AI, machine learning e deep learning: le differenze spiegate semplici
di Salvatore Croce · Pubblicato il 30 ottobre 2026 · 3 min di lettura
L'intelligenza artificiale è il campo più ampio: tutte le tecniche che fanno svolgere a una macchina compiti intelligenti. Il machine learning ne è un sottoinsieme, in cui il sistema impara dagli esempi invece di seguire regole scritte a mano. Il deep learning è a sua volta un sottoinsieme del machine learning, basato su reti neurali con molti strati.
Una mappa a tre cerchi
Immagina tre cerchi concentrici. Quello esterno è l'intelligenza artificiale, quello di mezzo è il machine learning, quello interno è il deep learning. Ogni cerchio è contenuto nel precedente: il deep learning è machine learning, e il machine learning è AI, ma non vale il contrario.
Intelligenza artificiale: il campo più ampio
Sotto il nome di AI rientrano tutte le tecniche che permettono a un sistema di comportarsi in modo "intelligente". Include anche i sistemi classici basati su regole scritte da esperti, come "se il paziente ha febbre e tosse, allora suggerisci questo esame". Non tutta l'AI impara dai dati.
Machine learning: imparare dagli esempi
Nel machine learning (apprendimento automatico) nessuno scrive le regole: il sistema le ricava da un insieme di esempi. Esistono tre famiglie principali:
- Apprendimento supervisionato: gli esempi hanno già la risposta (email etichettate come spam o non spam) e il modello impara a prevederla.
- Apprendimento non supervisionato: non ci sono risposte, il modello cerca gruppi e schemi da solo (ad esempio segmenti di clienti simili).
- Apprendimento per rinforzo: il sistema prova azioni e riceve ricompense o penalità (giochi, robotica, ottimizzazione).
Deep learning: reti neurali profonde
Il deep learning usa reti neurali artificiali con molti strati. Ogni strato trasforma i dati e li passa al successivo, fino a estrarre schemi anche molto complessi. È particolarmente efficace sui dati non strutturati come immagini, audio e testo, ma richiede molti dati e molta potenza di calcolo. È la tecnica dietro il riconoscimento vocale, il riconoscimento delle immagini, la traduzione automatica e i grandi modelli linguistici.
Quando serve cosa
- Regole chiare e stabili: spesso basta un software tradizionale, senza AI.
- Dati in tabella (clienti, vendite, transazioni) e problemi di previsione: il machine learning classico, come regressioni e alberi decisionali, funziona spesso bene ed è più facile da spiegare.
- Immagini, audio, testo libero: il deep learning è di norma la scelta migliore.
Perché la distinzione conta per le aziende
Scegliere la tecnica sbagliata costa: un modello di deep learning richiede più dati, più calcolo e risulta più difficile da spiegare di un modello classico. La spiegabilità conta anche per la conformità: quando un sistema incide su persone, ad esempio nella selezione del personale o nel credito, bisogna saper motivare le sue decisioni.
Domande frequenti
Il machine learning è intelligenza artificiale?
Sì. Il machine learning è un sottoinsieme dell'AI: la parte in cui i sistemi imparano dai dati invece di seguire regole scritte a mano.
Qual è la differenza tra machine learning e deep learning?
Il deep learning è un tipo di machine learning che usa reti neurali con molti strati. È molto potente su immagini, audio e testo, ma richiede più dati e più potenza di calcolo.
ChatGPT è deep learning?
Sì. ChatGPT si basa su un grande modello linguistico, cioè una rete neurale profonda, e rientra nell'AI generativa.
Serve sempre il deep learning?
No. Per molti problemi con dati in tabella un modello di machine learning classico è sufficiente, più economico e più facile da spiegare.
Vuoi approfondire?
Continua a leggere
Non perderti le prossime uscite
Un'email occasionale con una selezione dei fatti più rilevanti su AI e regolamentazione, dal mio punto di osservazione.