Algoritmi di machine learning: anatomia di una scelta che nessuno vuole davvero fare

Chiunque abbia trascorso più di dieci minuti in una sala riunioni con la parola “AI” proiettata su uno schermo ha già assistito allo stesso rituale: una lista di algoritmi, apparentemente neutrale, tecnicamente corretta, strategicamente inutile. La verità, meno elegante e più costosa, è che scegliere un algoritmo di machine learning non è mai una decisione tecnica; è una dichiarazione implicita su dati, infrastruttura, tempi di mercato e, soprattutto, su quanto si è disposti a tollerare l’errore. Il resto è narrativa per boardroom.

Il paradosso è evidente già nell’analisi del testo, dove strumenti come il Latent Dirichlet Allocation continuano a essere citati con la stessa reverenza con cui si citano tecnologie che hanno già vissuto il loro momento di gloria. LDA è elegante, probabilistico, accademicamente rassicurante; ma nella pratica moderna, dominata da embedding semantici e modelli transformer, assomiglia più a un esercizio di nostalgia computazionale che a una scelta strategica. Funziona, certo. Ma anche le locomotive a vapore funzionavano perfettamente, finché qualcuno non ha inventato l’alta velocità.

Le n-gram features, invece, rappresentano il compromesso industriale per eccellenza. Brutali, semplici, sorprendentemente efficaci. Trasformano il linguaggio in frequenze e pattern locali, ignorando il significato profondo con una certa indifferenza filosofica. È un approccio che ricorda la finanza quantitativa degli anni Novanta: se non capisci il sistema, modellalo comunque e spera che la correlazione regga abbastanza a lungo da generare profitto. Il problema è che, nel linguaggio naturale, la semantica è raramente lineare, e le n-gram lo sanno, ma fanno finta di niente.

Feature hashing, spesso associato a tool come Vowpal Wabbit, introduce una dimensione più pragmatica, quasi cinica. Ridurre lo spazio delle feature con una funzione hash significa accettare collisioni, perdere informazione, sacrificare precisione sull’altare della scalabilità. È una scelta da CEO più che da data scientist. Non si tratta di ottenere il modello migliore, ma quello che scala prima che il budget evapori. In un mondo dove i dataset crescono più velocemente delle capacità di governance, questo tipo di compromesso non è solo accettabile; è inevitabile.

Quando si entra nel territorio della classificazione multiclasse, il teatro diventa più interessante. La regressione logistica multiclasse è l’equivalente algoritmico di un manager affidabile: non brilla, non sorprende, ma consegna risultati con puntualità svizzera. Modello lineare, tempi di addestramento contenuti, interpretabilità decente. In altre parole, tutto ciò che il deep learning non è, ma che spesso serve davvero in produzione.

Le reti neurali multiclasse, al contrario, incarnano l’ossessione contemporanea per la performance assoluta. Accuratezza più alta, capacità di modellare relazioni non lineari, flessibilità quasi infinita. Il prezzo è noto: complessità, opacità, e una dipendenza strutturale da hardware e dati che trasforma ogni progetto in un investimento infrastrutturale. Non è un caso che molte aziende inizino con entusiasmo e finiscano con una regressione logistica ben ottimizzata. Il deep learning è seducente, ma la manutenzione non è mai sexy.

L’approccio uno-contro-tutti è un esempio perfetto di ingegneria adattiva. Scompone un problema complesso in una serie di problemi più semplici, affidandosi a classificatori binari. È un trucco elegante, ma introduce complessità operativa e dipendenze multiple. Funziona bene quando il dataset è sbilanciato, ma richiede una disciplina ingegneristica che molte organizzazioni sottovalutano. In altre parole, è facile da spiegare, difficile da gestire.

Gli alberi decisionali potenziati multiclasse meritano una riflessione a parte. Non parametrici, scalabili, sorprendentemente performanti. In molti contesti reali, battono modelli più sofisticati con una certa nonchalance. La ragione è semplice: catturano interazioni non lineari senza richiedere un tuning ossessivo. Sono l’equivalente algoritmico di un fondo hedge ben gestito: meno glamour di un unicorno AI, ma spesso più redditizio.

