Materiale didattico interattivo

Apprendimento automatico

Introduzione ai concetti di base dell’intelligenza artificiale (IA)

Autore: Zsolt LengyeliTStudy Hungary Training and Research Centre
Revisore: Mária HartyányiiTStudy Hungary Training and Research Centre

I tre elementi dell’apprendimento automatico: dati, modello e paradigma di apprendimento — Gli elementi costitutivi dell’apprendimento automatico

Obiettivo di apprendimento

La rapida diffusione dell’intelligenza artificiale ha suscitato reazioni molto diverse, dall’entusiasmo per le sue potenzialità al timore che possa sostituire molti posti di lavoro. Questo materiale presenta i concetti teorici necessari per comprendere che cos’è realmente l’IA, valutarne le capacità in modo realistico e utilizzarla consapevolmente.

Al termine del modulo saprai rispondere a queste domande

Come apprende e comunica un computer?
Che cosa si intende per apprendimento automatico?
Che cosa significa che i sistemi di IA non funzionano in modo deterministico?
L’intelligenza artificiale è una versione meccanica dell’intelligenza umana?
L’intelligenza artificiale può essere più intelligente degli esseri umani?

Capitolo 1 · 1 / 2

L’idea di una macchina capace di apprendere

Il celebre matematico Alan Turing si espresse così in una conferenza tenuta nel 1947 alla London Mathematical Society:

“What we want is a machine that can learn from experience.”«Ciò che vogliamo è una macchina in grado di imparare dall’esperienza».

I computer dell’epoca non permettevano di realizzare un programma del genere. Ci sono voluti più di settant’anni per avvicinarsi alla visione di Turing: creare macchine capaci di apprendere.

Dopo la conferenza di Dartmouth del 1956, furono gradualmente sviluppati i modelli matematici e gli algoritmi necessari all’apprendimento automatico. Divennero disponibili enormi volumi di dati digitali e la capacità di calcolo necessaria per elaborarli.

1947Turing propone l’idea di una macchina che impara dall’esperienza.

1956La conferenza di Dartmouth dà impulso alla ricerca sull’IA.

2022ChatGPT porta l’IA basata sul linguaggio all’attenzione del grande pubblico.

Capitolo 1 · 2 / 2

Quando la macchina risponde in linguaggio umano

Il 30 novembre 2022 fu lanciato ChatGPT. Il numero di utenti registrati raggiunse il milione in cinque giorni; Netflix aveva impiegato tre anni e mezzo per raggiungere lo stesso traguardo.

L’interfaccia ha permesso a chiunque di sperimentare la comunicazione con un computer attraverso il linguaggio umano naturale. Le risposte rapide, coerenti e convincenti hanno suscitato entusiasmo, stupore e preoccupazione.

Un volto umano e un volto digitale che rappresenta l’intelligenza artificiale affiancati — Le immagini dell’IA con sembianze umane influenzano ciò che immaginiamo sulle sue capacità.

Una donna anziana parla al telefono con un sistema di intelligenza artificiale — Quando «qualcuno» parla con una voce perfettamente umana

Capitolo 2

La macchina impara davvero?

Quando diciamo che un computer «impara», non intendiamo lo stesso processo con cui impara un essere umano, in particolare un bambino piccolo. La scienza non è ancora in grado di descrivere completamente i complessi processi dell’apprendimento umano.

Apprendimento automatico (machine learning): il termine collettivo per gli algoritmi e i metodi che apprendono dai dati. Il computer riconosce schemi a partire da dati ed esempi e li utilizza per generare previsioni e raccomandazioni decisionali.

Servono tre elementi fondamentali: dati in formato digitale dai quali apprendere, un algoritmo che stabilisca come elaborarli e un modello che conservi le relazioni individuate durante l’addestramento.

01

Dati

Gli esempi e le osservazioni da cui il sistema apprende gli schemi.

02

Algoritmo

Il metodo che stabilisce come avviene l’apprendimento.

03

Modello

Il risultato dell’addestramento, che trae conclusioni su nuovi dati.

Capitolo 3 · 1 / 4

Apprendimento supervisionato

Nell’apprendimento supervisionato la macchina impara da esempi in cui, insieme ai dati di input, vengono fornite le risposte corrette. Un esempio è costituito da milioni di fotografie etichettate con i nomi degli oggetti che vi compaiono.

Immaginiamo di addestrare un modello a decidere se un’immagine mostra una mela o una banana. Le risposte corrette associate alle immagini si chiamano etichettee gli esempi così preparati sono dati etichettati utilizzati per l’addestramento.

Il modello impara caratteristiche visive come forma, colore e altri schemi. In seguito può classificare, con una certa probabilità, anche immagini mai viste prima.

Apprendimento supervisionato illustrato con immagini di cani e gatti — Gli esempi con le etichette corrette guidano l’apprendimento.

Capitolo 3 · 2 / 4

Dai dati di addestramento al modello in funzione

Per l’addestramento si utilizzano grandi quantità di dati, chiamate database o dataset di addestramento. Il modello risultante può identificare dati nuovi e sconosciuti sulla base delle relazioni apprese.

Un limite importante: il modello può trarre conclusioni solo da ciò che ha appreso dai dati di addestramento. Non possiede conoscenze o esperienze proprie al di là di questi dati.

