Apprendimento supervisionato e non supervisionato: differenze, vantaggi e casi d'uso

L’apprendimento automatico (ML) alimenta molte tecnologie su cui facciamo affidamento quotidianamente, come il riconoscimento delle immagini e i veicoli autonomi. Due approcci fondamentali – l’apprendimento supervisionato e quello non supervisionato – costituiscono la spina dorsale di questi sistemi. Sebbene entrambi siano fondamentali per l'addestramento dei modelli ML, differiscono per metodologia, obiettivi e applicazioni.

In questa guida confronteremo questi due approcci, ne metteremo in evidenza le differenze e ne esploreremo i vantaggi e le sfide. Esploreremo anche le applicazioni pratiche per aiutarti a capire quale è più adatto per le varie attività.

Sommario

• Cos’è l’apprendimento supervisionato?
• Cos’è l’apprendimento non supervisionato?
• Supervisionato e non supervisionato: differenze chiave
• Vantaggi dell’apprendimento supervisionato e non supervisionato
• Sfide dell’apprendimento supervisionato e non supervisionato
• Applicazioni dell'apprendimento supervisionato e non supervisionato
• Conclusione

Cos’è l’apprendimento supervisionato?

L'apprendimento supervisionato addestra i sistemi ML utilizzando dati etichettati. In questo contesto, “etichettato” significa che ogni esempio di formazione è abbinato a un output noto. Queste etichette, spesso create da esperti, aiutano il sistema ad apprendere le relazioni tra input e output. Una volta addestrati, i sistemi supervisionati possono applicare queste relazioni apprese a dati nuovi e invisibili per fare previsioni o classificazioni.

Ad esempio, nel contesto delle auto a guida autonoma, un sistema di apprendimento supervisionato potrebbe analizzare dati video etichettati. Queste annotazioni identificano segnali stradali, pedoni e ostacoli, consentendo al sistema di riconoscere e rispondere a caratteristiche simili negli scenari di guida del mondo reale.

Gli algoritmi di apprendimento supervisionato rientrano in due categorie principali:

• Classificazione: questi algoritmi assegnano etichette a nuovi dati, ad esempio identificando le e-mail come spam o non spam.
• Regressione: questi algoritmi prevedono valori continui, come la previsione delle vendite future in base alle prestazioni passate.

Man mano che i set di dati crescono e le risorse computazionali migliorano, i sistemi supervisionati diventano più accurati ed efficaci, supportando applicazioni come il rilevamento delle frodi e la diagnostica medica.

Cos’è l’apprendimento non supervisionato?

L’apprendimento non supervisionato, al contrario, analizza i dati senza esempi etichettati, basandosi su algoritmi statistici per scoprire modelli o relazioni nascosti. A differenza dei sistemi supervisionati, questi modelli deducono la struttura e aggiornano i risultati in modo dinamico man mano che nuove informazioni diventano disponibili. Sebbene l’apprendimento non supervisionato eccelle nella scoperta di modelli, in genere è meno efficace per le attività predittive.

Un esempio pratico sono i servizi di aggregazione di notizie. Questi sistemi raggruppano articoli correlati e post sui social media relativi a notizie dell'ultima ora senza etichettatura esterna. Identificando i punti in comune in tempo reale, eseguono un apprendimento non supervisionato per evidenziare le storie chiave.

Ecco alcuni algoritmi specializzati di apprendimento non supervisionato:

• Clustering:vengono utilizzati per segmentare i consumatori e adattare i segmenti man mano che i comportamenti cambiano.
• Associazione:rilevano modelli nei dati, come l'identificazione di anomalie che potrebbero indicare violazioni della sicurezza.
• Riduzione della dimensionalità: semplificano le strutture dei dati preservando le informazioni critiche e vengono spesso utilizzati per comprimere e visualizzare set di dati complessi.

L'apprendimento non supervisionato è parte integrante dell'analisi esplorativa dei dati e della scoperta di approfondimenti in scenari in cui i dati etichettati non sono disponibili.

Supervisionato vs non supervisionato: differenze chiave

L’apprendimento supervisionato e quello non supervisionato svolgono ruoli distinti nel machine learning. Questi approcci differiscono in termini di requisiti di dati, coinvolgimento umano, compiti e applicazioni. La tabella seguente evidenzia queste differenze, che esploreremo ulteriormente.

Differenze durante la fase di formazione

La differenza principale tra i due tipi di algoritmi è il tipo di set di dati da cui dipendono. L'apprendimento supervisionato trae vantaggio da ampi set di dati etichettati. Di conseguenza, i sistemi supervisionati più avanzati dipendono dal lavoro umano non specializzato e su larga scala per vagliare i dati e generare etichette. Inoltre, i dati etichettati richiedono solitamente più risorse da elaborare, quindi i sistemi supervisionati non possono elaborare tanti dati all'estremità superiore della scala.

