Introduzione all'IA - parte 1
by Federico Magliani
In questo blog proverò a spiegare i concetti teorici dell’intelligenza artificiale e a proporre dei casi concreti di applicazione.
Cosa è l’intelligenza artificiale?
Per la voce Intelligenza Artificiale (abbreviato in IA) Wikipedia fornisce la seguente definizione: “è una disciplina appartenente all’informatica che studia i fondamenti teorici, le metodologie e le tecniche che consentono la progettazione di sistemi hardware e sistemi di programmi software capaci di fornire all’elaboratore elettronico prestazioni che, a un osservatore comune, sembrerebbero essere di pertinenza esclusiva dell’intelligenza umana”.
In soldoni, l’intelligenza artificiale permette ad una macchina di risolvere un problema, come farebbe un umano, senza progettare soluzioni ad hoc per il determinato problema. L’IA è diventata poi molto popolare perché sono stati progettati degli algoritmi che automaticamente apprendono dai dati forniti in input per risolvere il problema in esame. Questa branca prende il nome di apprendimento automatico (machine learning). Il tipo di apprendimento può variare in base al problema in esame, ma di questo ne parleremo meglio nei prossimi post. Purtroppo non sempre utilizzare algoritmi di IA o ML è possibile e in molti casi, ciò è complicato. Sarà compito del data scientist utilizzare la migliore tecnica per risolvere il problema.
Di cosa si occupa?
Risolve problemi legati a differenti ambiti: testo, immagini/video e audio. Nel primo caso i dati in input saranno parole, nel secondo caso dei pixel, mentre nel terzo caso frequenze sonore. I problemi possono essere di vario tipo, tra i più famosi:
- classificazione → si intende che ogni input deve essere catalogato/classificato fra due o più classi in base al problema;
- regressione → data una funzione y = f(x) e dato y (variabile dipendente), l’obiettivo è determinare x (variabile indipendente);
- clustering → ogni input è catalogato in un gruppo non noto a priori.
Nota bene:
Le classi rappresentano l’insieme delle etichette disponibili. La differenza fra classificazione e clustering sta nel fatto che nel primo caso le classi sono note a priori, mentre nel secondo caso le classi/gruppi non sono note a priori.
Quali sono le possibili applicazioni?
Per ogni problema descritto in precedenza provo a fornire un esempio pratico:
- classificazione → dato un insieme di immagini di animali domestici (cani e gatti), classificare se l’animale rappresentato è un cane o un gatto (come riportato nell’immagine seguente);
- regressione → date in input le altezze dei genitori determinare quale saranno le altezze dei figli;
- clustering → dato in input un insieme di notizie vere e false, determinare quali fra loro siano vere e quali siano false.
Nella parte sinistra della figura sono rappresentate varie immagini di due classi: cane e gatto. Questi dati sono utilizzati per l'allenamento del modello di IA. L'obiettivo del problema di classificazione sarà quello di identificare la classe dell'immagine di destra: fra cane e gatto.
Quali sono le sfide del prossimo futuro dell’IA?
Credo che l’obiettivo principale sia quello di migliorare le attuali tecniche disponibili per aumentare l’accuratezza nella risoluzione dei problemi. Secondariamente, le tecniche di IA dipendono dai dati. Servono tantissimi dati, attualmente, per risolvere in maniera ottimale i problemi quindi cercare di rendere l’IA maggiormente capace di generalizzare o capace di imparare da dati non catalogati (ne parleremo meglio nei prossimi post) è probabilmente una sfida per il prossimo futuro.
Federico Magliani | Sono appassionato di Intelligenza Artificiale e nel 2020 ho ricevuto il Ph.D. in Visione Artificiale presso l'Università degli Studi di Parma.
Se vuoi ricevere maggiori informazioni sull'articolo o sui progetti che sto svolgendo visita il mio sito web. Privacy Policy |