Degrado temporale delle prestazioni dei modelli di Machine Learning: Un'analisi sperimentale

Negli ultimi anni, i modelli di Machine Learning sono diventati strumenti centrali in molti settori, come la finanza, la sanità, l’energia e la mobilità. Sebbene siano spesso molto efficaci, le loro prestazioni possono perdere precisione quando vengono utilizzati nel tempo, poiché le condizioni reali cambiano e i dati non riflettono più lo scenario su cui il modello è stato addestrato. Questo fenomeno, noto come degrado temporale delle prestazioni o model aging, rappresenta una delle sfide più rilevanti per i modelli predittivi. L’obiettivo di questa tesi è studiare in modo sperimentale come e quanto i modelli predittivi “invecchiano”. A tal fine è stato sviluppato un framework che consente di applicare una metodologia uniforme a diversi dataset temporali, valutando la variazione dell’errore al crescere della distanza tra addestramento e test. Questo approccio permette un confronto coerente tra domini con caratteristiche anche molto differenti. L’analisi mostra come il fenomeno dell’aging non si presenti allo stesso modo in tutti i domini, alcuni modelli degradano lentamente, altri perdono accuratezza in modo improvviso, mentre in certi casi compaiono oscillazioni dovute a variazioni stagionali. Questi risultati evidenziano l’importanza di monitorare nel tempo il comportamento dei modelli e di progettare sistemi capaci di adattarsi ai cambiamenti nei dati. La tesi offre quindi una visione chiara e comparativa dell’invecchiamento dei modelli di Machine Learning, fornendo un contributo utile alla comprensione del fenomeno e costituendo una base per futuri sviluppi metodologici e applicativi.