Non esiste una sola forma di intelligenza artificiale, nel senso che ogni applicazione si basa su modelli di machine learning specifici e anche su tecniche diverse per l’analisi dei dati, anche in funzione dell'obiettivo che si cerca di raggiungere. Non esiste nemmeno una forma unica di "apprendimento digitale": esistono vari tipi di "learning" che hanno caratteristiche loro proprie. Esaminiamo le principali, in estrema sintesi.

Unsupervised learning

Tutte le software house dell'AI oggi puntano a una qualche forma del cosiddetto unsupervised learning, cioè l'apprendimento senza supervisione. Sintetizzando, un sistema di apprendimento non supervisionato riceve in ingresso insiemi di dati grezzi e, tra questi, rileva da solo correlazioni che per un analista umano sarebbero impossibili da scoprire, a causa dell'enorme mole di informazioni e di parametri da confrontare.

Le applicazioni pratiche di un approccio astratto del genere sono innumerevoli e spaziano dalla sentiment analysis sui social network alla definizione di un profilo molto accurato delle propensioni di spesa di un cliente, dal controllo delle frodi bancarie alla definizione di modelli di fenomeni fisici complessi. È la forma di machine learning che oggi probabilmente serve di più alle imprese, che hanno bisogno di estrarre dalle informazioni in loro possesso “significati” che vadano oltre quelli più immediati.

Supervised learning

Nell'apprendimento supervisionato, o supervised learning, non si lascia il sistema da solo a cercare correlazioni fra i dati in ingresso, gli si indica invece in maniera esplicita cosa cercare. Semplificando, gli algoritmi vengono addestrati partendo da insiemi di dati di test strutturati a coppie: un generico "oggetto" e il corrispondente "valore" desiderato come risultato.

L'algoritmo parte da un modello matematico delle caratteristiche chiave degli elementi da valutare e "impara" quali loro valori portano a certi risultati. Il supervised learning è indicato per le operazioni di classificazione di oggetti o per il riconoscimento di pattern che sono già stati identificati in precedenza. Ha forse meno appeal dell’apprendimento unsupervised, ma ha l’utilità di uno strumento molto mirato e personalizzabile.

Semisupervised learning

Tra apprendimento "libero" e supervisionato c'è la via di mezzo del semisupervised learning. Qui gli algoritmi sono messi davanti a una combinazione ibrida di dati. Alcuni sono classificati - o, come si dice più precisamente, etichettati - ma la gran parte sono grezzi. In questo modo il sistema di machine learning ha una qualche indicazione sulle correlazioni da cercare, ma ha anche la (relativa) libertà di trovarne di nuove a partire solo dai dati in ingresso.

L'apprendimento semi-supervisionato si può usare per andare alla ricerca di anomalie in applicazioni dove la gran parte dei dati in ingresso descrive comportamenti omogenei e le deviazioni da questi sono poco frequenti. Spesso però il semisupervised learning si adotta banalmente perché non ci sono abbastanza dati etichettati tra quelli in ingresso.

Reinforcement learning

Ci si imbatte spesso anche in un'altra forma di apprendimento: il reinforcement learning. In generale, nel reinforcement learning un "agente" interagisce con il suo ambiente e viene "ricompensato" quando esegue l'operazione più corretta in funzione del risultato che si cerca di ottenere. In questo modo il sistema di AI impara cosa deve fare in determinate situazioni per ottenere certi risultati, e può applicare quanto ha imparato in altre condizioni analoghe.

La robotica è il campo in cui il reinforcement learning viene applicato più diffusamente, anche se non è l'unico. Il compito di un robot viene scomposto in passi temporali successivi, in ciascuno di essi il robot sceglie un'azione tra quelle possibili e viene "premiato" se l'azione avvicina al risultato finale desiderato.

Deep learning

Ovviamente non si può dimenticare il deep learning, argomento di primissimo piano in campo AI. Il deep learning però non è una forma di apprendimento alternativa a quelle citate - viene utilizzato ad esempio nel reinforcement learning e per l'apprendimento non supervisionato – bensì, sempre semplificando molto, una loro forma più approfondita.

Il deep learning si dice "profondo" perché nel suo caso l'interpretazione dei dati grezzi prevede diversi livelli di raffinamento successivi che portano a una rappresentazione molto precisa del fenomeno collegato ai dati stessi. Dato che ogni livello di astrazione successiva può essere realizzato (ma non lo è necessariamente) con una rete neurale diversa, il "deep" del deep learning viene spesso associato alla ideale sovrapposizione delle varie reti neurali.

Il deep learning è spesso assimilato a come funziona il cervello umano nel suo apprendimento, soprattutto perché la riorganizzazione autonoma delle reti neurali viene paragonata al funzionamento della nostra corteccia cerebrale. I punti di contatto ci sono ma vanno intesi più che altro come una indicazione delle grandi possibilità di applicazione del deep learning.