Che cos'è scikit-learn, come si costruisce un modello, perché per i dati tabellari resta la scelta corretta e quanto costa rispetto al deep learning
Se dovessimo scegliere una sola libreria di machine learning in base a quanto viene realmente usata, non sarebbe nessuna delle due di cui si parla di più. Sarebbe scikit-learn, con 5,4 miliardi di download complessivi e 214 milioni negli ultimi trenta giorni — circa due volte e otto decimi quelli di PyTorch e quattordici volte quelli di TensorFlow. Il contrasto più eloquente è con le stelle su GitHub, dove la classifica è rovesciata: le stelle misurano l'entusiasmo, i download misurano il lavoro.
Questa guida percorre scikit-learn per intero — caratteristiche principali, vantaggi competitivi, costi, funzionalità avanzate e integrazioni, alternative e confronto, strategie di crescita e tendenze — ed è la terza di una serie dopo quelle su TensorFlow e PyTorch. C'è una ragione precisa per cui arriva dopo e non prima: nella maggior parte dei progetti aziendali italiani è la risposta giusta, e conviene saperlo dopo aver capito che cosa costano le alternative. Secondo l'Osservatorio del Politecnico di Milano, il 54% del mercato italiano dell'intelligenza artificiale è machine learning «classico», non generativo: è esattamente questo terreno.
Ma il 2026 ha portato una novità che rende la guida meno scontata di quanto sembri. La domanda «meglio gli alberi decisionali o le reti neurali sui dati tabellari?» aveva una risposta stabile da quattro anni — gli alberi — e non è più quella. Una famiglia di modelli fondazionali per dati tabellari è arrivata su Nature, poi a NeurIPS e a ICML, e rivendica di battere il gradient boosting messo a punto per ore, senza alcuna configurazione. C'è una sezione dedicata, con i numeri, i limiti e — punto cruciale per un'azienda — le licenze, che su uno dei due contendenti principali non consentono l'uso commerciale.
INDICE DEI CONTENUTI
- Che cos'è scikit-learn, e il numero che sorprende tutti
-
Le caratteristiche principali
- L'API che ha fatto scuola
- Pipeline e ColumnTransformer: la parte che evita l'errore più costoso
- Validazione e ricerca degli iperparametri
- Che cosa c'è dentro
- HistGradientBoosting: il modello che nella pratica si usa più di tutti
- Preprocessing, valori mancanti, categoriche
- Ispezione e calibrazione: la parte che rende un modello utilizzabile
- I vantaggi competitivi
- Costi
- Funzionalità avanzate e integrazioni
- Alternative a scikit-learn e confronto
- I modelli fondazionali tabellari: la novità del 2026
- Strategie di crescita usando scikit-learn
- Tendenze future
-
Domande frequenti
- Che cos'è scikit-learn e a che cosa serve?
- Meglio scikit-learn o PyTorch?
- scikit-learn funziona su GPU?
- Come si mette in produzione un modello scikit-learn in sicurezza?
- Devo usare XGBoost o basta il gradient boosting di scikit-learn?
- I modelli fondazionali tabellari hanno reso obsoleto scikit-learn?
- Esiste una certificazione ufficiale scikit-learn?
- L'AI Act obbliga a usare modelli interpretabili?
- In sintesi
Che cos'è scikit-learn, e il numero che sorprende tutti
scikit-learn è una libreria Python per il machine learning «classico»: classificazione, regressione, clustering, riduzione della dimensionalità, selezione del modello e preprocessing. Ha licenza BSD a tre clausole — uso commerciale libero, nessun obbligo di condividere il codice — e copre tutto ciò che non è deep learning, cioè la stragrande maggioranza dei problemi che un'azienda ha davvero: prevedere la domanda, stimare il rischio di abbandono di un cliente, classificare richieste di assistenza, individuare anomalie, assegnare un punteggio a una pratica.
I numeri, con la metodologia dichiarata
La premessa metodologica è obbligatoria, perché è l'unico modo di usare questi dati onestamente: i download dei pacchetti Python includono integrazione continua, ricostruzioni di container e mirror automatici, quindi sovrastimano largamente il numero di persone che usano una libreria, e non contano le installazioni fatte con altri sistemi di pacchetti. Servono per il confronto relativo, non per contare gli sviluppatori.
Libreria | Download totali | Ultimi 30 giorni | Stelle su GitHub |
|---|---|---|---|
scikit-learn | 5,39 miliardi | 214,5 milioni | 67,2 mila |
PyTorch | 2,07 miliardi | 77,6 milioni | 102 mila |
TensorFlow | 1,40 miliardi | 15,1 milioni | 197 mila |
Il confronto fra la seconda colonna e la quarta è il dato più interessante di tutta la guida: TensorFlow ha circa tre volte le stelle di scikit-learn e un quattordicesimo dei download. È la misura della distanza fra ciò di cui si parla e ciò che si installa la mattina per lavorare.
Chi lo mantiene, e la fragilità da conoscere
Qui la storia è diversa da quella delle altre due librerie della serie, ed è giusto raccontarla perché è un fattore di rischio da valutare. scikit-learn non appartiene a nessuno: non c'è una fondazione proprietaria come per PyTorch, né un'azienda come per TensorFlow. È un progetto guidato dalla community, con una ventina di manutentori attivi e una governance documentata pubblicamente.
Il finanziamento passa da tre canali. Il primo è Inria, l'istituto di ricerca francese, descritto dal progetto stesso come «il pilastro principale di supporto fin dall'inizio»: ha stipendiato i manutentori per un decennio e ospita il consorzio scikit-learn. Il secondo è :probabl., lo spinoff nato da Inria e lanciato pubblicamente all'inizio del 2024, in cui sono confluiti come co-fondatori i manutentori che erano in Inria: oggi è l'unico sponsor nella fascia più alta e il principale datore di lavoro del gruppo che scrive il codice. Il terzo sono gli sponsor: Intel, NVIDIA, la Chan-Zuckerberg Initiative, il Wellcome Trust, la NASA, Quansight, e — nella fascia inferiore — nomi industriali come Chanel, BNP Paribas e Michelin.
La lettura equilibrata, che è anche quella utile a chi deve decidere: scikit-learn è meno esposto al cambio di priorità di un singolo fornitore — non può succedergli ciò che è successo a TensorFlow nel marzo 2026 — ma è strutturalmente più fragile sul piano finanziario, perché dipende da un mosaico di sponsor e da una società di poche decine di persone. La mitigazione, per un'azienda, è la stessa che vale per ogni software libero maturo: la licenza è permissiva, il codice è leggibile, e il progetto ha una base d'uso talmente ampia che un abbandono improvviso è impensabile.
