Non aggiorniamo più il servizio Amazon Machine Learning né accettiamo nuovi utenti. Questa documentazione è disponibile per gli utenti esistenti, ma non la aggiorneremo più. Per ulteriori informazioni, consulta la paginaCos'è Amazon Machine Learning.
Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
Quando usare il Machine Learning
È importante ricordare che ML non è una soluzione per ogni tipo di problema. Vi sono alcuni casi in cui è possibile sviluppare soluzioni affidabili senza usare le tecniche ML. Ad esempio, non è necessario servirsi di ML se è possibile determinare un valore di destinazione utilizzando regole semplici, calcoli o fasi predeterminati che possono essere programmati senza che occorra un apprendimento basati sui dati.
Utilizzare il machine learning per le seguenti situazioni:
Non è possibile codificare le regole: Molte attività umane (ad esempio riconoscere se un'e-mail è spam o non spam) non possono essere svolte adeguatamente utilizzando una semplice (deterministica) soluzione basata su regole. Un numero elevato di fattori possono influenzare la risposta. Quando le regole dipendono da troppi fattori e molte di queste regole si sovrappongono o devono essere ottimizzate in modo molto accurato, le persone incontrano difficoltà a effettuare una codifica accurata di tali regole. È possibile utilizzare ML in modo efficiente per risolvere il problema.
Non è possibile scalare: È possibile riconoscere manualmente alcune centinaia di e-mail e decidere se si tratta di spam o meno. Tuttavia, questa operazione diventa noiosa quando si parla di milioni di e-mail. Le soluzioni ML sono efficaci quando si tratta di gestire problemi su vasta scala.
