MACHINE LEARNING

Transfer Learning

Machine Learning

Definizione

Il transfer learning e la tecnica di riutilizzare un modello addestrato su un compito per risolverne un altro correlato. Invece di partire da zero, si parte da un modello che ha gia imparato pattern generali e lo si adatta al proprio caso specifico. E il motivo per cui le PMI possono ottenere risultati eccellenti con l'AI anche con pochi dati proprietari.

Termini correlati

AI Fondamentali

Fine-Tuning

Il fine-tuning e il processo di addestramento aggiuntivo di un modello AI pre-addestrato su dati specifici del proprio dominio. Permette di specializzare un modello generico per compiti particolari, come classificare documenti aziendali o rispondere a domande sul proprio settore. E piu economico e veloce rispetto ad addestrare un modello da zero.

AI Fondamentali

Foundation Model

Un foundation model e un modello AI di grandi dimensioni addestrato su dati vastissimi e diversificati che puo essere adattato a molteplici compiti specifici. GPT-4, Claude e Gemini sono foundation model. Invece di costruire un modello per ogni esigenza, le aziende possono partire da un foundation model e specializzarlo per le proprie necessita tramite fine-tuning o prompt engineering.

Machine Learning

Data Augmentation

La data augmentation e la tecnica di espandere artificialmente un dataset applicando trasformazioni ai dati esistenti. Per le immagini: rotazioni, zoom, variazioni di luce. Per il testo: parafrasi, sinonimi, traduzione inversa. E cruciale quando si hanno pochi dati di addestramento, situazione comune nelle PMI che iniziano il percorso AI.

ESPLORA

Altri termini in Machine Learning

Supervised Learning

L'apprendimento supervisionato e la tecnica di ML in cui il modello impara da esempi etichettati: per ogni input si fornisce l'output corretto. Per esempio, mostrando migliaia di email etichettate come 'spam' o 'non spam', il modello impara a classificare nuove email. E l'approccio piu comune nelle applicazioni aziendali perche produce risultati affidabili e interpretabili.

Unsupervised Learning

L'apprendimento non supervisionato e la tecnica di ML in cui il modello trova pattern nei dati senza etichette predefinite. Il modello scopre autonomamente strutture nascoste come gruppi di clienti simili (clustering) o anomalie nei dati. E utile quando non si sa cosa cercare: l'AI puo rivelare segmenti di mercato o comportamenti anomali che non avevi considerato.

Reinforcement Learning

L'apprendimento per rinforzo e una tecnica di ML in cui un agente impara interagendo con un ambiente e ricevendo premi o penalita. E usato per ottimizzare strategie complesse come pricing dinamico, routing logistico e gestione del magazzino. L'agente sperimenta diverse azioni e impara quale strategia massimizza il risultato nel lungo periodo.

Classificazione

La classificazione e il compito di ML che assegna un'etichetta categorica a un input. Esempi: classificare email (spam/non spam), ticket di supporto (urgente/normale/basso), documenti (fattura/ordine/contratto) o immagini di prodotti (conforme/difettoso). E uno degli usi piu diffusi e immediati di AI nelle PMI, con ROI rapido e misurabile.

Regressione

La regressione e il compito di ML che prevede un valore numerico continuo. A differenza della classificazione che assegna categorie, la regressione stima quantita: previsione delle vendite, stima del prezzo di un immobile, previsione dei costi di produzione. E fondamentale per il demand forecasting e la pianificazione finanziaria nelle PMI.

Clustering

Il clustering e una tecnica di ML non supervisionato che raggruppa automaticamente dati simili. Si usa per segmentare clienti in base al comportamento d'acquisto, raggruppare prodotti simili, identificare pattern nelle chiamate di supporto. Non serve dire al modello quanti gruppi cercare (in molti algoritmi): li scopre autonomamente nei dati.

Vedi tutti i termini del glossario →

Vuoi applicare l'AI nella tua azienda?

Parla con noi. La prima call e gratuita e senza impegno.

Prenota una call