Che differenza c'è tra machine learning e deep learning?

Il machine learning (ML) è la disciplina che comprende tutti i modelli che imparano pattern dai dati invece di seguire regole scritte a mano: regressioni, alberi decisionali, random forest, gradient boosting, reti neurali. Il deep learning (DL) è il sottoinsieme del ML basato specificamente su reti neurali profonde, cioè con molti strati: è la tecnologia dietro i modelli linguistici, la visione artificiale moderna e quasi tutta l'AI generativa di cui si parla dal 2023 in poi. La confusione tra i due termini è comune perché nel linguaggio corrente "intelligenza artificiale" viene usato come sinonimo di entrambi, ma la relazione è di inclusione: il deep learning usa reti neurali con molti strati per estrarre pattern complessi dai dati grezzi, invece di richiedere che quei pattern vengano definiti a mano da un esperto di dominio. Capire questa gerarchia conta perché la scelta tra un modello classico e uno di deep learning non è questione di quale sia più avanzato, ma di quale sia adatto al problema.

Deep learning è il motore dell'AI generativa, non tutto il ML

Ogni deep learning è machine learning, ma non ogni machine learning è deep learning. I grandi modelli linguistici (LLM) sono reti neurali profonde addestrate su enormi quantità di testo: sono deep learning allo stato puro. Ma un modello di gradient boosting che prevede il churn di un cliente da dieci feature tabellari è machine learning altrettanto legittimo, senza una singola rete neurale coinvolta, e spesso più adatto al compito.

Quando il modello "classico" vince ancora

Nell'entusiasmo per l'AI generativa si dimentica spesso che, su molti problemi aziendali concreti (previsione della domanda, scoring del rischio di credito, rilevamento frodi su dati tabellari strutturati), un modello ML classico batte un deep learning per accuratezza, costo di addestramento, velocità di inferenza e, non meno importante, spiegabilità: un albero decisionale si può motivare a un revisore o a un cliente in modo che una rete neurale profonda spesso non permette. La scelta giusta non è "il più avanzato", ma quello proporzionato al problema, alla quantità di dati disponibili e al bisogno (o meno) di poter spiegare la decisione. Il deep learning ha senso quando il problema richiede di catturare pattern complessi in dati non strutturati: testo, immagini, audio.