I sistemi di apprendimento non supervisionato possono iniziare a essere efficaci con set di dati più piccoli e possono elaborare quantità di dati molto più grandi con le stesse risorse. I loro dati sono più facili da ottenere ed elaborare poiché non dipendono dal lavoro umano non specializzato e su larga scala. Come compromesso, i sistemi di solito non raggiungono un elevato grado di precisione nei compiti di previsione e spesso dipendono da lavoro specializzato per diventare efficaci. Invece di essere utilizzati laddove la precisione è cruciale, vengono utilizzati più frequentemente per dedurre e aggiornare modelli nei dati, su larga scala e quando i dati cambiano.

Differenze durante la distribuzione

Le applicazioni di apprendimento supervisionato di solito hanno un meccanismo integrato per ottenere più dati etichettati su larga scala. Ad esempio, è facile per gli utenti di posta elettronica contrassegnare se i messaggi in arrivo sono spam o meno. Un provider di posta elettronica può accumulare i messaggi contrassegnati in un set di addestramento e quindi addestrare i sistemi di regressione logistica per il rilevamento dello spam. Una volta implementati, barattano una formazione più lunga e ad alta intensità di risorse con un processo decisionale più rapido. Oltre ai sistemi di regressione logistica, altri comuni algoritmi di addestramento supervisionato includono alberi decisionali e reti neurali, che vengono utilizzati ovunque per prevedere e prendere decisioni e per il riconoscimento di modelli complessi.

I sistemi non supervisionati si distinguono quando applicati a problemi che coinvolgono grandi quantità di dati non strutturati. Possono rilevare modelli nei dati, anche quando sono transitori, e devono essere rilevati prima che la formazione per l'apprendimento supervisionato sia completata. Ad esempio, gli algoritmi di clustering, un tipo di sistema di apprendimento non supervisionato, possono rilevare e aggiornare i segmenti di consumatori man mano che le tendenze cambiano. Se le tendenze si spostano verso modelli nuovi e mai visti, rimangono rilevanti senza richiedere tempi di inattività per la riqualificazione.

Un esempio di apprendimento non supervisionato è l’uso dell’analisi delle componenti principali (PCA) in finanza. PCA è un algoritmo che può essere applicato a gruppi di investimenti su larga scala e aiuta a dedurre e aggiornare le proprietà emergenti del gruppo. Questi includono importanti indicatori finanziari, come le più importanti fonti di rischio di investimento e i fattori che potrebbero incidere sui rendimenti. Altri tipi comuni di sistemi di apprendimento non supervisionato sono gli autocodificatori, che comprimono e semplificano i dati, spesso come fase preparatoria prima dell'applicazione di altri algoritmi ML.

Vantaggi dell’apprendimento supervisionato e non supervisionato

Sia i sistemi supervisionati che quelli non supervisionati sono utili per elaborare i dati su una scala e una velocità che superano quella degli esseri umani senza assistenza. Tuttavia, sono più adatti per diverse applicazioni. Di seguito, confrontiamo alcuni dei loro principali vantaggi.

Sistemi supervisionati

• Excel quando sono disponibili dati storici significativi
• Sono molto migliori dei sistemi non supervisionati per l'addestramento dei dati con struttura, caratteristiche e modelli noti
• Sono ideali per rilevare e applicare caratteristiche note dei dati su larga scala
• Può produrre risultati comprensibili e dotati di senso intuitivo per gli esseri umani
• Può avere una maggiore precisione su dati nuovi e invisibili
• Può fare previsioni più rapidamente e su scala più elevata rispetto ai sistemi non supervisionati

Sistemi non supervisionati

• Sono particolarmente bravi nell'identificare strutture e relazioni nei dati mai viste o sconosciute
• Fare bene quando i dati sono meno strutturati e le loro proprietà sono meno conosciute
• Lavorare in alcune condizioni in cui i sistemi supervisionati non funzionano bene (ad esempio, in situazioni in cui i dati non sono disponibili o dove sono disponibili ma non sono stati elaborati da esseri umani)
• Richiedono meno risorse e meno tempo durante la formazione rispetto ai sistemi supervisionati per quantità equivalenti di dati
• Può essere addestrato e utilizzato quando i dati sono troppi per essere elaborati correttamente con i sistemi supervisionati

Sfide dell’apprendimento supervisionato e non supervisionato

I sistemi supervisionati e non supervisionati presentano ciascuno compromessi diversi e le sfide che devono affrontare sono talvolta molto diverse. Evidenziamo di seguito alcune delle principali differenze.