Le caratteristiche principali
L'API che ha fatto scuola
Il motivo per cui scikit-learn ha vinto non è un algoritmo: è una convenzione. Ogni oggetto della libreria è uno stimatore e rispetta sempre lo stesso contratto: gli iperparametri si passano al costruttore, si chiama fit per addestrare, predict per prevedere, transform per trasformare i dati, e tutto ciò che il modello ha imparato finisce in attributi che terminano con un trattino basso.
Pipeline e ColumnTransformer: la parte che evita l'errore più costoso
È il componente che separa un modello che funziona in produzione da uno che funziona solo sul portatile di chi l'ha scritto. La pipeline incatena preprocessing e modello in un unico oggetto; il trasformatore per colonne permette di applicare trattamenti diversi a gruppi di colonne diversi — scalare le numeriche, codificare le categoriche, imputare i mancanti — dentro quello stesso oggetto.
Il valore non è l'eleganza: è che la pipeline impedisce la fuga di informazione. Se si normalizzano i dati prima di dividere in addestramento e validazione, la media calcolata contiene anche i dati di validazione, il punteggio risulta migliore del vero, e il modello in produzione delude. Con una pipeline, ogni trasformazione viene ricalcolata dentro ogni ripiegamento della validazione incrociata, automaticamente. È l'errore numero uno dei progetti di machine learning aziendali, e questa è la sua soluzione strutturale.
Validazione e ricerca degli iperparametri
La libreria fornisce l'intero apparato: validazione incrociata nelle sue varianti — stratificata per mantenere le proporzioni fra classi, per gruppi quando le righe non sono indipendenti, temporale quando i dati hanno un ordine — ricerca esaustiva su una griglia di iperparametri, ricerca casuale, e le ricerche a dimezzamento successivo, che assegnano poche risorse a molti candidati ed eliminano progressivamente i peggiori. Attenzione a queste ultime: sono ancora sperimentali e vanno abilitate esplicitamente, e la documentazione dichiara che «possono essere molto più veloci» senza indicare un fattore numerico ufficiale.
La scelta della strategia di validazione è la decisione tecnica che determina se il numero che presentate al cliente è vero. Su dati con una dimensione temporale, una validazione incrociata casuale produce punteggi sistematicamente ottimistici: è l'altro errore ricorrente, dopo la fuga di informazione.
Che cosa c'è dentro
L'inventario, in breve. Modelli lineari con tutte le regolarizzazioni, e per i dati di conteggio o di importo anche le regressioni di Poisson, Gamma e Tweedie — utilissime in ambito assicurativo e di manutenzione. Macchine a vettori di supporto, vicini più prossimi, naive Bayes, alberi decisionali e gli insiemi che ne derivano: foreste casuali, alberi estremamente randomizzati, boosting. Clustering in una decina di varianti, riduzione della dimensionalità, rilevamento di anomalie, calibrazione, e un vasto catalogo di metriche.
HistGradientBoosting: il modello che nella pratica si usa più di tutti
Merita un paragrafo per sé perché è quello che risolve la maggioranza dei problemi tabellari reali. È un gradient boosting a istogrammi, dichiaratamente ispirato a una delle librerie specializzate, e ha tre proprietà che contano in azienda: gestisce nativamente i valori mancanti senza imputarli, gestisce nativamente le variabili categoriche senza espanderle in colonne binarie — cosa che la documentazione dichiara preferibile, perché la codifica binaria costringe ad alberi più profondi — e supporta vincoli di monotonicità e di interazione, cioè permette di imporre al modello comportamenti verificabili.
Su quest'ultimo punto vale la pena fermarsi, perché è un argomento che vende in ambito creditizio e assicurativo: si può imporre a priori che il rischio non diminuisca all'aumentare dell'esposizione, o che due variabili non interagiscano. È il modo in cui un modello statistico diventa difendibile davanti a chi deve approvarlo.
Una nota pratica dalla documentazione: conviene oltre le decine di migliaia di campioni, con l'arresto anticipato attivo di serie sopra i diecimila; sotto quella soglia è preferibile il boosting classico, perché la discretizzazione in istogrammi approssima troppo.
Preprocessing, valori mancanti, categoriche
Il catalogo copre standardizzazione e normalizzazione, codifica binaria e ordinale, discretizzazione, costruzione di termini polinomiali, e la codifica sul bersaglio — che sostituisce una categoria con una statistica della variabile da prevedere, calcolata in modo incrociato per non introdurre fuga di informazione. Sui valori mancanti ci sono l'imputazione semplice, quella iterativa e quella basata sui vicini; ma nelle versioni recenti la strada migliore è spesso non imputare affatto, perché il supporto nativo ai mancanti si è esteso dagli alberi a gradiente agli alberi estremamente randomizzati e, nella 1.9, anche alle foreste casuali in regressione.
Ispezione e calibrazione: la parte che rende un modello utilizzabile
Due strumenti che andrebbero usati sempre e vengono usati raramente.
L'importanza per permutazione misura quanto peggiora la performance mescolando a caso una variabile: è indipendente dal modello e — differenza cruciale — si calcola sui dati di test, mentre l'importanza basata sull'impurità degli alberi si calcola sull'addestramento ed è notoriamente distorta verso le variabili con molti valori distinti. Accanto ci sono i grafici di dipendenza parziale e le curve individuali, che mostrano come la previsione cambia al variare di una variabile.
La calibrazione risponde a una domanda diversa dall'accuratezza: quando il modello dice 80%, succede davvero l'80% delle volte? Quasi mai, di serie. La libreria offre la calibrazione sigmoidale, quella isotonica e — novità della 1.8 — la calibrazione per temperatura, particolarmente adatta al multiclasse perché usa un solo parametro. Se sulla previsione si prende una decisione economica — concedere un fido, inviare un tecnico, bloccare una transazione — una probabilità non calibrata è un numero che non si può usare.
I vantaggi competitivi
Gira su una CPU, e questo cambia il conto economico
È il vantaggio più concreto e quello che nessuno mette in slide. Un modello scikit-learn si addestra su una macchina normale, spesso in secondi o minuti, e si serve su una macchina normale. Non serve una GPU, quindi non serve né comprarla né noleggiarla.
I numeri, dal listino pubblico di Google Cloud verificato l'11 settembre 2026 in una regione statunitense: una macchina a otto vCPU e 30 GiB di memoria costa 0,395 dollari l'ora, cioè circa 285 dollari al mese se tenuta accesa ininterrottamente. Una macchina con una sola GPU di classe datacenter costa 3,67 dollari l'ora, e un nodo a otto GPU di ultima generazione 88,49 dollari l'ora, cioè circa 11 dollari per GPU. L'ordine di grandezza è da dieci a trenta volte.
Tradotto per chi decide: se il vostro problema è tabellare e lo risolvete con scikit-learn, il costo di calcolo del progetto tende a zero e il budget si sposta interamente su dati e persone, che è dove dovrebbe stare. È la ragione per cui, in un'azienda che comincia adesso, il primo progetto di machine learning non dovrebbe quasi mai essere una rete neurale.
