Cos'è il machine learning (ML)

Nota: Questo documento è una traduzione automatica della versione originale in inglese.

Cos'è il machine learning (ML)

Il machine learning (ML) è un sottoinsieme dell'intelligenza artificiale in cui i sistemi apprendono pattern dai dati invece di seguire regole scritte a mano. Pensalo come un insegnamento per esempi: invece di scrivere una ricetta passo per passo, mostri al sistema migliaia di piatti finiti e lasci che capisca da solo come cucinare. Anziché un programmatore che codifica ogni decisione, al sistema vengono mostrati migliaia o milioni di esempi e le regole vengono scoperte autonomamente.

La maggior parte dell'AI pratica di oggi — dai filtri antispam e gli assistenti vocali all'analisi di immagini mediche e ai modelli linguistici di grandi dimensioni — è costruita sul machine learning. Quando un progetto crypto afferma di usare l'AI, la tecnologia sottostante è quasi sempre una qualche forma di ML.

In sintesi: ML significa apprendere dai dati. Invece di dire al sistema cosa fare, gli mostri esempi e lui individua i pattern. Nella crypto AI, "machine learning" in una scheda di progetto significa che il progetto dichiara un apprendimento guidato dai dati, non una logica codificata.

Come funziona il machine learning

Un sistema di machine learning segue un ciclo generale. Comprendere ogni passaggio è essenziale per valutare se le affermazioni ML di un progetto sono reali — ogni passaggio produce artefatti verificabili che possono servire da evidenza.

Il ciclo di vita del ML

Definire il problema — determinare cosa il modello deve prevedere o classificare. Per esempio: "data una transazione blockchain, determinare se è sospetta". Una definizione chiara del problema è il primo punto di controllo quando si valutano le affermazioni ML.
Raccogliere i dati — mettere insieme un dataset pertinente al problema. Questo può includere storici delle transazioni, log di attività dei wallet, documenti testuali o registrazioni del comportamento degli utenti. I dati possono provenire da fonti pubbliche, database proprietari o registrazioni on-chain.
Preparare e pulire i dati — i dati grezzi raramente sono utilizzabili così come sono. Questo passaggio comporta la rimozione di errori, la gestione dei valori mancanti, la normalizzazione dei formati e la suddivisione dei dati in set di addestramento, validazione e test. La preparazione dei dati consuma tipicamente la maggior parte del tempo di un progetto ML.
Scegliere un'architettura del modello — selezionare il tipo di modello AI adatto al compito: una rete neurale, un albero decisionale, una support vector machine o un metodo ensemble. La scelta dipende dal tipo di dati, dalla complessità del problema e dal calcolo disponibile. Per il testo, dominano le architetture transformer (la base di GPT, BERT e degli LLM moderni come DeepSeek). Per i dati tabulari, gli alberi con gradient boosting (XGBoost, LightGBM) spesso superano il deep learning.
Addestrare il modello — eseguire un algoritmo di addestramento che regola i parametri interni del modello (i pesi) in modo che le sue previsioni corrispondano agli esiti noti nei dati di addestramento. L'addestramento itera sui dati più volte (le cosiddette epoche), riducendo gradualmente la differenza tra previsioni e realtà (misurata da una funzione di perdita).
Valutare — misurare il modello addestrato su dati di test held-out o su benchmark per verificare se ha appreso pattern autentici o ha semplicemente memorizzato il set di addestramento (un problema chiamato overfitting). Le metriche comuni includono accuratezza, precisione, recall e F1 score per la classificazione; errore quadratico medio e R-quadro per la regressione; perplessità per i modelli linguistici.
Distribuire — mettere il modello in produzione dove esegue l'inferenza su input nuovi e mai visti. La distribuzione comporta la configurazione dell'infrastruttura di serving, la gestione della latenza e il trattamento dei casi limite.
Monitorare e riaddestrare — i dati del mondo reale cambiano nel tempo (data drift). Un modello addestrato sui pattern delle transazioni blockchain dell'anno scorso può comportarsi male sulle transazioni attuali. I sistemi ML responsabili includono pipeline di monitoraggio che rilevano il degrado delle prestazioni e attivano il riaddestramento su dati freschi.

