Ogni sistema di apprendimento automatico apprende in uno di questi tre modi fondamentali: supervisionato, non supervisionato, oppure per rinforzo L'apprendimento. Queste non sono tecnologie concorrenti, ma tre risposte diverse a un'unica domanda: che tipo di feedback riceve il sistema durante l'apprendimento? Comprendere questi tre approcci è il modo più chiaro per afferrare come funziona realmente l'apprendimento automatico.
Punti chiave
- Apprendimento supervisionato — apprende da esempi etichettati che includono la risposta corretta. È il tipo più comune.
- Apprendimento non supervisionato — apprende da dati non etichettati, individuando autonomamente strutture nascoste.
- Apprendimento per rinforzo — apprende tramite tentativi ed errori, guidato da ricompense e penalità.
- Il fattore determinante è il tipo di dati disponibili: risposte, assenza di risposte o un ambiente in cui agire.
La domanda che li distingue
L'apprendimento automatico consiste nell'apprendere dal feedback. I tre tipi differiscono completamente per quanto riguarda il tipo di feedback ricevuto dal sistema:
- Supervisionato: «Ecco degli esempi con le risposte corrette. Impara a riprodurli.»
- Non supervisionato: «Ecco dei dati senza risposte. Trova tu stesso la struttura.»
- Per rinforzo: «Ecco un ambiente. Agisci, e ti ricompenserò o punirò.»
Questo è l'intero quadro concettuale. Tutto ciò che segue è dettaglio.
Apprendimento supervisionato
Nell'apprendimento supervisionato, ogni esempio di addestramento è accompagnato da un' etichetta — ovvero la risposta corretta. Il modello analizza migliaia di coppie input-risposta e impara la relazione tra di esse, in modo da poter prevedere la risposta per nuovi input.
Per costruire un filtro antispam, si forniscono al modello migliaia di email, ciascuna etichettata come «spam» o «non spam». Il modello impara i pattern che le distinguono e può quindi classificare una nuova email mai vista prima. La «supervisione» è rappresentata dalle etichette — analogamente a un insegnante che fornisce una griglia di correzione.
L'apprendimento supervisionato risolve due tipi di problema:
- Classificazione — previsione di una categoria. Spam o non spam? Quale malattia? Quale animale è presente nella foto?
- Regressione — previsione di un valore numerico. A quale prezzo? Qual sarà la temperatura domani? Quante vendite?
Perché è il più diffuso: la maggior parte dei problemi aziendali più rilevanti sono problemi di previsione, e i dati etichettati — sebbene talvolta costosi da produrre — generano modelli precisi e misurabili. Il costo principale è proprio questo: qualcuno deve etichettare i dati.
Apprendimento non supervisionato
Nell'apprendimento non supervisionato, i dati non hanno etichette — solo input, senza risposte. Il compito del modello è individuare autonomamente strutture, schemi o raggruppamenti, senza che venga indicato cosa cercare.
Fornisci a un modello non supervisionato i tuoi dati sui clienti e potrebbe scoprire che questi si suddividono naturalmente in diversi gruppi distinti — senza che nessuno abbia definito tali gruppi in anticipo. Tu scopri la struttura, invece di specificarla.
Usi comuni:
- Clustering — raggruppamento di elementi simili: segmenti di clienti, documenti correlati, immagini simili.
- Rilevamento di anomalie — segnalazione di punti dati che non seguono lo schema previsto: frodi, difetti, guasti del sistema.
- Riduzione della dimensionalità — semplificazione di dati complessi mantenendone tuttavia la struttura essenziale, spesso per visualizzarli o per alimentarli a un altro modello.
Perché è importante: la stragrande maggioranza dei dati reali è non etichettata, perché l’etichettatura è costosa. L’apprendimento non supervisionato estrae valore da questi dati — ed è eccellente per l’esplorazione, quando non sai ancora cosa stai cercando.
Apprendimento per rinforzo
L’apprendimento per rinforzo è il più diverso dei tre. Non esiste un dataset fisso. Invece, un agente interagisce con un ambiente: compie azioni e l’ambiente risponde con ricompense (per le azioni corrette) o penalità (per quelle errate). Dopo numerosi tentativi, l’agente apprende una strategia in grado di massimizzare la ricompensa totale.
Apprende come potresti imparare a giocare a un videogioco — non leggendo un manuale, ma giocando, sbagliando, notando quali azioni fruttano punti e migliorando progressivamente. Nessuno indica la mossa "corretta"; l’agente la scopre attraverso le conseguenze delle proprie azioni.
Usi comuni:
- Intelligenza artificiale per giochi — sistemi che raggiungono livelli sovrumani in giochi complessi.
- Robotica — insegnare ai robot a camminare, afferrare oggetti e mantenere l’equilibrio.
- Sistemi di controllo — ottimizzazione dei consumi energetici, del traffico stradale o della logistica.
