Nell’apprendimento automatico tradizionale, la valutazione di un modello si basa su metriche come accuratezza, precisione (precision) e recupero (recall) che sono misure di adeguatezza tra il modello e i dati di test. Il presupposto è semplice: i dati usati nella fase di test offrono una buona rappresentazione del mondo reale. Tuttavia questa assunzione è, spesso, una semplificazione eccessiva.
i criteri
Valutare l’IA: dal test set al monitoraggio continuo
La valutazione modelli IA basata solo su test set può risultare inadeguata. I dati di prova spesso non rappresentano la realtà, ignorando casi rari e cambiamenti nel tempo. Serve un approccio dinamico che verifichi l’adattamento del modello al contesto reale d’uso
Pubblicato il 14 ott 2025
Paolo Ceravolo
Associate Professor SESAR Lab – Dipartimento di Informatica Università degli Studi di Milano
Continua a leggere questo articolo
Con o Senza – Galaxy AI per il business
Tutti
PA digitale
AI per il lavoro
Mobile security
Filtra per topic