Un esempio pratico

Supponiamo che un progetto affermi che il suo modello ML rileva attività sospette dei wallet. Un'implementazione verificabile mostrerebbe:

Dati: quali dati on-chain vengono raccolti e come vengono etichettati (per esempio, indirizzi segnalati da database di exploit noti)
Modello: quale architettura viene usata (per esempio, un classificatore con gradient boosting su feature delle transazioni)
Metriche: tasso di rilevamento misurato, tasso di falsi positivi e metodologia (per esempio, "valutato su 10.000 transazioni held-out di un periodo definito")
Distribuzione: come il modello serve previsioni in tempo reale (endpoint API, caratteristiche di latenza)
Aggiornamenti: con quale frequenza il modello viene riaddestrato e cosa attiva il riaddestramento

Se un progetto non descrive nessuno di questi elementi, l'affermazione "ML" manca di sostanza verificabile.

Approcci ML chiave rilevanti per la crypto AI

Il machine learning non è una tecnica singola — è una famiglia di approcci, ciascuno adatto a tipi diversi di problemi.

Approccio	Come apprende	Requisito di dati	Esempio crypto
Apprendimento supervisionato	Da esempi etichettati	Dataset etichettato	Rilevamento frodi, classificazione di scam
Apprendimento non supervisionato	Trova struttura senza etichette	Dataset non etichettato	Clustering di wallet, rilevamento anomalie
Apprendimento per rinforzo	Attraverso tentativi e ricompense	Ambiente + segnale di ricompensa	Agenti automatizzati, ottimizzazione di protocolli
Deep learning	Reti neurali multistrato	Dataset grande + calcolo	LLM, generazione di immagini, NLP
Transfer learning	Adatta un modello pre-addestrato a un nuovo compito	Piccolo dataset specifico per compito	Fine-tuning di LLM per il dominio crypto

Apprendimento supervisionato

Il modello apprende da dati etichettati — ogni esempio è accompagnato da una risposta corretta nota. Il modello impara a mappare gli input sugli output e viene valutato su quanto bene prevede la risposta corretta per esempi nuovi e mai visti.

Come funziona: date coppie di (input, output corretto), l'algoritmo regola i parametri del modello per minimizzare gli errori di previsione.
Esempio: un classificatore addestrato su transazioni etichettate (fraudolente / legittime) per segnalare scam. Ogni esempio di addestramento è una transazione con feature (importo, cronologia del mittente, interazione con contratti) e un'etichetta.
Strumenti comuni: scikit-learn, XGBoost, LightGBM e framework di deep learning come PyTorch e TensorFlow.
Punto di forza: alta accuratezza quando sono disponibili buone etichette.
Limite: richiede dati etichettati, che possono essere costosi e lunghi da creare.

Apprendimento non supervisionato

Il modello trova pattern senza etichette. Nessuno gli dice cosa cercare; scopre da solo struttura, cluster o anomalie nei dati.

Come funziona: l'algoritmo raggruppa punti dati simili o identifica valori anomali in base a proprietà statistiche.
Esempio: clustering di indirizzi wallet per pattern comportamentali — frequenza delle transazioni, importi, interazione con protocolli noti — per identificare gruppi di wallet correlati senza etichette preesistenti.
Strumenti comuni: clustering k-means, DBSCAN, analisi delle componenti principali (PCA), autoencoder.
Punto di forza: funziona quando l'etichettatura è impraticabile o troppo costosa.
Limite: i risultati richiedono interpretazione umana; l'algoritmo trova la struttura ma non spiega cosa significhino i cluster.

Apprendimento per rinforzo (RL)

Il modello apprende attraverso tentativi e ricompense. Compie azioni in un ambiente e riceve feedback (positivo o negativo). Nel tempo, apprende strategie che massimizzano la ricompensa cumulativa.

Come funziona: un agente osserva lo stato corrente, compie un'azione, riceve una ricompensa o una penalità e aggiorna la sua strategia. Questo ciclo si ripete migliaia o milioni di volte.
Esempio: un agente automatizzato che impara a ottimizzare le commissioni gas scegliendo i tempi delle transazioni in base ai pattern di congestione della rete.
Pietre miliari: l'RL alimenta sistemi di gioco come AlphaGo. Nella crypto, l'RL compare nella regolazione dei parametri di protocollo e nelle strategie basate su agenti.
Punto di forza: adatto a problemi di decisione sequenziale in cui l'azione ottimale dipende dalle conseguenze a lungo termine.
Limite: richiede un segnale di ricompensa ben definito e molte iterazioni; può essere instabile durante l'addestramento.

Deep learning

Un sottoinsieme del ML che usa reti neurali con molti strati (da cui "deep"). Il deep learning alimenta la maggior parte delle scoperte moderne dell'AI: riconoscimento di immagini, elaborazione del linguaggio naturale, modelli generativi e modelli linguistici di grandi dimensioni.