La regressione, spesso percepita come un problema “semplice”, nasconde una complessità concettuale sottovalutata. La regressione lineare è il punto di partenza inevitabile, un benchmark mentale più che tecnico. Serve a capire se il problema è lineare o se si sta cercando di forzare la realtà in un modello troppo ingenuo. La regressione lineare bayesiana aggiunge una dimensione probabilistica che, in contesti con pochi dati, può fare la differenza tra un modello utile e uno completamente fuorviante.

La regressione di Poisson, specializzata nella previsione di conteggi, è uno di quegli strumenti che sembrano marginali finché non servono. Prevedere il numero di eventi, click, errori o incidenti è un problema centrale in molte industrie, e Poisson offre una struttura teorica solida. Non è glamour, ma è incredibilmente efficace. In altre parole, è il tipo di algoritmo che raramente finisce in una presentazione marketing, ma spesso paga le bollette.

Le decision forest e le loro varianti potenziate rappresentano un equilibrio interessante tra accuratezza e scalabilità. Sono modelli robusti, resistenti al rumore, capaci di gestire dataset complessi senza richiedere una quantità eccessiva di feature engineering. Il costo è una maggiore impronta di memoria e una certa opacità. Ma nel contesto enterprise, dove la priorità è spesso la performance operativa, questi compromessi sono più che accettabili.

La classificazione binaria è il dominio dove la teoria incontra la realtà in modo più diretto. Le macchine a vettori di supporto, ad esempio, sono potenti ma sensibili alla dimensionalità. Funzionano bene con meno di cento feature, ma iniziano a mostrare crepe quando il problema scala. Il percettrone mediato è rapido, lineare, quasi minimalista. È l’algoritmo che si sceglie quando il tempo è più importante della perfezione.

Le reti neurali a due classi, ancora una volta, promettono accuratezza superiore al costo di tempi di addestramento più lunghi e maggiore complessità. È un trade-off classico, che riflette una tensione più ampia nel machine learning moderno: ottimizzare per la performance o per la sostenibilità operativa. Non esiste una risposta universale, solo contesti diversi.

Nel mondo delle raccomandazioni, la narrativa si sposta verso l’esperienza utente e il valore economico diretto. I sistemi wide & deep combinano filtering collaborativo e approcci basati sul contenuto, creando modelli ibridi che riflettono la complessità del comportamento umano. È un approccio che riconosce implicitamente un fatto scomodo: gli utenti non sono coerenti, e i dati lo sono ancora meno.

La decomposizione tramite SVD, d’altra parte, è un esempio di eleganza matematica applicata al business. Ridurre la dimensionalità significa comprimere informazione, trovare pattern latenti, trasformare il rumore in segnale. È una tecnica che ha resistito alla prova del tempo, nonostante l’ondata di deep learning. Forse perché, a differenza di molti modelli moderni, è comprensibile.

La classificazione di immagini, dominata da architetture come ResNet, rappresenta il trionfo del deep learning. Reti profonde, connessioni residuali, performance straordinarie. Ma anche qui, la narrativa è più complessa di quanto sembri. L’addestramento richiede risorse significative, i modelli sono difficili da interpretare e la generalizzazione non è sempre garantita. In altre parole, funziona benissimo finché non smette di farlo.

Il rilevamento di anomalie basato su PCA è un caso interessante di tecnologia “vecchia” che continua a trovare applicazioni moderne. Ridurre la dimensionalità per identificare outlier è un approccio semplice ma efficace. Non richiede dataset etichettati, il che lo rende particolarmente utile in contesti dove i dati sono abbondanti ma le etichette scarse. È un promemoria utile: non tutte le soluzioni devono essere nuove per essere valide.

Il clustering, con algoritmi come K-Means, chiude il cerchio riportandoci all’apprendimento non supervisionato. Separare dati in gruppi intuitivi è un problema tanto antico quanto il machine learning stesso. K-Means è semplice, veloce, ma richiede di conoscere in anticipo il numero di cluster. Un dettaglio non banale, che spesso viene ignorato nelle implementazioni superficiali.

La realtà, meno elegante di qualsiasi schema teorico, è che nessuno di questi algoritmi esiste in isolamento. Ogni scelta è vincolata da dati, infrastruttura, competenze e obiettivi di business. L’illusione che esista un algoritmo “migliore” è una narrativa comoda, ma pericolosa. Esistono solo algoritmi più o meno adatti a un contesto specifico.

