Tendenze nel campo dell'apprendimento automatico 2026: i cambiamenti tecnologici e il loro impatto sul mondo degli affari

Uno dei problemi più annosi del machine learning è ancora molto attuale: si addestra un modello in un determinato ambiente, lo si trasferisce in un contesto leggermente diverso e si assiste a un calo delle prestazioni.

La generalizzazione di dominio mira a garantire che i modelli mantengano la loro validità su distribuzioni di dati che non hanno mai visto prima. Uno studio del 2026 sulla classificazione dei modelli in ambienti non osservati descrive esattamente questo problema: cambiamenti nei sensori, nelle condizioni di acquisizione o in altre caratteristiche del dominio possono essere sufficienti a compromettere gravemente un modello.

È facile immaginare come ciò avvenga nella pratica. Un modello di visione artificiale addestrato in uno stabilimento deve funzionare in un altro stabilimento dotato di telecamere diverse. Un modello medico viene trasferito in un altro ospedale. Un modello antifrode si trova a gestire una nuova popolazione di clienti.

Ho il sospetto che questo diventerà meno una specializzazione di ricerca e più un requisito fondamentale per l'implementazione.

La maggior parte dei modelli di produzione continua ad apprendere a fasi: raccolta di nuovi dati, riaddestramento, convalida, nuova implementazione.

L'apprendimento continuo punta a un processo più fluido. Il modello continua ad apprendere man mano che arrivano nuovi dati, senza dimenticare ciò che sapeva in precedenza.

È proprio quest'ultima parte il problema.

Una revisione sistematica del 2026 su 189 articoli sottoposti a revisione paritaria sull’apprendimento continuo identifica ancora l’oblio catastrofico come uno dei problemi centrali del settore: imparare qualcosa di nuovo può compromettere le prestazioni in compiti precedenti.

Quindi non sostituirei la formazione periodica con l’apprendimento continuo solo perché il nome suona meglio. Ma per quanto riguarda l’individuazione delle frodi, i sistemi industriali, i sistemi di raccomandazione e altri contesti in continua evoluzione, il vantaggio è evidente.

C'è qualcosa di un po' buffo nel passare anni a cercare di far apprendere alle reti neurali ogni cosa dai dati, solo per scoprire che la fisica che conosciamo può ancora tornare utile.

Il NeuralGCM di Google ne è un ottimo esempio. Questo modello combina l’apprendimento automatico con un risolutore atmosferico basato sulla fisica, anziché affidare l’intero compito a uno solo dei due. In studi pubblicati su Nature, il modello ha prodotto previsioni meteorologiche e climatiche competitive utilizzando da tre a cinque ordini di grandezza in meno di risorse computazionali rispetto a modelli convenzionali comparabili.

Quell'idea va ben oltre il semplice tempo atmosferico.

Se conosciamo già i vincoli fisici, le regole ingegneristiche o altre relazioni specifiche del settore, inserirli nel modello può avere più senso che chiedere a una rete neurale di riscoprire la gravità partendo da un foglio di calcolo.

La previsione risponde a domande quali:

Chi è più a rischio di abbandono?

Le aziende di solito vogliono sapere qual è la domanda successiva:

Chi resterà se offriamo loro uno sconto?

Si tratta di una domanda di natura causale.

Il machine learning causale combina l'apprendimento automatico con l'inferenza causale per stimare cosa potrebbe accadere in presenza di diversi interventi. Questo approccio viene già utilizzato in medicina per stimare gli effetti dei trattamenti personalizzati, sebbene i ricercatori avvertano ancora che ipotesi errate e fattori di confondimento possano portare a conclusioni convincenti ma sbagliate.

Credo che questa sia una delle direzioni più interessanti in questo contesto, perché cambia lo scopo stesso del modello. La previsione descrive un futuro probabile. L'apprendimento automatico causale cerca invece di dirti se compiere una determinata azione lo modificherà.

Un problema molto più difficile.

Uno molto più utile.

Un modello che indica una “fiducia del 92%” infonde sicurezza.

Potrebbe anche essere una sciocchezza.

La calibrazione dell’incertezza mira ad allineare il livello di confidenza con l’effettiva accuratezza predittiva. Una ricerca pubblicata su Nature Machine Intelligence nel 2026 descrive la calibrazione come essenziale per un'implementazione affidabile del ML proprio perché i modelli moderni possono mostrare un alto livello di confidenza pur essendo errati.

Il cambiamento nelle modalità di distribuzione aggrava ulteriormente la situazione. Uno studio del 2026 Scientific Reports ha rilevato che i modelli predittivi possono perdere sia in termini di prestazioni che di calibrazione quando vengono applicati a set di dati eterogenei del mondo reale.

Per le aziende, il risultato utile non è un modello che fornisca sempre una risposta. A volte il modello migliore è quello che dice, in sostanza: Non ne sono molto sicuro, passalo a un essere umano.

Mi piacerebbe vederne molto di più.