La coerenza, che si traduce in tempo delle persone
Chi impara l'API impara tutta la libreria: cambiare algoritmo è cambiare una riga, e questo rende praticabile una cosa che nel machine learning vale più di qualunque tecnica — provare cinque modelli in un pomeriggio e scegliere il più semplice che funziona. Si somma alla qualità della documentazione, che è probabilmente la migliore dell'intero ecosistema scientifico Python: ogni stimatore ha esempi eseguibili, e la guida utente spiega anche quando non usarlo.
La conseguenza pratica per un'azienda è la reperibilità delle competenze: trovare qualcuno che sappia usare scikit-learn è facile e costa poco, mentre trovare qualcuno che sappia davvero addestrare e mettere in produzione una rete neurale è difficile e costa molto. Su un progetto che deve sopravvivere a chi lo ha scritto, è un parametro di progetto, non un dettaglio.
L'interpretabilità, che nel 2026 vale il doppio
Un modello lineare ha coefficienti che si leggono. Un albero è un insieme di regole che si stampano. Un gradient boosting ha importanze, dipendenze parziali e — se serve — vincoli imposti a priori. Tutto questo si traduce in una cosa sola: si può spiegare a chi deve approvare, che sia un comitato rischi, un revisore o un cliente. Nella sezione sull'AI Act vediamo perché questa proprietà, nel 2026, ha smesso di essere un lusso.
La stabilità
Due versioni all'anno, API che cambiano con deprecazioni annunciate e cicli lunghi, nessuna corsa alle novità. Un progetto scritto tre anni fa si aggiorna con poche modifiche. Per chi mantiene sistemi, questa noia è esattamente il prodotto che sta comprando.
Dove il vantaggio perde
Quattro limiti netti.
Primo: una macchina sola, e i dati devono starci in memoria. scikit-learn non distribuisce il calcolo su un cluster. Oltre una certa dimensione servono altri strumenti, e li vediamo nel confronto.
Secondo: niente GPU nativa. Esiste un supporto sperimentale di cui parliamo fra poco, ma la roadmap ufficiale esclude esplicitamente lo sfruttamento della GPU dagli obiettivi del progetto. Non è una svista: è una scelta.
Terzo: niente deep learning. Il perceptron multistrato incluso è didattico. Per immagini, testo libero, audio e sequenze si va altrove — e la roadmap esclude anche qui, nero su bianco, il deep learning e l'apprendimento di rappresentazioni.
Quarto: la serializzazione è un problema di sicurezza. Il formato di salvataggio più usato esegue codice al caricamento, e la documentazione ufficiale lo dice con parole molto dure. C'è una sezione dedicata.
Costi
La licenza, che è il caso più semplice di tutta la serie
BSD a tre clausole: gratuito, uso commerciale libero, nessun obbligo di rendere pubblico il proprio codice, nessuna royalty. È la licenza più permissiva fra quelle che incontrerete in questa materia, e vale la pena tenerla a mente perché — come vedremo parlando dei modelli fondazionali tabellari — non tutto ciò che gira intorno a scikit-learn è altrettanto libero.
Le voci del conto
Calcolo. Per la maggior parte dei progetti tabellari: una macchina CPU, spesso accesa solo durante l'addestramento. L'ordine di grandezza è di poche centinaia di euro l'anno, non di decine di migliaia.
Dati. È la voce grande: estrazione, pulizia, etichettatura, verifica della qualità, diritti d'uso. Su un progetto tabellare aziendale è normale che il 70-80% dello sforzo stia qui.
Persone. La seconda voce grande, con il vantaggio già detto che le competenze scikit-learn sono più diffuse e meno care di quelle di deep learning.
Esercizio. La voce che compare al secondo anno: monitoraggio della deriva dei dati, riaddestramento periodico, versionamento dei modelli, confronto fra la versione vecchia e la nuova.
Servizi commerciali. Esistono e vale la pena conoscerli: :probabl. — la società dei manutentori — offre una piattaforma di tracciamento e sviluppo, deployment all'interno della propria infrastruttura cloud, formazione e certificazione ufficiale. I prezzi non sono pubblici e passano da un contatto commerciale, quindi qui non compaiono cifre.
Tre ordini di grandezza
Prototipo su dati aziendali. Un portatile e qualche giornata di lavoro. Costo di calcolo: zero. È la ragione per cui non c'è alcuna scusa per non provare la linea di base prima di chiedere un budget.
Modello in produzione con riaddestramento mensile. Una macchina CPU accesa per qualche ora al mese per l'addestramento, più un servizio di inferenza leggero. Poche centinaia di euro l'anno di infrastruttura, con il grosso del costo nel presidio.
Decine di milioni di righe. Qui si esce dal singolo nodo, e le opzioni sono tre: campionare intelligentemente — spesso funziona meglio di quanto si creda — passare a un motore distribuito, o accelerare su GPU con gli strumenti della prossima sezione. Il salto di costo è di uno o due ordini di grandezza, e va deciso con un'analisi, non per inerzia.
Funzionalità avanzate e integrazioni
Che cosa è arrivato fra il 2024 e il 2026
Vale la pena averlo in tabella, perché diverse di queste novità risolvono problemi che le aziende affrontavano con codice scritto a mano.
Versione | Novità principali |
|---|---|
1.5 (mag 2024) | Taratura della soglia decisionale per costi di business (cost-sensitive learning); analisi delle componenti principali fino a dieci volte più veloce con il nuovo solutore |
1.6 (dic 2024) | Stimatore congelato, per riusare un modello già addestrato dentro una pipeline senza rifittarlo; passaggio di dati aggiuntivi attraverso la pipeline; valori mancanti nativi negli alberi estremamente randomizzati |
1.7 (giu 2025) | Set di validazione esplicito per il gradient boosting a istogrammi; curve ROC dai risultati della validazione incrociata; migrazione agli array sparsi |
1.8 (dic 2025) | Calibrazione per temperatura; regole di screening per le penalità L1; l'albero di regressione con errore assoluto passa da tempo quadratico a tempo n·log n — uno split su centomila campioni da circa venti secondi a circa cento millisecondi; nuovo stimatore di scaling multidimensionale |
1.9 (giu 2026) | Callback sperimentali con barra di avanzamento e monitoraggio del punteggio, anche in composizione; rappresentazione HTML arricchita con gli attributi appresi; valori mancanti e vincoli di monotonicità nelle foreste casuali in regressione |
Due funzionalità meritano una riga in più. La taratura della soglia introdotta nella 1.5 è quella che trasforma un classificatore in uno strumento di business: invece di usare la soglia di default a metà, si sceglie quella che massimizza una metrica economica — il costo di un falso positivo contro quello di un falso negativo — e si ottiene direttamente il modello che minimizza la perdita attesa. È la funzionalità che più spesso manca nei progetti fatti male.