Diagramma con dati di input, algoritmo di apprendimento e modello — Apprendimento automatico: costruire un modello da esempi etichettati

Icona del riconoscimento vocale — Riconoscimento vocale

Icona della generazione di testo — Generazione di testo e traduzione

Capitolo 3 · 3 / 4

Apprendimento non supervisionato

Nell’apprendimento non supervisionato non esiste una risposta corretta predefinita: la macchina non riceve etichette. L’algoritmo deve scoprire autonomamente gli schemi nascosti nel dataset, i gruppi, le somiglianze e le differenze.

Questi metodi contribuiscono ai sistemi di raccomandazione: identificano gli interessi degli utenti in base al loro comportamento e suggeriscono film, musica o prodotti personalizzati.

Raggruppamento automatico di frutti in base alle somiglianze — Il sistema cerca una struttura nei dati senza etichette.

Capitolo 3 · 4 / 4

Apprendimento per rinforzo

Nell’apprendimento per rinforzo un «agente» virtuale interagisce con il proprio ambiente e cerca di prendere decisioni ottimali. Attraverso ricompense o penalità, impara quali azioni portano al risultato migliore.

Ciclo di agente, ambiente, azione e ricompensa — L’agente impara dalle conseguenze delle proprie azioni.

Nel 1997 Deep Blue di IBM sconfisse il campione del mondo di scacchi Garri Kasparov grazie alla programmazione tradizionale e a un’enorme potenza di calcolo. Nel Go, invece, le possibili posizioni sono troppe per essere elencate tutte.

Il sistema AlphaGo di DeepMind, grazie all’apprendimento per rinforzo e alla pratica contro sé stesso, raggiunse un livello tale da sconfiggere Lee Sedol nel 2016.

La partita tra AlphaGo e Lee Sedol (Fonte: Google Arts & Culture)

Capitolo 4

Apprendimento per trasferimento e applicazioni

Apprendimento per trasferimento

Un modello già completo e funzionante può essere ulteriormente addestrato in un ambito più ristretto e specialistico. Ad esempio, un modello linguistico generale può essere addestrato su fonti didattiche accuratamente selezionate. Questo metodo si chiama apprendimento per trasferimento, o transfer learning.

Apprendimento supervisionato

Classificazione e previsione

Riconoscimento di oggetti, filtraggio dello spam, valutazione del rischio di credito e supporto alla diagnostica medica.

Apprendimento non supervisionato

Esplorare strutture nascoste

Gruppi di clienti simili, eventi anomali e semplificazione di dati complessi.

Apprendimento per rinforzo

Una serie di decisioni

Controllo dei robot, programmi di gioco, controllo automatizzato e ottimizzazione dei sistemi di trasporto.

Capitolo 5

Risorse e costi

Il fabbisogno di risorse dell’apprendimento automatico dipende dalla quantità di dati, dalla complessità del modello e dal metodo scelto.

Apprendimento supervisionato: la raccolta e l’etichettatura dei dati possono comportare costi significativi.
Apprendimento non supervisionato: può richiedere grandi capacità di archiviazione e di calcolo.
Apprendimento per rinforzo: richiede numerosi tentativi, spesso in un ambiente simulato.

Cenerentola separa diversi semi in gruppi — Come nella fiaba di Cenerentola, l’apprendimento non supervisionato individua i gruppi naturali nei dati senza etichette.

Indicazioni per i docenti

Che cosa può fare l’intelligenza artificiale?

«L’intelligenza artificiale non pensa, parla».Vilmos Csányi, 2026

Autovalutazione

Verifica ciò che hai imparato!

1Che cos’è un modello di apprendimento automatico? Il risultato dell’addestramento, che trae conclusioni su nuovi dati in base agli schemi appresi. Un sistema di regole infallibile in ogni situazione. Una copia digitale del cervello umano.

2Quale metodo utilizza esempi con le risposte corrette? Apprendimento supervisionato Apprendimento non supervisionato Apprendimento per rinforzo

3Che cosa caratterizza l’apprendimento non supervisionato? Cerca schemi e gruppi senza etichette. Impara esclusivamente dalle ricompense. Fornisce sempre la stessa risposta.

4Come impara un sistema di apprendimento per rinforzo? Valuta le proprie azioni attraverso ricompense e penalità. Memorizza tutte le risposte possibili. Utilizza soltanto immagini etichettate.

5Quale affermazione è corretta? Le risposte dell’IA si basano su schemi appresi e richiedono quindi una verifica. Una voce naturale dimostra che l’IA è cosciente. Le conoscenze di un modello sono indipendenti dai dati di addestramento.

Contributi e allegati

Crediti e copyright

Autore: Zsolt LengyeliTStudy Hungary Training and Research Centre
Revisore: Mária HartyányiiTStudy Hungary Training and Research Centre
Progetto: 2025-1-LT01-KA220-VET-000362456

Allegati

Scarica il materiale di riferimentoM1-T1-MLC1-TEXT-IT.pdf Scarica gli esercizi praticiM1-T1-MLC1-EXC-IT.pdf

Emblema Creative Commons Attribuzione-Condividi Allo Stesso Modo

Quest’opera è concessa in licenza secondo i termini della Creative Commons Attribuzione-Condividi Allo Stesso Modo 4.0 Internazionale (CC BY-SA 4.0).

Finanziato dall’Unione europea. Le opinioni espresse sono esclusivamente quelle degli autori e non riflettono necessariamente quelle dell’Unione europea o dell’Agenzia nazionale.