Come funziona: i dati fluiscono attraverso strati successivi di neuroni artificiali, ciascuno dei quali estrae feature progressivamente più astratte. Uno strato convoluzionale potrebbe rilevare i bordi; strati più profondi combinano i bordi in forme, poi in oggetti.
Esempio: un modello transformer (l'architettura dietro GPT, BERT e DeepSeek) sottoposto a fine-tuning sulla documentazione crypto per estrarre informazioni strutturate da testo non strutturato.
Architetture chiave: transformer (testo/sequenze), reti neurali convoluzionali / CNN (immagini), reti neurali ricorrenti / RNN (serie temporali).
Punto di forza: eccelle su dati complessi e ad alta dimensionalità (testo, immagini, audio, sequenze).
Limite: richiede grandi dataset, notevole potenza di calcolo e una regolazione attenta. Le prestazioni sono più difficili da interpretare rispetto a modelli più semplici.

Transfer learning

Una tecnica in cui un modello pre-addestrato su un grande dataset generale viene adattato a un compito specifico con un dataset più piccolo. Invece di addestrare da zero, il modello parte da conoscenze già apprese.

Come funziona: si prende un modello come BERT (pre-addestrato su testo generale) e lo si sottopone a fine-tuning su un dataset più piccolo di whitepaper crypto per classificare le affermazioni dei progetti.
Perché è importante: il transfer learning riduce i dati e il calcolo necessari per nuovi compiti. Molti progetti crypto AI usano versioni sottoposte a fine-tuning di modelli esistenti anziché addestrare da zero.

Dal ML classico al deep learning moderno

Comprendere l'evoluzione del ML aiuta a valutare le affermazioni dei progetti:

ML classico (anni '90-2010): alberi decisionali, support vector machine, regressione logistica. Funzionano bene su dati strutturati (tabulari) e restano comuni nell'analisi crypto per la classificazione delle transazioni e il punteggio di rischio.
Era del deep learning (2012-oggi): le reti neurali con molti strati hanno iniziato a superare i metodi classici su compiti complessi. L'architettura transformer del 2017 ("Attention Is All You Need") ha rimodellato il campo. BERT (2018) e GPT (2018-oggi) hanno portato i transformer alla comprensione e generazione del linguaggio.
Foundation model (anni 2020-oggi): modelli molto grandi pre-addestrati su dati ampi, sottoposti a fine-tuning o guidati da prompt per compiti specifici. GPT, Claude, Gemini e Mistral sono esempi noti. Questi modelli rendono accessibile un NLP potente ma rendono anche facile costruire wrapper sottili che rivendicano "AI" con un lavoro originale minimo.

Quando un progetto dice "machine learning", vale la pena chiedersi: si tratta di ML classico su dati strutturati, di fine-tuning di foundation model esistenti o dell'addestramento di un nuovo modello da zero?

Perché il ML è importante in DecAIHub

Quando una scheda di progetto elenca "machine learning" come parte del suo AI component, significa che il progetto dichiara di usare un sistema che apprende dai dati anziché fare affidamento su regole statiche. Questa distinzione è importante perché:

Il ML implica una pipeline di addestramento — devono esserci dati, un processo di addestramento e un modello risultante. Sono tutti artefatti verificabili.
Il ML implica prestazioni misurabili — un modello appreso può essere sottoposto a benchmark e confrontato. Un insieme di regole codificate a mano non può essere valutato allo stesso modo.
Il ML implica una manutenzione continua — i modelli si degradano nel tempo man mano che le distribuzioni dei dati cambiano. Un progetto che usa il ML deve riaddestrare e rivalutare periodicamente.
Il ML implica requisiti di calcolo — addestramento e inferenza richiedono risorse computazionali. I progetti ML decentralizzati devono spiegare come viene fornito il calcolo e chi ne sostiene il costo.

DecAIHub verifica l'evidenza Tier-1 di questi artefatti quando valuta se il "machine learning" è reale o solo un'etichetta di marketing. I flag di AI reality (da AI_0 ad AI_4) corrispondono direttamente a punti di controllo dell'evidenza: il progetto descrive il suo componente ML (AI_1)? Esistono demo funzionanti (AI_2)? Metriche pubblicate (AI_3)? Documentazione dell'architettura tecnica (AI_4)?

Un progetto che menziona il "machine learning" senza fornire nessuno di questi artefatti riceve flag di AI reality più bassi, il che limita il suo punteggio DecAI Fit attraverso il meccanismo del tetto dell'ai_score.

