè memorizzato i dettagli invece di estrarre l'essenza.
4. Algoritmo
Un algoritmo è il metodo matematico che il modello usa per imparare dai dati. Diversi algoritmi funzionano meglio per problemi diversi. Gli alberi decisionali sono semplici da interpretare. Le reti neurali profonde sono potenti ma difficili da spiegare. Support Vector Machine eccellono per classificazione binaria. Gradient Boosting vince spesso nelle competizioni.
Non c'è un algoritmo universale. La scelta dipende dai tuoi dati, dal tempo disponibile e dalla necessita di trasparenza.
5. Feature engineering
Le feature sono le variabili di input che il modello usa per imparare. Il feature engineering è l'arte di creare nuove variabili dalle variabili grezze per migliorare le prestazioni.
Avere un dataset con nome, cognome e data di nascita non è abbastanza. Puoi estrarre l'eta dalla data di nascita. Combinare nome e cognome per creare un identificativo. Calcolare il tempo che è passato da un evento. Normalizzare i prezzi per l'inflazione. Ognuna di queste feature create migliora il modello.
6. Hyperparameter tuning
Gli hyperparameter sono le manopole che regoli prima di insegnare al modello, non durante l'apprendimento. Il numero di alberi in un random forest. La profondita della rete neurale. Il learning rate, cioè quanto velocemente il modello cambia idea.
Se regoli male gli hyperparameter, il modello non converge (non raggiunge una soluzione), o converge male (soluzione scadente). Trovare il valore giusto per ogni hyperparameter è parte del lavoro di chi costruisce modelli.
7. Validazione incrociata
La validazione incrociata, o cross-validation, è un metodo per testare il modello in modo robusto. Invece di dividere i dati una volta sola in training e test, li dividi in K parti. Alleni K volte: ogni volta usi K-1 parti per insegnare e 1 parte per testare. Poi fai la media dei risultati.
È come interrogare uno studente K volte su K diversi compiti in classe invece che su uno solo. Ti fa capire se ha davvero capito il concetto o se è stata coincidenza.
8. Transfer learning
Il transfer learning è il riuso di un modello già addestrato su un dataset grande per risolvere un problema nuovo con dati piccoli. Un modello addestrato a riconoscere oggetti in milioni di immagini può essere adattato a riconoscere difetti su immagini di assi di produzione.
Non cominci da zero. Prendi le conoscenze generiche che il modello ha già, le "congeli" e aggiungi uno strato nuovo per il tuo problema specifico. Questo è cruciale in Italia, dove i dataset sono spesso piccoli rispetto ai player globali.
9. Embedding e rappresentazione vettoriale
Un embedding trasforma il dato (testo, immagine, numero) in un vettore di numeri che il modello può processare. Le parole diventano liste di decimali che catturano il significato. "Re" è vicino a "regina" nello spazio dei vettori, perche i loro embedding sono simili.
Questa trasformazione è il ponte tra il linguaggio umano e la matematica del modello. Un buon embedding riduce il rumore e catura solo l'essenziale.
10. Fine-tuning per modelli large language model
Un large language model come ChatGPT è gia addestrato su miliardi di testi. Il fine-tuning adatta quel modello gigante al tuo caso d'uso specifico, mostrandogli esempi delle conversazioni o testi che vuoi che generi.
Non è un addestramento da zero. È come insegnare a uno studente universitario la storia della tua azienda specifica, non la storia universale. Richiede meno dati (centinaia di esempi, non milioni) e meno tempo di calcolo.
Perche questa lista importante per chi decide
Conoscere questi dieci concetti non ti rende un data scientist. Ti rende capace di fare domande giuste: "Su quanti dati stai allenando il modello?". "Come verifichiamo che non sta overfittando?". "Qual è il tasso di accuratezza sul test set reale?". "Possiamo usare transfer learning per accelerare il progetto?".
In Italia, molti progetti di IA falliscono non per mancanza di tecnologia, ma perche aspettative e realta non combaciano dall'inizio. Un manager che capisce cosa sta chiedendo evita promesse impossibili e identifica i rischi prima di investire.
Se non capisci almeno questi dieci concetti, le conversazioni tecnico strategiche rimarranno confuse. Se li capisci, potrai guidare il tuo team verso scelte corrette. Non serve essere bravo in matematica. Serve curiosita e voglia di farsi spiegare le cose due volte, finche non entrano in testa.