L'instradamento dei metadati, cioè la possibilità di far arrivare pesi dei campioni, identificatori di gruppo e altri dati ausiliari fino allo stimatore giusto dentro pipeline complesse, è ancora formalmente sperimentale e va abilitato, ma un aggiornamento ufficiale dell'agosto 2026 lo definisce «piuttosto maturo nella pratica», con copertura quasi completa e adozione da parte di librerie esterne.
GPU e Array API: lo stato reale
Esiste, funziona, ed è sperimentale: va abilitato esplicitamente e sfrutta lo standard che permette a scikit-learn di lavorare su array di PyTorch, CuPy e altre librerie, quindi su GPU NVIDIA, su Apple Silicon e su GPU Intel. La copertura si è ampliata molto nelle ultime versioni — scalatura, componenti principali, regressione logistica e di Poisson, discriminante lineare, modelli gaussiani, gran parte delle metriche, e i meta-stimatori di ricerca — e un esempio ufficiale cita circa dieci volte più veloce su una GPU rispetto a un singolo core CPU.
I limiti sono però dichiarati dal progetto stesso e vanno detti: molti dispositivi non supportano la doppia precisione, con conseguente ripiego sulla precisione singola e possibile instabilità numerica; gli attributi appresi restano sul dispositivo su cui si è addestrato; e il post di rilascio della 1.9 ammette apertamente che «l'esperienza d'uso con il backend GPU non è ancora buona come con quello predefinito». Va usato sapendo che è un cantiere.
Accelerare senza cambiare il codice
Due strade, entrambe gratuite, entrambe basate sull'idea di sostituire l'implementazione sotto l'API senza toccare il codice.
L'estensione Intel applica una sostituzione a caldo degli algoritmi e si attiva con una riga o eseguendo lo script tramite il suo modulo. Una nota di attualità: non è più mantenuta direttamente da Intel ma è passata alla UXL Foundation. Il claim ufficiale nel materiale del progetto è un'accelerazione «da 10 a 100 volte», ma non è disponibile il dettaglio per singolo algoritmo né la configurazione di misura: va provato sul proprio carico, non assunto.
L'acceleratore di NVIDIA fa la stessa cosa su GPU, sempre senza modifiche al codice, eseguendo lo script attraverso il suo modulo o caricando un'estensione nel notebook. I numeri dichiarati da NVIDIA, su una GPU di classe datacenter contro un processore server, sono circa venticinque volte sulle foreste casuali, cinquanta sulla regressione lineare e sull'incorporamento t-SNE, sessanta su UMAP e centosettantacinque su HDBSCAN. Come sempre: sono misure del fornitore, su hardware specifico.
E c'è un avvertimento ufficiale che va letto con attenzione prima di fidarsi: l'acceleratore ripiega in modo trasparente sulla CPU quando un'operazione non è accelerabile, e il ripiego dipende da parametri, tipi di dati e versioni. La documentazione lo scrive senza giri di parole: «il fatto che ogni esempio termini con successo non significa che ogni operazione giri su GPU». Tradotto: misurate, non deducete.
Mettere in produzione: la sezione da leggere due volte
La documentazione ufficiale sulla persistenza dei modelli è breve e contiene l'avvertimento più esplicito dell'intero ecosistema. Sul formato di serializzazione standard di Python — e per estensione sulle librerie che ci si appoggiano — scrive che «ha molte vulnerabilità di sicurezza documentate per costruzione e dovrebbe essere usato solo se l'artefatto proviene da una fonte fidata e verificata», e che «non si dovrebbe mai caricare un file da una fonte non fidata, esattamente come non si dovrebbe mai eseguire codice da una fonte non fidata».
Le alternative documentate sono due.
skops, un formato che non usa la serializzazione insicura e carica solo tipi dichiarati fidati: si ispeziona il file per vedere che cosa contiene, si decide che cosa autorizzare, e poi si carica. È più lento, copre meno tipi e richiede lo stesso ambiente dell'addestramento, ma è la scelta corretta quando il modello attraversa un confine di fiducia.
ONNX, che esporta il modello in un formato indipendente dal linguaggio e lo fa eseguire da un runtime dedicato, senza Python: ottimo per separare l'ambiente di addestramento da quello di inferenza. Due avvertenze: non tutti gli stimatori sono convertibili e gli stimatori personalizzati richiedono lavoro; e la stessa documentazione raccomanda di servire i modelli ONNX in un ambiente isolato, perché anche quel formato può rappresentare calcoli arbitrari.
Infine la regola sul versionamento, che è netta e che quasi nessuno rispetta: non esiste alcun modo supportato di caricare un modello addestrato con una versione diversa di scikit-learn. In caso di disallineamento viene emesso un avviso, che conviene trasformare in errore. La raccomandazione ufficiale è di conservare insieme al modello i dati di addestramento o un riferimento immutabile ad essi, il codice sorgente, le versioni di tutte le dipendenze e il punteggio di validazione incrociata. È anche, non a caso, esattamente la documentazione che serve per un fascicolo di conformità.
Va detto, per equilibrio, che scikit-learn non ha advisory di sicurezza pubblicati: il rischio descritto è una proprietà del formato di serializzazione di Python, non un difetto del progetto.
L'ecosistema: che cosa è vivo e che cosa no
Progetto | A che cosa serve | Stato (set. 2026) |
|---|---|---|
imbalanced-learn | Classi sbilanciate: ricampionamento e stimatori dedicati | Attivo |
Optuna | Ottimizzazione degli iperparametri | Molto attivo, versione 5.0 a settembre 2026 |
MLflow | Tracciamento esperimenti e registro dei modelli | Molto attivo |
statsmodels | Statistica inferenziale, serie storiche, test di ipotesi | Attivo |
skrub | Dataframe «sporchi», testo e categoriche ad alta cardinalità, flussi multi-tabella | Attivo ma ancora prima della 1.0: API non garantita |
SHAP | Spiegazione locale delle previsioni | Attivo |
MAPIE | Intervalli di predizione e controllo del rischio (predizione conforme) | Attivo |
feature-engine, category_encoders | Ingegneria delle variabili e codifiche avanzate | Attivi |
scikit-optimize | Ottimizzazione bayesiana | Archiviato, in sola lettura. Usare Optuna |
PyCaret | Automazione del flusso | Nessun rilascio da oltre due anni |
auto-sklearn | AutoML | Di fatto non più mantenuto: nessun rilascio da quattro anni |
Dask-ML | Calcolo distribuito | Oltre diciannove mesi senza rilasci |
Una precisazione utile: l'organizzazione scikit-learn-contrib raccoglie una trentina di progetti, ma non è un marchio di qualità: accanto a librerie con migliaia di stelle ce ne sono con poche decine. Vale la regola solita — guardare la data dell'ultimo rilascio prima di costruirci sopra.