Il punto, che raramente viene esplicitato nelle slide aziendali, è che il vero vantaggio competitivo non risiede nell’algoritmo, ma nella capacità di orchestrare un sistema. Dati puliti, pipeline robuste, monitoraggio continuo, governance. Il machine learning non è un prodotto, è un processo. E come tutti i processi, premia la disciplina più dell’innovazione.

Qualcuno, con una certa ironia, potrebbe dire che l’algoritmo è la parte meno interessante del machine learning. Non è del tutto sbagliato. In un ecosistema dove l’hype supera spesso la sostanza, la vera differenza la fanno le decisioni noiose, quelle che non finiscono nei keynote ma determinano il successo o il fallimento di un progetto.

La prossima volta che qualcuno presenterà una lista di algoritmi, vale la pena ricordare che non si tratta di scegliere tra opzioni tecniche, ma tra strategie implicite. E come ogni strategia, anche questa ha un costo. Il problema è che quel costo raramente appare nel foglio Excel iniziale.

  • Latent Dirichlet Allocation
  • Modellazione tematica non supervisionata, raggruppa testi simili
  • Estrazione di Feature N-Gram dal Testo
  • Crea un dizionario di n-gram da una colonna di testo libero
  • Feature Hashing
  • Converte dati testuali in feature codificate come interi usando la libreria Vowpal Wabbit
  • Esegue operazioni di pulizia sul testo, come rimozione delle stop-word, normalizzazione maiuscole/minuscole
  • Converte parole in valori per l’uso in attività NLP, come recommender, riconoscimento di entità nominate, traduzione automatica
  • Classificazione Multiclasse

Classificazione Multiclasse

Risponde a domande complesse con molteplici risposte possibili

  • Regressione Logistica Multiclasse
  • Tempi di addestramento rapidi, modello lineare
  • Rete Neurale Multiclasse
  • Accuratezza, tempi di addestramento rapidi
  • Uno-contro-Tutti
  • Dipende dal classificatore binario
  • Dipende dal classificatore binario, meno sensibile a dataset sbilanciati con maggiore complessità
  • Albero Decisionale Potenziato Multiclasse
  • Non parametrico, tempi di addestramento rapidi e scalabile Regressione

Regressione

Effettua previsioni stimando la relazione tra valori

  • Regressione Quantile Fast Forest
  • Predice una distribuzione
  • Regressione di Poisson
  • Predice conteggi di eventi
  • Regressione Lineare
  • Addestramento rapido, modello lineare
  • Regressione Lineare Bayesiana
  • Modello lineare, set di dati piccoli
  • Regressione con Decision Forest
  • Accuratezza, tempi di addestramento rapidi
  • Regressione con Rete Neurale
  • Accuratezza, tempi di addestramento lunghi
  • Regressione con Albero Decisionale Potenziato
  • Accuratezza, tempi di addestramento rapidi, grande impronta di memoria

Classificazione a Due Classi

Risponde a semplici domande a due scelte, come sì o no, vero o falso

  • Macchina a Vettori di Supporto a Due Classi
  • Meno di 100 feature, modello lineare
  • Percettrone Mediato a Due Classi
  • Addestramento rapido, modello lineare
  • Decision Forest a Due Classi
  • Accuratezza, tempi di addestramento rapidi
  • Regressione Logistica a Due Classi
  • Addestramento rapido, modello lineare
  • Albero Decisionale Potenziato a Due Classi
  • Accuratezza, addestramento rapido, grande impronta di memoria
  • Rete Neurale a Due Classi
  • Accuratezza, tempi di addestramento lunghi

Raccomandazioni

Predice ciò che potrebbe interessare a qualcuno

  • Utilizzare il modulo Train Wide & Deep Recommender
  • Recommender ibrido, approccio sia di filtering collaborativo che basato sul contenuto
  • Recommender SVD
  • Filtering collaborativo, prestazioni migliori con costo inferiore riducendo la dimensionalità

Classificazione di Immagini

Classifica immagini con reti popolari

  • ResNet
  • Rete neurale moderna di deep learning
  • Rilevamento Anomalie basato su PCA
  • Rete

Clustering

Separa punti dati simili in gruppi intuitivi

  • K-Means
  • Apprendimento non supervisionato