Introduzione all'IA - parte 2
by Federico Magliani
Non hai letto il mio primo articolo su cos’è l’intelligenza artificiale? Torna a leggerlo qui.
Oggi concluderò l’introduzione sull’IA. Come vi avevo accennato nel precedente articolo, il vantaggio dell’IA è quello di imparare dai dati per risolvere il problema in esame. Questa pratica è denominata apprendimento supervisionato.
Esistono altre due tipologie di apprendimento:
- non supervisionato → il modello utilizzato per risolvere il problema non utilizza nessun tipo di dato in input (rappresentano ovviamente problemi più difficili da risolvere);
- semi-supervisionato → rappresenta uno scenario che si trova a metà strada per l’apprendimento supervisionato e quello non supervisionato, in cui sono presenti dei dati in input per l’allenamento del modello;
- con rinforzo → il sistema di IA interagisce con l’ambiente (uomo o altri computer) e riceve un premio o una punizione nel caso in cui la sua azione aiuti o non aiuti a raggiungere l’obiettivo finale.
Le 3 figure aiutano a comprendere le differenze fra le tre principali strategie di apprendimento. Nel primo caso (figura 1), la macchina viene addestrata con esempi; nel secondo caso (figura 2), la macchina ha a disposizione una parte di dati supervisionati e una parte di dati non supervisionati; infine nel terzo caso (figura 3), la macchina ha a disposizione i dati, ma senza sapere come devono essere valutati. Come si può ben capire l’apprendimento supervisionato è il problema più semplice da trattare, in cui ogni data scientist vorrebbe trovarsi!
Figura 1 - 3 istanze per la classe "gatto" e per la classe "cane".
Figura 2 - 2 istanze per la classe "gatto" e per la classe "cane" e 2 istanze non categorizzate.
Figura 3 - nessuna istanza del dataset è labellizzata.
Per quanto riguarda l’apprendimento con rinforzo, un valido esempio potrebbe essere quello della partita ad un videogame, l’interazione con l’ambiente consiste nelle ricompense positive e negative ricevute dal computer in base alle azione svolte ovvero incremento nel punteggio (azione positiva) o perdita di una vita (azione negativa).
Nota bene: un dataset è un insieme di immagini di un stesso argomento suddivise solitamente in classi. Approfondirò meglio questo argomento nel prossimo post.
Inoltre come già accennato nel precedente post, la quantità di dati in input influenza le prestazioni del modello di IA: maggiori sono i dati catalogati presenti, migliori saranno le performance dell’algoritmo di IA.
Voglio sottolineare che possedere una grande quantità di dati etichettati richiede molto tempo e risorse (ad esempio una persona che valuti i dati e li cataloghi).
Ne parlerò meglio nel prossimo articolo.
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 |