Fra questi merita attenzione skrub, perché è la scommessa del team: nasce nell'orbita di Inria e :probabl. e affronta il problema che scikit-learn storicamente non affronta, cioè i dati come arrivano davvero — colonne testuali, categorie con migliaia di valori, date, tabelle da unire. Offre un vettorizzatore che trasforma un dataframe in matrice senza configurazione, una pipeline tabellare di riferimento e uno strumento di esplorazione interattiva. Va però preso per quello che è: non ha ancora raggiunto la versione 1.0.
Alternative a scikit-learn e confronto
Il confronto in una tabella
Strumento | Versione (set. 2026) | Quando conviene rispetto a scikit-learn |
|---|---|---|
scikit-learn | 1.9.1 (10 set 2026) | Il riferimento per il tabellare: pipeline, validazione, modelli classici, interpretabilità |
XGBoost | 3.4.1 (15 ago 2026) | Dataset molto grandi, GPU nativa, addestramento distribuito |
LightGBM | 4.7.0 (18 lug 2026) | Velocità su molte righe e molte variabili, consumo di memoria contenuto |
CatBoost | 1.2.10 (18 feb 2026) | Variabili categoriche ad altissima cardinalità, con buoni risultati senza configurazione |
cuML (NVIDIA) | 26.08 (ago 2026) | Stessi algoritmi su GPU, anche senza modificare il codice |
statsmodels | 0.15.0 (27 ago 2026) | Quando servono test di ipotesi, intervalli di confidenza e inferenza statistica, non solo previsione |
AutoGluon | 1.6.1 (6 ago 2026) | AutoML serio, ed è il riferimento negli studi comparativi |
FLAML | 2.6.0 (28 apr 2026) | AutoML leggero e veloce, con budget di tempo esplicito |
PyTorch / TensorFlow | 2.14.0 · 2.21.0 | Immagini, testo libero, audio, sequenze. Non per il tabellare puro |
Spark MLlib / H2O | — | Quando i dati non stanno in memoria su una macchina sola |
Gradient boosting: quando basta quello di scikit-learn
È la domanda pratica più frequente, e ha una risposta ragionevole. Il gradient boosting a istogrammi incluso in scikit-learn è competitivo per la maggior parte dei casi tabellari medi — copre nativamente valori mancanti, categoriche, pesi dei campioni e vincoli — e risparmia una dipendenza. Le librerie specializzate restano preferibili quando serve GPU nativa, quando i dati sono molto grandi, quando si addestra su un cluster, o — nel caso di CatBoost — quando le variabili categoriche hanno cardinalità estreme.
Il consiglio operativo: partite da quello nativo, misurate, e cambiate solo se il guadagno giustifica la dipendenza in più. Nella pratica, su dataset da qualche decina di migliaia di righe la differenza di qualità è spesso trascurabile e la differenza di tempo di sviluppo no.
Reti neurali sui dati tabellari: la domanda giusta
Per anni la risposta è stata netta, e veniva da un lavoro con metodologia dichiarata: «Perché i modelli ad albero battono ancora il deep learning sui dati tabellari?», pubblicato nel luglio 2022 e presentato a NeurIPS lo stesso anno — fra gli autori, non a caso, uno dei co-fondatori di scikit-learn. Metodo: 45 dataset e ventimila ore di calcolo di ricerca iperparametri per ciascun algoritmo. Conclusione: gli alberi vincono sui dataset di dimensione media, e per tre ragioni identificate — le reti sono poco robuste alle variabili non informative, non preservano l'orientamento dei dati, e faticano ad apprendere funzioni irregolari.
Nel 2026 quella risposta non è più sufficiente, e la sezione seguente spiega perché.
Quando i dati non ci stanno
Tre strade, in ordine di costo crescente. Campionare: su molti problemi tabellari un campione ben stratificato di qualche centinaio di migliaia di righe dà lo stesso risultato di dieci milioni, e va provato prima di tutto il resto. Accelerare su GPU con gli strumenti visti sopra, mantenendo la stessa API. Distribuire con un motore dedicato, sapendo che le due integrazioni storiche con l'ecosistema Python non sono documentate ufficialmente da scikit-learn e che una delle due non rilascia da oltre un anno e mezzo.
I modelli fondazionali tabellari: la novità del 2026
È la parte che rende questa guida diversa da quella che si sarebbe potuta scrivere due anni fa, e va raccontata con precisione perché è anche la più facile da raccontare male.
TabPFN: su Nature, con numeri e con limiti
L'idea è controintuitiva: invece di addestrare un modello sui vostri dati, si pre-addestra una rete su milioni di dataset sintetici perché impari a fare inferenza su tabelle in generale; poi, davanti ai vostri dati, non si addestra affatto — fa la previsione in un solo passaggio.
Il lavoro è stato pubblicato su Nature l'8 gennaio 2025, con metodologia dichiarata: cinquantasette dataset pubblici, dieci ripetizioni, baseline configurati con ricerca casuale e validazione incrociata, budget temporali fino a quattro ore. I risultati dichiarati dagli autori: in classificazione un'area sotto la curva normalizzata di 0,952 contro 0,822 di un gradient boosting messo a punto, ottenuta in 2,8 secondi contro quattro ore — cioè, nella formulazione del paper, oltre cinquemila volte più veloce. Sono claim degli autori con metodologia pubblicata, non un benchmark indipendente: vanno letti così.
I limiti della versione descritta su Nature erano espliciti e importanti: fino a diecimila righe, cinquecento variabili, dieci classi. Sono caduti in fretta. Una versione successiva, pubblicata nel novembre 2025, dichiara di arrivare a cinquantamila punti e duemila variabili e di pareggiare un sistema di AutoML configurato per quattro ore; e la versione oggi predefinita della libreria dichiara di gestire fino a un milione di righe e centosessanta classi.
E qui arriva il punto che riguarda direttamente un'azienda. La versione attuale di TabPFN ha una licenza non commerciale: l'uso in produzione richiede l'edizione aziendale a pagamento. Le versioni precedenti avevano una licenza permissiva con obbligo di attribuzione. Prima di costruirci sopra un prodotto, la licenza va letta, perché è cambiata fra una versione e l'altra ed è il tipo di dettaglio che emerge tardi e costa caro.
TabICL: lo stesso ambiente di scikit-learn, e licenza libera
L'alternativa più interessante per il pubblico di questa guida arriva dal team soda-inria, cioè lo stesso ambiente istituzionale in cui è nato scikit-learn. La seconda versione è stata presentata a ICML 2026, è pre-addestrata su milioni di dataset sintetici, espone l'API di scikit-learn e si installa con il gestore di pacchetti standard.
