Condizione definita
Se il nome contiene “fattura”, sposta il file nella cartella fatture.
Percorso progressivo
Dalle parole al funzionamento.
Questo livello intermedio costruisce un ponte tra intuizione e implementazione: una mappa per leggere dati, modelli, algoritmi e automazione senza perdere il filo.
Lo stesso problema, strumenti diversi
Organizzare documenti: regola, RPA, machine learning o AI generativa?
Gli strumenti possono collaborare, ma rispondono a esigenze differenti.
Sequenza operativa
Apri la casella email, salva l’allegato, rinominalo e aggiorna il registro.
Classificazione appresa
Classifica il documento osservando testo e struttura, anche quando il nome non è chiaro.
Bozza da verificare
Prepara una sintesi del contenuto e una prima risposta sottoposta a revisione umana.
AI, ML e algoritmi
Tre cerchi collegati, non tre sinonimi.
Intelligenza artificiale è il campo più ampio: comprende sistemi che eseguono compiti come classificare, stimare, cercare o generare. Il machine learning è una parte dell’AI in cui la regola viene appresa dai dati. Un algoritmo è invece una sequenza definita di passi: può essere statistico, deterministico o appreso.
La domanda viene prima dello strumento: descrivere, prevedere, classificare, raggruppare, trovare anomalie o scegliere una priorità richiedono famiglie di metodi diverse.
Tipi di dati
La forma del dato orienta il metodo.
Tabelle
Righe, colonne, categorie e misure. Esempi: prezzi, sensori, KPI, composizioni, bilanci.
Serie temporali
Valori ordinati nel tempo. Ritmo, trend, stagionalità, regime e cambiamento diventano centrali.
Testi e documenti
Relazioni, avvisi, articoli e PDF richiedono parsing, ricerca, sintesi e controllo delle fonti.
Immagini e mappe
Pixel, bande satellitari e coordinate descrivono forma, materia, temperatura e spazio.
Grafi e reti
Nodi e relazioni rappresentano filiere, dipendenze, citazioni, flussi o connessioni.
Eventi e log
Una sequenza di fatti discreti racconta trigger, eccezioni, transizioni e stato del sistema.
Metodi e domande
Ogni metodo risponde a una domanda precisa.
Il nome tecnico viene dopo la domanda concreta.
| Famiglia | Domanda semplice | Esempio quotidiano o applicativo |
|---|---|---|
| Regole | La condizione è vera? | Segnalare un documento scaduto. |
| Regressione | Quanto potrebbe valere? | Stimare un consumo. |
| Classificazione | A quale categoria appartiene? | Ordinare una richiesta. |
| Clustering | Quali casi si assomigliano? | Raggruppare profili di comportamento. |
| Rilevamento anomalie | Che cosa è insolito? | Individuare un sensore fuori dal normale. |
| Serie temporali | Come cambia nel tempo? | Stimare domanda o temperatura. |
| Reti neurali | Quale struttura complessa è presente? | Riconoscere elementi in immagini o testi. |
Ciclo del machine learning
Addestrare non significa aver dimostrato.
- Definire il target: cosa si vuole stimare e quando diventa osservabile.
- Costruire le feature: rappresentazioni disponibili al momento della decisione.
- Separare il tempo: training, validazione e test senza leakage.
- Confrontare una baseline: il modello deve aggiungere valore rispetto a una regola semplice.
- Misurare l’incertezza: errori, calibrazione e stabilità per periodo.
- Monitorare: dati, drift, failure mode e risultati maturati.
Automazione dati e RPA
Il valore emerge quando il processo resta leggibile.
Trigger
Orario, evento, nuovo file, API aggiornata o comando manuale.
Acquisizione
Retry, timeout, data della fonte, licenze e provenienza.
Controllo
Schema, unità, valori mancanti, range e freschezza.
Calcolo
Regole, statistiche, ML, geospazio o composizione documentale.
Decisione
Pubblicare, saltare, bloccare, degradare o richiedere revisione.
Traccia
Stato, artifact, log, hash e URI rendono il percorso ricostruibile.