Quando si parla di intelligenza artificiale, le parole algoritmo e modello vengono usate spesso come sinonimi. In realtà descrivono due cose diverse, e capire la differenza ti aiuta a leggere con più chiarezza tutto quello che riguarda l’IA.
In questa lezione lo vediamo con calma, partendo da zero e usando esempi concreti. Alla fine saprai dire con precisione cosa è un algoritmo, cosa è un modello e perché non sono la stessa cosa.
Di cosa parleremo..
In parole semplici: la ricetta e il piatto
Immagina di avere una ricetta e di cucinare una torta. La ricetta è il procedimento: gli ingredienti da usare, i passaggi, le temperature, i tempi. La torta è il risultato finale, qualcosa che prima non esisteva.
La ricetta non si mangia. La torta sì. E la stessa ricetta, cambiando gli ingredienti o il forno, produce torte diverse.
Nell’IA funziona allo stesso modo:
- Algoritmo: il procedimento di apprendimento, la ricetta.
- Dati: gli esempi su cui si impara, gli ingredienti.
- Modello: il risultato dell’apprendimento, la torta pronta.
Tre cose distinte che lavorano insieme, ma che non vanno confuse.
Cos’è un algoritmo, davvero
Un algoritmo è una sequenza finita di passi che, partendo da un input, produce un output. Nulla di misterioso: è una procedura scritta da una persona, con regole esplicite.
Un esempio che usi ogni giorno senza pensarci è l’ordinamento alfabetico. Prendi una lista di nomi, li confronti tra loro e li disponi in ordine. Il procedimento è chiaro, ripetibile e definito a mano: quello è un algoritmo.
Le caratteristiche di un algoritmo
- È definito: ogni passo è chiaro e non ambiguo.
- È finito: prima o poi termina.
- È ripetibile: con lo stesso input produce lo stesso output.
- È scritto da qualcuno: non impara da solo.
Attenzione a questo punto, perché è quello che genera confusione. Un algoritmo di machine learning non contiene le regole del problema. Contiene le regole per imparare le regole del problema. La logica di apprendimento è scritta a mano, la conoscenza finale no.
Cos’è un modello, allora
Un modello è ciò che resta dopo l’addestramento: un insieme di parametri, cioè pesi e bias, che dato un input produce una previsione. Non è una procedura scritta a mano, è il risultato dell’esecuzione di quella procedura sui dati.
Facciamo un esempio. Immagina di voler riconoscere se una email è spam. Non scrivi una lista di regole del tipo, se contiene la parola vincita allora è spam. Dai invece all’algoritmo migliaia di email già etichettate e lascia che trovi da solo gli schemi utili. Al termine dell’addestramento ottieni un modello: un oggetto che prende in ingresso una email nuova e restituisce una probabilità di spam.
Il modello non sa spiegarti le regole in modo pulito, le ha incorporate nei suoi numeri. Ed è questo che lo rende diverso da un algoritmo tradizionale.
Perché non sono la stessa cosa: tre differenze chiave
1. Uno è il metodo, l’altro è il risultato
L’algoritmo è il come si impara. Il modello è il cosa si è imparato. Puoi leggere un algoritmo e capirlo. Un modello lo puoi solo usare o analizzare statisticamente.
2. L’algoritmo è fisso, il modello cambia
Un algoritmo di discesa del gradiente è sempre quello, identico per tutti. Ma se lo esegui su dati diversi ottieni modelli completamente diversi. Cambiando i dati cambia il modello, non l’algoritmo.
3. Da un algoritmo nascono infiniti modelli
Un solo algoritmo di addestramento, applicato a problemi diversi, produce migliaia di modelli: uno per prevedere le vendite, uno per tradurre testi, uno per riconoscere immagini. L’algoritmo è uno, i modelli sono tanti.
Un esempio concreto: prevedere il prezzo di una casa
Mettiamo tutto insieme con un caso pratico.
- L’algoritmo: scegli la regressione lineare, cioè il metodo con cui il computer cercherà la relazione tra le caratteristiche di una casa e il suo prezzo.
- I dati: raccogli 10.000 annunci con metri quadri, numero di stanze, zona e prezzo finale.
- Il modello: dopo l’addestramento ottieni una formula con dei numeri precisi, per esempio un peso per i metri quadri, uno per la zona e uno per le stanze. Quella formula è il modello.
Ora dai al modello una casa nuova e lui ti restituisce una stima del prezzo. Se domani raccogli dati migliori e riaddestri, l’algoritmo resta lo stesso, il modello cambia e diventa più preciso.
E il “modello” nel linguaggio comune
Quando leggi GPT, Claude o Gemini, stai leggendo i nomi di modelli, non di algoritmi. Gli algoritmi dietro sono le architetture di apprendimento, come i Transformer. I nomi che vedi in giro sono i risultati finali di quell’addestramento, versioni precise con parametri precisi.
Questo spiega anche una frase che senti spesso: hanno addestrato un nuovo modello. Significa che hanno eseguito di nuovo l’algoritmo, magari su più dati, ottenendo un risultato diverso.
Perché è utile saperlo
Sapere distinguere algoritmo e modello ti serve in tre situazioni molto pratiche:
- Quando leggi un annuncio: nuovo algoritmo e nuovo modello vogliono dire cose diverse.
- Quando valuti un problema: se i risultati sono deludenti, la domanda giusta è se il metodo è sbagliato oppure se i dati non bastano.
- Quando parli con uno sviluppatore: usare i termini corretti evita fraintendimenti inutili.
Domande frequenti
Il modello è un algoritmo?
No. Il modello è il risultato dell’applicazione di un algoritmo ai dati. L’algoritmo è il procedimento di apprendimento, il modello è ciò che resta dopo quel procedimento.
Posso avere un modello senza algoritmo?
No. Per arrivare a un modello serve sempre un algoritmo di apprendimento. Puoi però usare un modello senza conoscere l’algoritmo che lo ha prodotto, ed è quello che succede nella maggior parte dei casi.
Perché si dice addestrare un modello e non addestrare un algoritmo?
Perché l’oggetto che impara è il modello, non l’algoritmo. L’algoritmo è lo strumento con cui avviene l’apprendimento, il modello è ciò che assorbe la conoscenza.
Se cambio algoritmo, il modello cambia?
Sì, quasi sempre. Algoritmi diversi trovano soluzioni diverse sugli stessi dati. Per questo la scelta del metodo conta tanto quanto la qualità dei dati.