- Affinamento di modelli di intelligenza artificiale — l’apprendimento per rinforzo basato sul feedback umano aiuta ad allineare i grandi modelli linguistici con ciò che gli utenti desiderano effettivamente.
Perché è potente, e difficile: l’apprendimento per rinforzo può scoprire strategie che nessun essere umano penserebbe mai di specificare. Tuttavia, è complesso: richiede un ambiente in cui esercitarsi (spesso una simulazione), può necessitare di un numero enorme di tentativi e progettare correttamente la funzione di ricompensa è davvero arduo.
Confronto affiancato
| Aspetto | Supervisionato | Non supervisionato | Per rinforzo |
|---|---|---|---|
| Dati di addestramento | Etichettati (input + risposta) | Non etichettati (solo input) | Nessun dataset — un ambiente |
| Obiettivo | Prevedere la risposta corretta | Individuare strutture nascoste | Massimizzare la ricompensa totale |
| Feedback | La risposta corretta | Nessuno | Ricompense e penalità |
| Esempio | Rilevamento di spam | Segmentazione dei clienti | Intelligenza artificiale per giochi |
| Ideale quando hai… | Esempi etichettati | Molti dati non etichettati | Un ambiente in cui agire |
Come scegliere
La scelta dipende dai dati e dal problema che hai:
- Hai esempi etichettati e vuoi fare una previsione → apprendimento supervisionato.
- Hai dati non etichettati e vuoi scoprirne la struttura → apprendimento non supervisionato.
- Hai un ambiente in cui un agente può agire ed essere valutato → apprendimento per rinforzo.
Nella pratica, i confini si sfumano. Molti sistemi moderni combinano diversi approcci: ad esempio, apprendono dapprima schemi utili da dati non etichettati, quindi li affinano con un numero ridotto di etichette. Anche i grandi modelli linguistici (LLM) vengono addestrati con una combinazione di metodi: apprendono da testi massicci non etichettati, quindi vengono affinati mediante feedback umano tramite apprendimento per rinforzo.
Oltre i tre grandi: apprendimento autovisionato, semi-supervisionato e sistemi ibridi
La suddivisione in tre categorie è il modello mentale più adatto per iniziare, ma i sistemi di intelligenza artificiale più importanti del 2026 non rientrano perfettamente in un’unica categoria. Due ulteriori famiglie occupano gli spazi intermedi, e i sistemi che utilizzi quotidianamente ne combinano tutti e tre.
Apprendimento autovisionato è il trucco che ha reso possibile lo sviluppo dei grandi modelli linguistici. Appare non supervisionato perché nessun essere umano etichetta i dati, ma funziona come l’apprendimento supervisionato sotto il cofano: il modello genera autonomamente le proprie etichette sfruttando la struttura dei dati grezzi. Nascondi la parola successiva in una frase e chiedi al modello di prevederla; nascondi un token nel mezzo e chiedigli di riempire il vuoto. La risposta è già presente nel testo, quindi l’«etichetta» è gratuita. Addestrando il modello su miliardi di frasi, esso apprende grammatica, fatti e schemi di ragionamento senza che nessuno debba annotare alcunché. Ogni moderno LLM — GPT, Claude, Gemini, Llama — viene pre-addestrato in questo modo.
Apprendimento semi-supervisionato affronta un problema più pratico: le etichette sono costose, i dati non etichettati sono economici. Combina un piccolo insieme etichettato con uno molto più ampio di dati non etichettati, utilizzando gli esempi etichettati per ancorare il modello e quelli non etichettati per affinarne la comprensione della struttura dei dati. È il metodo più utilizzato ogni volta che etichettare manualmente ogni singolo dato risulta troppo oneroso — ad esempio nell’analisi di immagini mediche, nel rilevamento di frodi o nella moderazione dei contenuti — ma è comunque possibile etichettare una porzione significativa.
La lezione più importante è che i sistemi produttivi sono pipeline, non paradigmi singoli. Un chatbot come ChatGPT o Claude viene costruito in stadi che impiegano tutti e tre i tipi originari:
- Pre-addestramento autovisionato insegna al modello base la conoscenza linguistica e del mondo partendo da testi grezzi.
- Affinamento supervisionato lo modella successivamente con esempi curati di domande e risposte, in modo che segua correttamente le istruzioni.
- Apprendimento per rinforzo — in particolare l’apprendimento per rinforzo basato sul feedback umano (RLHF) — utilizza i punteggi di preferenza espressi dagli esseri umani come segnale di ricompensa per rendere le risposte più utili e meno dannose.
Pertanto, quando qualcuno chiede se un LLM sia «supervisionato o non supervisionato», la risposta onesta è: entrambi, e anche per rinforzo, in sequenza. Le categorie non sono squadre rivali tra cui scegliere obbligatoriamente. Sono strumenti, e i sistemi più potenti scelgono quello più adatto a ciascuna fase del lavoro.