Sistemi supervisionati

• Richiedono l’accesso a grandi quantità di dati elaborati dall’uomo, che solo talvolta sono disponibili o facili da ottenere
• Spesso hanno fasi di formazione più lunghe e ad alta intensità di risorse
• Potrebbe avere difficoltà ad adattarsi rapidamente se le caratteristiche principali dei dati cambiano
• Affronta le sfide durante l'elaborazione di dati intrinsecamente non strutturati, come video o audio

Sistemi non supervisionati

• Rileverà più frequentemente modelli che non si generalizzano bene a nuovi esempi di dati
• Può essere difficile rendere accurati quanto i sistemi supervisionati
• Producono risultati difficili da interpretare per gli esseri umani e le interpretazioni di questi risultati possono essere più soggettive.
• Può richiedere più tempo e risorse per ogni previsione effettuata nel mondo reale

Applicazioni dell'apprendimento supervisionato e non supervisionato

Alcune applicazioni e problemi vengono affrontati meglio con sistemi di apprendimento supervisionati, alcuni sono migliori con sistemi non supervisionati e alcuni funzionano meglio utilizzando una combinazione. Ecco tre esempi ben noti.

Sistemi di apprendimento misti e apprendimento semi-supervisionato

È importante notare che la maggior parte delle applicazioni della vita reale utilizzano un mix di modelli supervisionati e non supervisionati. I sistemi di apprendimento sono spesso combinati in base a fattori quali budget, disponibilità dei dati, requisiti di prestazioni e complessità ingegneristica. Occasionalmente, potrebbe essere utilizzato anche un sottoinsieme specializzato di algoritmi di apprendimento che tenta di unire i vantaggi di entrambi gli approcci: l’apprendimento semi-supervisionato. Negli esempi seguenti, indichiamo il sistema più probabile o primario che probabilmente verrà utilizzato.

Previsione del traffico (supervisionata)

La previsione del traffico è un compito impegnativo. Fortunatamente, sono disponibili molti dati etichettati poiché le città controllano e registrano regolarmente i volumi del traffico stradale. Gli algoritmi di regressione, un tipo di apprendimento supervisionato, sono facili da applicare a questi dati e possono produrre previsioni abbastanza accurate dei flussi di traffico. Le loro previsioni possono aiutare a informare il processo decisionale in merito alla costruzione di strade, alla segnaletica stradale e al posizionamento dei semafori. Gli algoritmi non supervisionati sono meno efficaci in questa fase. Possono, tuttavia, essere eseguiti sui dati sul traffico accumulati dopo l'implementazione di una modifica nella struttura stradale. A quel punto, aiutano a identificare e dedurre automaticamente se potrebbero verificarsi problemi nuovi e mai visti in precedenza.

Clustering genetico (non supervisionato)

L'analisi dei dati genetici può essere lenta e complicata poiché i volumi di dati sono grandi e la maggior parte dei dati non è ben analizzata. Spesso non sappiamo molto su cosa contengano i dati genetici: dove i geni e altri componenti genetici potrebbero essere memorizzati nel genoma, come vengono decodificati e interpretati, ecc. Gli algoritmi non supervisionati sono particolarmente rilevanti per questo problema poiché possono elaborare grandi quantità di dati e dedurre automaticamente quali modelli contengono. Possono anche aiutare a raccogliere informazioni genetiche dall'aspetto simile in cluster separati. Una volta raggruppati i dati genetici in base alla somiglianza, i cluster possono essere facilmente elaborati e testati per identificare quale funzione biologica (se presente) svolgono.

LLM e apprendimento per rinforzo (misto)

I modelli linguistici di grandi dimensioni (LLM) sono un esempio di un'applicazione che combina sistemi di apprendimento non supervisionati e supervisionati. Il sistema iniziale, LLM, è solitamente un esempio di sistema non supervisionato. Per produrre un LLM, i dati su larga scala vengono analizzati (ad esempio, tutto il testo in lingua inglese disponibile su Internet) da un sistema non supervisionato. Il sistema deduce molti modelli dai dati e sviluppa regole di base per conversare in inglese.

Tuttavia, le inferenze fatte da un LLM non fanno un buon lavoro nell'aiutarlo a sembrare un tipico essere umano in una conversazione. Inoltre non aiutano a tenere conto delle preferenze individuali per la comunicazione. Un sistema supervisionato, in particolare un sistema di rinforzo che utilizza il feedback annotato degli utenti (chiamato apprendimento di rinforzo dal feedback umano, o RLHF in breve), è un modo per risolvere questo problema. RLHF può essere applicato a un LLM già addestrato per aiutarlo a parlare bene con gli esseri umani in generale. Può anche apprendere le preferenze individuali e parlare nel modo preferito da una persona specifica.

Conclusione

In sintesi, l’apprendimento supervisionato e quello non supervisionato sono due sottoinsiemi fondamentali del ML, ciascuno dei quali offre punti di forza unici. L'apprendimento supervisionato eccelle in scenari con abbondanti dati etichettati, risorse sufficienti per la formazione iniziale e la necessità di un processo decisionale rapido e scalabile. D’altro canto, l’apprendimento non supervisionato dà il meglio di sé quando si scoprono strutture e relazioni nascoste nei dati, soprattutto quando i dati etichettati o le risorse di formazione sono limitati e il processo decisionale può accogliere più tempo e complessità. Comprendendo i vantaggi, le sfide e i casi d'uso di entrambi gli approcci, puoi prendere decisioni informate su quando e come applicarli in modo efficace.