Confronto tra paradigmi di utilizzo dei dati: lo spettro dell'etichettatura

Il successo nel deploy di modelli di apprendimento automatico dipende criticamente dalla disponibilità, qualità e costo dei dati etichettati. In ambienti dove l'annotazione umana è costosa, impossibile o altamente specializzata, i paradigmi standard diventano inefficienti o falliscono del tutto. Presentiamo lo spettro dell'etichettatura, distinguendo tre approcci fondamentali in base a come sfruttano le informazioni:Apprendimento supervisionato (SL), Apprendimento non supervisionato (UL), e Apprendimento semi-supervisionato (SSL).

1. Apprendimento supervisionato (SL): Alta fedeltà, alto costo

SL opera su dataset in cui ogni input $X$ è esplicitamente accoppiato a un'etichetta di riferimento nota $Y$. Sebbene questo approccio raggiunga tipicamente la massima accuratezza predittiva per compiti di classificazione o regressione, la sua dipendenza da etichettature dense e di alta qualità è molto costosa in termini di risorse. Le prestazioni peggiorano drasticamente se gli esempi etichettati sono scarsi, rendendo questo paradigma fragile e spesso economicamente insostenibile per dataset massivi e in evoluzione.

2. Apprendimento non supervisionato (UL): Scoperta della struttura latente

UL opera esclusivamente su dati non etichettati, $D = \{X_1, X_2, ..., X_n\}$. Il suo obiettivo è inferire strutture intrinseche, distribuzioni di probabilità sottostanti, densità o rappresentazioni significative all'interno del manifold dei dati. Applicazioni chiave includono il clustering, l'apprendimento di manifold e l'apprendimento di rappresentazioni. UL è estremamente efficace per il preprocessing e l'engineering delle caratteristiche, fornendo intuizioni preziose senza alcuna dipendenza da input umani esterni.