Negli ultimi anni, l’intelligenza artificiale generativa (AI) ha compiuto progressi significativi, dimostrando la sua efficacia nel risolvere compiti di AI complessi. Modelli avanzati di AI come ChatGPT, Bard, LLaMA, DALL-E 3 e SAM hanno esibito straordinarie capacità nel gestire sfide multidisciplinari, che spaziano dalla comprensione visiva a questioni di ragionamento e creazione di contenuti.
Parimenti, sono state sviluppate tecniche multimodali di AI che processano e integrano dati di varia natura — testo, immagini, audio e video — in modo simultaneo. Questi sviluppi sollevano una questione fondamentale: stiamo forse assistendo al tramonto del machine learning (ML) tradizionale?
Analizzeremo l’attuale stato del ML tradizionale alla luce delle recenti innovazioni nel campo dell’AI generativa.
Il machine learning tradizionale è una nozione ampia che include una varietà di algoritmi incentrati su metodi statistici. Tra i principali algoritmi ML tradizionali troviamo quelli supervisionati e non supervisionati, sviluppati per lavorare con set di dati strutturati.
Esempi di algoritmi standard di machine learning tradizionale includono:
- Regressione lineare, lasso e ridge.
- Clustering K-means.
- Analisi delle componenti principali (PCA).
- Support Vector Machines (SVM).
- Algoritmi basati su alberi come gli alberi decisionali e le random forests.
- Modelli di boosting come Gradient Boosting e XGBoost.
Questi approcci presentano alcune limitazioni:
- Scalabilità limitata: difficoltà di adattamento a grandi e diversificati set di dati.
- Pre-elaborazione e feature engineering: il ML tradizionale richiede estensive pre-elaborazioni e progettazioni di feature, spesso onerose e complesse.
- Gestione di dati non strutturati e di alta dimensionalità: problematiche con dati complessi come immagini, audio, video e testi.
- Adattabilità a dati nuovi: modelli spesso meno performanti con dati inediti rispetto a quelli di addestramento.
Il passaggio dalle reti neurali al deep learning e oltre segna un’evoluzione significativa. Le reti neurali (NN), come i semplici Perceptron multistrato (MLP), comprendono connessioni neuronali per processare informazioni e compiere compiti, in maniera simile al cervello umano.
Le NN per la computer vision, come le CNN (es. AlexNet, ResNet, YOLO), e i modelli trasformativi per l’elaborazione del linguaggio naturale (NLP), come BERT, GPT-4 e T5, hanno spostato i confini in vari ambiti dell’AI, da salute e retail a marketing e finanza.
Nonostante la prominenza delle NN, i metodi ML tradizionali sono tutt’altro che obsoleti:
- Dati più semplici: i modelli ML possono lavorare con set di dati più ristretti, a differenza delle NN che richiedono grandi volumi di dati.
- Interpretabilità e semplicità: i modelli ML offrono un’interpretazione più diretta e accessibile, a fronte della complessità delle “black box” NN.
- Efficienza delle risorse: i modelli ML sono più gestibili in termini di risorse computazionali rispetto agli LLM che richiedono hardware costoso e tempo di addestramento.
- Problemi specifici: esistono casi in cui il ML supera il deep learning, come in certe applicazioni mediche o quando si ha a che fare con limitazioni computazionali.
Il ML tradizionale continua a evolversi nel 2023, trovando applicazione in diversi settori, specialmente con dati strutturati. Molte imprese FMCG sfruttano l’ML per compiti come la personalizzazione di prodotti, l’ottimizzazione dei prezzi, la gestione dell’inventario e la logistica.
Studi recenti mostrano l’efficacia di tecniche ML tradizionali, come il Gradient Boosting, per previsioni di serie temporali, spesso più efficienti delle NN. Inoltre, l’hybrid modeling, che combina ML tradizionale e approcci di deep learning, ottimizza i punti di forza di entrambi.
L’AI generativa ha le sue debolezze, incluse questioni di affidabilità, errori inaspettati, e la necessità di un gran numero di dati per l’addestramento. In alcuni settori, i modelli più semplici e controllabili come l’ML tradizionale rimangono preferibili per garantire conformità e affidabilità.
In conclusione, nonostante l’ascesa dell’AI generativa, il machine learning tradizionale mantiene un ruolo vitale, offrendo soluzioni affidabili, efficienti e comprensibili per una vasta gamma di applicazioni. La scelta tra ML tradizionale e AI generativa dipende dagli obiettivi specifici, dai dati disponibili e dai requisiti di risorse e interpretazione.