Due caratteristiche la rendono rilevante in azienda. La prima: ha licenza BSD a tre clausole, la stessa di scikit-learn, quindi è liberamente utilizzabile a fini commerciali. La seconda: gli autori dichiarano di battere gradient boosting pesantemente configurati su circa l'80% dei dataset di un benchmark pubblico, senza alcuna configurazione di iperparametri. Anche qui: è un claim degli autori, va verificato sul proprio caso.
Il benchmark che mette ordine
Per non affidarsi ai claim dei singoli progetti esiste TabArena, un benchmark «vivo» presentato a NeurIPS 2025, costruito con dataset e implementazioni curati a mano e con attenzione esplicita a un problema che falsa molti confronti — l'effetto del metodo di validazione e dell'insieme di configurazioni sul risultato finale.
Le sue conclusioni, che sono la sintesi più difendibile disponibile oggi:
il gradient boosting resta un contendente forte sui dataset tabellari pratici;
i metodi di deep learning hanno recuperato terreno quando si concedono budget di tempo ampi e si combinano più modelli;
i modelli fondazionali eccellono sui dataset più piccoli;
gli insiemi di modelli diversi avanzano lo stato dell'arte.
Gli autori segnalano inoltre un problema nei propri risultati — alcuni modelli profondi risultano sovrarappresentati negli insiemi a causa di un adattamento eccessivo al set di validazione — e invitano a correggerlo. È il tipo di onestà metodologica che rende un benchmark citabile, e va riportata insieme alle conclusioni.
Che cosa fare, concretamente, nel 2026
La risposta non è «buttare via il gradient boosting». È questa.
Se il dataset è piccolo o medio — indicativamente sotto le decine di migliaia di righe — provare un modello fondazionale tabellare vale quasi sempre il tempo che costa: non richiede configurazione, gira in secondi e può dare una linea di base migliore di ore di lavoro. Se il progetto è commerciale, controllate la licenza prima, e in caso di dubbio partite da quello con licenza libera.
Se il dataset è grande, o se il modello deve essere spiegato, vincolato, servito su CPU e mantenuto per anni, il gradient boosting di scikit-learn resta la scelta più difendibile — ed è anche l'unica delle due che non introduce una dipendenza da pesi di terzi e da una GPU.
Se potete, fate entrambe le cose e combinatele: è la conclusione esplicita del benchmark, ed è anche il modo in cui, storicamente, si vincono le competizioni.
Una nota sulla posizione ufficiale, per evitare fraintendimenti: scikit-learn non integra alcun modello fondazionale e la sua roadmap non lo prevede — il progetto esclude esplicitamente il deep learning dal proprio perimetro. Ma l'ecosistema attorno ci sta andando: il modello con licenza libera nasce nel laboratorio da cui è nato scikit-learn, espone la stessa API, e la società che impiega i manutentori annuncia i modelli fondazionali tabellari fra le cose in arrivo. Integrazione nel nucleo: no. Convergenza dell'ecosistema: sì — ed è la notizia.
Strategie di crescita usando scikit-learn
Per un'azienda: il percorso che funziona
Partire dalla decisione, non dal modello. «Quale scelta cambieremo, con quale dato, e come sapremo se ha funzionato.» Se non c'è risposta, non c'è progetto.
Costruire subito la linea di base sciocca. La media, la regola che usano già in azienda, una regressione. È il metro con cui si giudicherà tutto il resto, e a volte vince.
Mettere tutto in una pipeline dal primo giorno. Non è pulizia formale: è ciò che impedisce la fuga di informazione e rende il risultato riproducibile.
Scegliere la metrica con chi decide, non con chi programma, e tarare la soglia sui costi reali di un errore in un verso e nell'altro. La libreria ha uno strumento apposta.
Calibrare, se sulla previsione si prende una decisione economica.
Salvare il modello con un formato sicuro, congelare le versioni delle dipendenze, conservare dati, codice e punteggi. È anche il fascicolo di conformità.
Monitorare la deriva e stabilire da subito ogni quanto si riaddestra.
Per un professionista: che cosa ha mercato
La distinzione utile è la stessa delle altre guide della serie, ma qui pende ancora più dal lato delle competenze durevoli. Valgono sempre: costruire pipeline, scegliere e difendere una metrica, impostare una validazione corretta — soprattutto con dati temporali o raggruppati — riconoscere la fuga di informazione, calibrare, spiegare un modello a chi non è tecnico, e metterlo in produzione con un formato sicuro e un versionamento serio.
Valgono in particolare adesso: saper usare il gradient boosting nativo con vincoli di monotonicità; saper tarare una soglia su una funzione di costo; conoscere gli intervalli di predizione conformi, che stanno diventando lo standard per dichiarare l'incertezza; e saper valutare un modello fondazionale tabellare, licenza inclusa. Quest'ultima è una competenza che nel 2026 hanno in pochi ed è richiesta da sempre più clienti.
La certificazione ufficiale, che esiste dal 2024
Poco conosciuta e vale la pena segnalarla, perché completa il quadro della serie. Dal 31 ottobre 2024 esiste una certificazione ufficiale scikit-learn, operata in esclusiva da :probabl., sviluppata insieme a membri del nucleo di manutentori, a Inria e a un partner industriale. È articolata su tre livelli — associato, professionale, esperto — con esame di 120 minuti, fino a 35 domande, 60% teoria e 40% pratica con accesso a un ambiente di esecuzione e alla documentazione, e soglia di superamento al 70%. L'erogazione è online con sorveglianza e rilascia un attestato digitale.
Accanto c'è un percorso gratuito che merita almeno quanto la certificazione: il corso online di Inria dedicato al machine learning in Python con scikit-learn, con materiali aperti e pubblici. Per chi vuole imparare bene e non ha budget, è la risorsa migliore in circolazione.
Il mercato italiano, e perché questa guida è la più rilevante della serie
Anche qui la premessa è d'obbligo: non esistono dati pubblici con metodologia dichiarata sulla domanda di competenze scikit-learn in Italia, né sulle retribuzioni per singola libreria.
Il quadro generale è però documentato. Secondo l'Osservatorio Artificial Intelligence del Politecnico di Milano, nel comunicato del febbraio 2026, il mercato italiano dell'intelligenza artificiale vale 1,8 miliardi di euro nel 2025, in crescita del 50%, la domanda di competenze negli annunci è cresciuta del 93%, e il 71% delle grandi imprese ha almeno un progetto avviato mentre solo il 20% usa l'intelligenza artificiale in modo pervasivo.
Ma il dato che riguarda direttamente questa guida è quello citato all'inizio: il 54% di quel mercato è machine learning non generativo. Tradotto: in Italia, più della metà del lavoro pagato in questo settore è esattamente ciò che scikit-learn fa meglio di chiunque altro — previsione, classificazione e segmentazione su dati aziendali tabellari. Ed è anche la parte di cui si parla meno, il che significa che la concorrenza è minore.