Cosa il ML da solo non dimostra

Qualità del modello — dichiarare il ML non significa che il modello sia accurato, robusto o ben regolato. La qualità richiede evidenza di benchmark.
Qualità dei dati — il modello vale solo quanto i suoi dati di addestramento. Dati scadenti, distorti o insufficienti producono risultati scadenti indipendentemente dall'algoritmo.
Apprendimento autentico — alcuni progetti etichettano come "ML" sistemi basati su regole o semplici euristiche. Vedi Automazione vs AI component reale.
Vantaggio proprietario — usare una libreria ML pronta all'uso con impostazioni predefinite su dati pubblici non costituisce una profondità AI significativa.
Decentralizzazione — i modelli ML possono girare su infrastrutture completamente centralizzate. Il fatto che un progetto usi il ML non dice nulla su se la sua AI sia decentralizzata o se la sua integrazione blockchain sia significativa.

Da non confondere con

Intelligenza artificiale — il campo più ampio. Il ML è un sottoinsieme dell'AI, non un suo sinonimo.
Modello AI — l'artefatto addestrato. Il ML è il processo di creazione di quell'artefatto attraverso l'apprendimento guidato dai dati.
Deep learning — un sottoinsieme del ML che usa reti neurali multistrato. Tutto il deep learning è ML, ma non tutto il ML è deep learning.
Automazione — l'esecuzione di regole predefinite. Il ML apprende le proprie regole dai dati. Vedi Automazione vs AI component reale.
Statistica — il ML si basa su fondamenta statistiche ma va oltre la statistica tradizionale concentrandosi sulle prestazioni predittive su dati nuovi anziché sulla spiegazione di dati storici.

Domande frequenti

Qual è la differenza tra machine learning e programmazione tradizionale?

Nella programmazione tradizionale, uno sviluppatore scrive regole esplicite: "se l'importo della transazione supera una soglia e il mittente non ha cronologia, segnalala". Nel machine learning, lo sviluppatore fornisce esempi etichettati e l'algoritmo scopre da solo le regole. Il risultato è un modello capace di rilevare pattern troppo sottili per regole scritte a mano — ma richiede dati di addestramento di qualità e una valutazione continua.

Il machine learning richiede big data?

Non sempre. I modelli di deep learning (specialmente gli LLM) richiedono grandi dataset, ma molte tecniche ML classiche funzionano efficacemente con quantità modeste di dati. Il transfer learning riduce ulteriormente i requisiti di dati partendo da un modello pre-addestrato. Il fattore chiave è la qualità e la rilevanza dei dati, non solo la quantità. Un dataset piccolo, ben curato e correttamente etichettato può superare uno grande e rumoroso.

Qual è la differenza tra apprendimento supervisionato e non supervisionato?

L'apprendimento supervisionato usa dati etichettati — ogni esempio include la risposta corretta, e il modello impara a prevederla. L'apprendimento non supervisionato lavora con dati non etichettati, scoprendo pattern, cluster o anomalie senza che gli venga detto cosa cercare. Una terza categoria, l'apprendimento semi-supervisionato, combina una piccola quantità di dati etichettati con una quantità maggiore di dati non etichettati. La scelta dipende dal fatto che le etichette siano disponibili e producibili a costi accessibili.

Come si capisce se un progetto crypto usa ML reale?

Cerca artefatti verificabili: un dataset descritto, un'architettura del modello documentata, benchmark pubblicati con metodologia, una demo pubblica ed evidenza di riaddestramento. DecAIHub li valuta attraverso i flag di AI reality (da AI_1 ad AI_4) e i controlli dell'evidenza Tier-1. Un progetto che dice "alimentato dal ML" ma non fornisce nessuno di questi elementi probabilmente usa il termine come marketing.

Il deep learning è la stessa cosa del machine learning?

Il deep learning è un sottoinsieme del machine learning, non un sinonimo. Il ML include molte tecniche oltre il deep learning: alberi decisionali, support vector machine, metodi bayesiani e metodi ensemble. Il deep learning usa reti neurali con più strati per apprendere rappresentazioni gerarchiche. Eccelle su dati complessi (testo, immagini, audio), ma metodi ML più semplici spesso lo superano su dati strutturati e tabulari.

Vedi anche

Riferimenti esterni

Google Developers — Machine Learning Crash Course — corso introduttivo gratuito che copre i concetti fondamentali del ML con esempi pratici
Stanford CS229 — Machine Learning — materiali completi di un corso universitario sulla teoria e la pratica del ML
Hugging Face — Learn — guide pratiche al ML e all'NLP moderni con strumenti open source
Machine learning (Wikipedia) — panoramica della storia, dei metodi e delle applicazioni del ML
Papers With Code — Methods — riferimento per i metodi ML con collegamenti ad articoli e implementazioni