Domande frequenti
Quali sono i tre tipi di machine learning?
L’apprendimento supervisionato (apprendimento da esempi etichettati che includono le risposte corrette), l’apprendimento non supervisionato (individuazione di strutture in dati non etichettati) e l’apprendimento per rinforzo (apprendimento mediante tentativi ed errori, basato su ricompense e penalità). Questi tre approcci differiscono per il tipo di feedback ricevuto dal sistema durante l’apprendimento.
Qual è la differenza tra apprendimento supervisionato e non supervisionato?
L’apprendimento supervisionato utilizza dati etichettati — ogni esempio include la risposta corretta — e impara a prevedere tali risposte. L’apprendimento non supervisionato utilizza dati non etichettati e individua autonomamente schemi o raggruppamenti, senza alcuna risposta fornita. L’apprendimento supervisionato effettua previsioni; quello non supervisionato scopre strutture.
Cos’è l’apprendimento per rinforzo, spiegato in termini semplici?
L’apprendimento per rinforzo è un processo in cui un agente di intelligenza artificiale impara interagendo con un ambiente: compie azioni e riceve ricompense per quelle positive e penalità per quelle negative. Dopo numerosi tentativi, impara una strategia in grado di massimizzare la ricompensa — analogo all’apprendimento di un gioco attraverso la sua ripetuta esecuzione.
Quale tipo di apprendimento automatico è più comune?
L’apprendimento supervisionato è il più diffuso, poiché la maggior parte dei problemi aziendali più rilevanti riguarda la previsione e i dati etichettati consentono di costruire modelli precisi e misurabili. L’apprendimento non supervisionato è invece comunemente usato per l’esplorazione dei dati e il rilevamento di anomalie, mentre l’apprendimento per rinforzo è più specializzato.
È possibile combinare diversi tipi di apprendimento automatico?
Sì. Molti sistemi moderni integrano diversi approcci: ad esempio, apprendono dapprima schemi da dati non etichettati, quindi li affinano con esempi etichettati. I grandi modelli linguistici vengono addestrati con una combinazione di metodi, inclusa l’applicazione dell’apprendimento per rinforzo basato sul feedback umano per allinearli alle esigenze degli utenti.
ChatGPT utilizza apprendimento supervisionato o non supervisionato?
Entrambi, oltre all’apprendimento per rinforzo. Il modello base viene pre-addestrato con apprendimento autovisionato (una forma di apprendimento non supervisionato in cui il testo fornisce autonomamente le etichette prevedendo la parola successiva). Viene poi affinato con un addestramento supervisionato su esempi curati e infine perfezionato con l’apprendimento per rinforzo basato sul feedback umano. Nessun singolo paradigma è sufficiente a costruire un moderno chatbot: essi vengono combinati in stadi successivi.
Cos’è l’apprendimento semi-supervisionato?
L’apprendimento semi-supervisionato combina una piccola quantità di dati etichettati con una grande quantità di dati non etichettati. Si etichetta la porzione che si riesce a permettersi, lasciando poi che il modello utilizzi la struttura della maggioranza non etichettata per generalizzare meglio di quanto sarebbe possibile con le sole etichette. È comune in ambiti come l’analisi di immagini mediche e il rilevamento di frodi, dove l’etichettatura da parte di esperti è lenta e costosa, ma i dati grezzi sono abbondanti.
Quale tipo di apprendimento automatico dovrebbe studiare per primo un principiante?
Inizia con l’apprendimento supervisionato. È il più intuitivo, il più diffuso nel mondo industriale e la base per i progetti più chiari e accessibili ai principianti — ad esempio prevedere un prezzo, classificare un’e-mail come spam o riconoscere una cifra. Una volta che ti sentirai a tuo agio con l’addestramento, la verifica e la valutazione di un modello supervisionato, il clustering non supervisionato e le nozioni fondamentali dell’apprendimento per rinforzo saranno molto più facili da comprendere, perché avrai già interiorizzato il flusso di lavoro di base.
Conclusione
I tre tipi di apprendimento automatico rappresentano semplicemente tre risposte alla domanda «quale tipo di feedback riceve il sistema?» Apprendimento supervisionato riceve le risposte corrette e impara a prevederle. Apprendimento non supervisionato non riceve risposte e impara a individuare strutture. Apprendimento per rinforzo riceve ricompense e penalità e impara una strategia vincente.
La scelta non dipende da una preferenza personale, ma dai dati e dal problema che si ha davanti. Comprendere chiaramente questo schema rende molto più facile seguire il resto dell’apprendimento automatico. Per contestualizzare meglio l’argomento, inizia da cos’è l’apprendimento automatico, quindi esplora gli algoritmi alla base di ciascun tipo.