Interpretabilità e AI Act: che cosa è vero e che cosa no
Va fatta una precisazione che manca in quasi tutta la divulgazione italiana sul tema, ed è a favore del lettore anche se toglie un argomento di vendita. Il regolamento europeo sull'intelligenza artificiale non impone di usare modelli interpretabili. Impone, per i sistemi ad alto rischio, cose diverse e più concrete: documentazione tecnica che consenta la valutazione di conformità, dati di alta qualità che minimizzino esiti discriminatori, un sistema di gestione del rischio, registrazione delle attività per la tracciabilità dei risultati, una sorveglianza umana effettiva, e livelli adeguati di robustezza, sicurezza e accuratezza.
L'argomento corretto, quindi, non è «serve l'interpretabilità per legge», ma: un modello interpretabile rende quegli obblighi molto più economici da soddisfare. Una sorveglianza umana è effettiva solo se la persona può capire perché il sistema ha deciso così; una documentazione tecnica si scrive in un pomeriggio se la pipeline è ispezionabile e in settimane se non lo è; e la tracciabilità è banale se il modello è un artefatto versionato con i suoi dati e le sue dipendenze.
Da qui un corollario che collega questa sezione a quella sui modelli fondazionali, ed è probabilmente la tesi più utile di tutta la guida: adottare un modello fondazionale a pesi chiusi, o con licenza non commerciale, introduce nuovi problemi di documentazione, tracciabilità e diritti proprio nel momento in cui il quadro normativo entra a regime. Non è un argomento per non usarli — sono strumenti eccellenti — ma per usarli con la stessa attenzione contrattuale con cui si sceglie un fornitore. Sul quadro normativo generale del digitale abbiamo scritto in dettaglio nella guida agli adempimenti di un negozio online, dove la parte su trasparenza e obblighi europei vale anche qui.
Attenzione infine alle date: il calendario di applicazione è stato modificato da un intervento normativo del novembre 2025, entrato in vigore nel luglio 2026, che ha esteso alcuni periodi transitori. Prima di costruire una pianificazione su una scadenza specifica, va verificata sulla fonte.
Tendenze future
La roadmap, e che cosa dice davvero
Conviene leggerla, perché è insolitamente sincera. Il documento ufficiale dichiara l'obiettivo di mantenere strumenti canonici di alta qualità entro il perimetro attuale — dati rettangolari, bersagli a struttura semplice — e di facilitare lo sviluppo di componenti esterni invece di assorbire tutto. Fra le voci tecniche: gestione dei dataframe, delle categoriche e dei valori mancanti, un'interfaccia unificata per l'importanza delle variabili, i callback, e — voce che vale oro per chi mette in produzione — la serializzazione compatibile fra versioni.
Ma la parte più utile è l'elenco delle esclusioni esplicite: deep learning, apprendimento per rinforzo, apprendimento di rappresentazioni, sfruttamento della GPU, bersagli complessi, dati non rettangolari. E un avvertimento che andrebbe ripetuto a chiunque costruisca una roadmap aziendale su una roadmap altrui: «il fatto che una voce sia elencata qui non è in alcun modo una promessa che accadrà, perché le risorse sono limitate». Va aggiunto, per onestà, che quel documento poggia ancora su una dichiarazione di intenti scritta anni fa: è la posizione formale, non il piano di lavoro corrente.
L'interoperabilità con i dataframe è il cantiere vero
È la direzione più concreta, e si legge in un dettaglio tecnico: dalla linea 1.9 è diventata dipendenza obbligatoria la libreria che astrae pandas, polars e Arrow. Messo insieme al fatto che i trasformatori restituiscono già dataframe pandas dalla 1.2 e polars dalla 1.4, e alla migrazione in corso verso i nuovi array sparsi, il quadro è chiaro: scikit-learn sta smettendo di essere una libreria «su NumPy» per diventare una libreria «su qualunque dataframe». Per chi lavora su dati aziendali veri — che arrivano da un database, non da una matrice — è la novità più utile degli ultimi anni.
GPU: un cantiere dichiarato, non una promessa
Il supporto sperimentale si allarga a ogni versione e il team ha pubblicato un piano esplicito per uscire dallo stato sperimentale: documentazione generata automaticamente su che cosa è supportato, gestione di input misti, addestramento e previsione su dispositivi diversi, più test e più riscontri dall'uso reale. Va però tenuta ferma la distinzione: la GPU non è un obiettivo del progetto secondo la sua stessa roadmap, ed è invece la specialità di chi costruisce acceleratori compatibili. La direzione realistica non è «scikit-learn su GPU», è «la stessa API, con chi vuole, su GPU».
Che cosa scikit-learn non farà mai, e perché è un bene
Non diventerà un framework di deep learning, non addestrerà modelli linguistici, non distribuirà il calcolo su un cluster, non integrerà modelli fondazionali. Il progetto non ha preso alcuna posizione ufficiale sull'intelligenza artificiale generativa — il blog non ne parla e la roadmap non la menziona — ed è coerente con vent'anni di comportamento: fa una cosa e la fa bene.
In un settore in cui ogni strumento tende a diventare una piattaforma, questa disciplina è la ragione per cui scikit-learn è ancora la libreria più scaricata del machine learning. Un'azienda che ci costruisce sopra sa esattamente che cosa avrà fra cinque anni: la stessa cosa, con qualche miglioramento e nessuna sorpresa.
Che cosa non cambierà
La qualità e la disponibilità dei dati, la correttezza della validazione, il monitoraggio in esercizio, il costo dell'inferenza e la conformità normativa. Valgono su qualsiasi strumento e nessuno di questi cinque è stato reso obsoleto da una novità di prodotto in dieci anni. E c'è un sesto punto, che questa guida ha ripetuto in più sezioni perché è il vero contenuto del mestiere: la soluzione più semplice che funziona è quasi sempre quella giusta, e il compito di un professionista serio è dimostrare che la soluzione complicata serve davvero, non il contrario.
Domande frequenti
Che cos'è scikit-learn e a che cosa serve?
È la libreria Python per il machine learning «classico»: classificazione, regressione, clustering, riduzione della dimensionalità, preprocessing e selezione del modello. Ha licenza BSD a tre clausole, quindi uso commerciale libero e nessun obbligo di condividere il proprio codice. Copre tutto ciò che non è deep learning, cioè la maggior parte dei problemi aziendali reali: prevedere la domanda, stimare il rischio di abbandono, classificare richieste, individuare anomalie, assegnare punteggi. La versione corrente è la 1.9.1 del 10 settembre 2026, con due rilasci principali all'anno.
Meglio scikit-learn o PyTorch?
Dipende dal tipo di dato, e la risposta è più netta di quanto si creda. Se i dati sono tabellari — righe e colonne, come una tabella di database — scikit-learn è quasi sempre la scelta corretta: si addestra in minuti su una CPU, si spiega a chi decide, si mette in produzione senza GPU. PyTorch e TensorFlow servono per immagini, testo libero, audio e sequenze. C'è anche un argomento economico: sul listino pubblico di un grande fornitore cloud verificato a settembre 2026, una GPU di classe datacenter costa da dieci a trenta volte una macchina CPU adatta al machine learning tabellare.
scikit-learn funziona su GPU?
