Contro l’idea che i grandi modelli linguistici rendano obsoleto il machine learning «classico», Stephanie Kirmer argomenta su Towards Data Science che i modelli tradizionali restano preziosi proprio dentro i sistemi agentici. La tesi è concreta e poco ideologica: usare gli LLM per ragionare e orchestrare, ma delegare le previsioni numeriche a modelli addestrati come strumenti specializzati.
Perché un XGBoost batte ancora un prompt
Il punto di partenza è che un LLM «indovina» stime numeriche, mentre un modello di regressione o classificazione produce previsioni basate su evidenza empirica. Da qui una serie di vantaggi difficili da ignorare: maggiore accuratezza sui compiti predittivi, interpretabilità del percorso decisionale contro la logica «black box», e soprattutto costi nettamente inferiori quando si eseguono milioni di inferenze, rispetto alle chiamate a consumo basate su token. Si aggiungono il controllo diretto su addestramento e validazione, la sicurezza del dato con modelli on-premise e l’indipendenza dai fermi di servizio di provider terzi. Nessuno di questi argomenti è nuovo, ma il contesto agentico li rende di nuovo rilevanti.
Due modi per collegare i modelli all’agente
Kirmer descrive due pattern di integrazione. Il primo è il tool calling diretto: l’agente invoca il modello ML «just-in-time», con la necessità di documentazione chiara e output formattati in testo per rientrare nel contesto. Il secondo è l’accesso a un database pre-calcolato: si pianificano le inferenze, si salvano i risultati e l’agente li interroga, approccio utile quando l’insieme dei casi è finito. L’esempio ricorrente è un agente immobiliare che recupera i dati di una proprietà via API e li passa a un modello di regressione per la stima del prezzo, invece di chiedere la cifra all’LLM. Il consiglio operativo è tornare a padroneggiare strumenti come XGBoost, LightGBM, CatBoost e scikit-learn. Un caveat onesto: è un pezzo di opinione, e l’esempio è illustrativo più che un benchmark; ma la direzione — architetture ibride invece di soluzioni «tutto-LLM» — è tra le più solide del momento.
In sintesi
- Nei sistemi agentici conviene affidare le previsioni numeriche a modelli ML addestrati, non al ragionamento dell’LLM.
- I vantaggi chiave sono accuratezza, interpretabilità, costi, sicurezza del dato e indipendenza dai provider.
- Due pattern pratici: tool calling diretto e database di risultati pre-calcolati, da scegliere in base alla natura del problema.
Hai qualcosa da aggiungere? Unisciti alla discussione.