Sì, ma con tre precisazioni. Esiste un supporto sperimentale basato sullo standard degli array, che va abilitato esplicitamente e copre una parte crescente ma non totale degli stimatori; un esempio ufficiale cita circa dieci volte più veloce rispetto a un singolo core CPU, ma il team ammette che l'esperienza d'uso «non è ancora buona come con il backend predefinito». La roadmap ufficiale esclude la GPU dagli obiettivi del progetto. La strada pratica sono gli acceleratori esterni che sostituiscono l'implementazione senza modificare il codice — quello di Intel, ora sotto una fondazione, e quello di NVIDIA, che dichiara da venticinque a centosettantacinque volte più veloce a seconda dell'algoritmo. Attenzione: quest'ultimo ripiega in modo trasparente sulla CPU quando un'operazione non è accelerabile, quindi il guadagno va misurato, non dedotto.
Come si mette in produzione un modello scikit-learn in sicurezza?
Non con il formato di serializzazione standard di Python. La documentazione ufficiale è esplicita: quel formato «ha molte vulnerabilità di sicurezza documentate per costruzione» e non si dovrebbe mai caricare un file da una fonte non fidata, «esattamente come non si dovrebbe mai eseguire codice da una fonte non fidata». Le alternative documentate sono skops, che non usa quel meccanismo e carica solo tipi dichiarati fidati, e ONNX, che permette di servire il modello senza Python — con l'avvertenza ufficiale di eseguirlo in un ambiente isolato. Regola finale, spesso ignorata: non esiste alcun modo supportato di caricare un modello addestrato con una versione diversa di scikit-learn, quindi vanno congelate le versioni e conservati insieme al modello i dati, il codice e i punteggi di validazione.
Devo usare XGBoost o basta il gradient boosting di scikit-learn?
Nella maggior parte dei casi tabellari medi basta quello nativo, il gradient boosting a istogrammi, che gestisce da solo valori mancanti e variabili categoriche — senza doverle espandere in colonne binarie — e supporta vincoli di monotonicità e di interazione, cioè permette di imporre comportamenti verificabili, argomento molto utile in ambito creditizio e assicurativo. Le librerie specializzate restano preferibili con dataset molto grandi, quando serve GPU nativa o addestramento distribuito, e per variabili categoriche a cardinalità estreme. Il consiglio operativo è: partire da quello nativo, misurare, e cambiare solo se il guadagno giustifica una dipendenza in più.
I modelli fondazionali tabellari hanno reso obsoleto scikit-learn?
No, ma hanno cambiato la risposta alla domanda «alberi o reti neurali sul tabellare». Un lavoro pubblicato su Nature l'8 gennaio 2025 ha mostrato che un modello pre-addestrato su dataset sintetici può battere un gradient boosting configurato per ore, impiegando pochi secondi; il benchmark indipendente più curato, presentato a NeurIPS 2025, conclude che gli alberi restano forti sui dataset pratici, i modelli fondazionali eccellono su quelli piccoli, e gli insiemi di modelli diversi vincono in assoluto. La raccomandazione pratica: su dataset piccoli o medi vale la pena provarli, perché costano pochi minuti; ma se il progetto è commerciale, la licenza va letta prima — il modello più noto è passato a una licenza non commerciale, mentre quello nato nello stesso laboratorio di scikit-learn ha la stessa licenza libera della libreria.
Esiste una certificazione ufficiale scikit-learn?
Sì, dal 31 ottobre 2024, operata in esclusiva dalla società che impiega i manutentori del progetto e sviluppata insieme al nucleo dei manutentori e a Inria. Ha tre livelli — associato, professionale ed esperto — con esame di 120 minuti, fino a 35 domande, 60% di teoria e 40% di pratica con accesso a un ambiente di esecuzione e alla documentazione, e soglia di superamento al 70%. Esiste inoltre un corso online gratuito di Inria dedicato al machine learning con scikit-learn, con materiali pubblici: per imparare bene senza budget è la risorsa migliore in circolazione.
L'AI Act obbliga a usare modelli interpretabili?
No, ed è un errore diffuso. Il regolamento europeo impone, per i sistemi ad alto rischio, documentazione tecnica che consenta la valutazione di conformità, dati di alta qualità, un sistema di gestione del rischio, registrazione delle attività per la tracciabilità, sorveglianza umana effettiva e livelli adeguati di robustezza e accuratezza. Non prescrive una classe di modelli. L'argomento corretto è un altro, ed è comunque forte: un modello interpretabile rende quegli obblighi molto più economici da soddisfare, perché la sorveglianza umana è effettiva solo se chi la esercita capisce la decisione. Nota importante sulle date: il calendario di applicazione è stato modificato da un intervento normativo del novembre 2025 entrato in vigore nel luglio 2026, quindi ogni scadenza specifica va verificata alla fonte prima di costruirci una pianificazione.
In sintesi
scikit-learn è la libreria di machine learning più usata al mondo e, per i dati tabellari — cioè per la maggior parte di ciò che un'azienda italiana ha davvero bisogno di fare — è la scelta corretta nella grande maggioranza dei casi. Gira su una CPU, si spiega a chi decide, si mette in produzione senza infrastruttura dedicata e non cambia sotto i piedi. Non è la scelta giusta per immagini, testo libero e sequenze, né quando i dati non stanno in memoria su una macchina sola.
Le tre cose da portare via, se ne resta spazio solo per tre. Primo: prima di chiedere una GPU, provate la linea di base su una CPU — il divario di costo è di uno o due ordini di grandezza, e nella maggioranza dei casi tabellari la linea di base vince o è abbastanza vicina da non giustificare il resto. Secondo: la pipeline non è pulizia formale, è ciò che impedisce la fuga di informazione, che è l'errore più costoso e più frequente di questo mestiere. Terzo: il 2026 ha riaperto la partita del tabellare con i modelli fondazionali — vale la pena provarli sui dataset piccoli e medi, leggendo però la licenza prima di costruirci un prodotto, perché non tutte consentono l'uso commerciale.
Se stai valutando come introdurre il machine learning nella tua azienda, o hai modelli da costruire, da mettere in produzione o da rendere difendibili davanti a chi deve approvarli, su FreelanceWWW trovi professionisti che lavorano su dati, modelli e messa in esercizio: pubblica il tuo progetto e ricevi le offerte dai freelance che quel lavoro lo hanno già fatto. Se stai confrontando gli strumenti, questa guida fa parte di una serie con quelle su PyTorch e TensorFlow; sul profilo professionale trovi invece il freelance Python per l'intelligenza artificiale e che cosa fa un freelance Python.