n. 5-6/2022 33 INNOVATION Quando oggigiorno si parla di IA, in realtà, si intende più frequentemente un suo sottoinsieme: il Machine Learning, ovvero un insieme di tecniche che permettono ad un calcolatore o, in generale, ad un sistema di imparare determinate cose senza essere esplicitamente programmato per farlo. Ecco, già ci si avvicina di piú all'obiettivo, ma prima occorre aggiungere qualcosa a questa definizione che si può facilmente trovare in rete. Un algoritmo di Machine Learning è in grado di imparare determinate caratteristiche a partire da un insieme di dati annotati di ingresso, ovvero informazioni alle quali qualcuno ha "appiccicato" virtualmente un'etichetta per guidare l'algoritmo nell'individuare elementi riconoscibili al fine di classificare il dato. Facciamo un esempio: se un sistema deve imparare a distinguere auto, aerei e navi a partire da fotografie, occorrerà fornire ad un algoritmo – selezionato in maniera adeguata a seconda del tipo di dato che dovrà elaborare – un certo numero di immagini di aerei, auto e navi, ad ognuna delle quali sarà legata un'etichetta che identifica che tipo di mezzo è rappresentato. L'algoritmo, pian piano, imparerà che ci sono mezzi che hanno le ali, una fusoliera, una coda e li chiamerà "aerei"; determinerà che le auto hanno quattro ruote, un cofano, ecc. e le classificherà come tali. Possiamo concludere che un algoritmo di machine learning impara a classificare elementi appartenenti ad un dominio ben definito e sarà tanto più bravo a farlo quanto grande, completo e ben annotato sarà l'insieme dei dati che vengono usati per addestrarlo. Tutto ciò ha una conseguenza: al di fuori di quanto ha imparato (nel caso di prima a riconoscere auto, aerei e navi in un'immagine) un sistema basato sul Machine Learning è destinato comunque a fallire. Non solo, una volta addestrato un sistema di questo genere è assolutamente statico (il comportamento e le sue performance non cambiano a meno che When we talk about AI nowadays, we actually more often mean a subset of it: Machine Learning, i.e. a set of techniques that allow a computer or, in general, a system to learn certain things without being explicitly programmed to do so. We are already getting closer to the goal, but first we need to add something to this definition that can easily be found on the web. A Machine Learning algorithm is able to learn certain characteristics from a set of annotated input data, i.e. information to which someone has virtually 'stuck' a label to guide the algorithm in identifying recognisable elements in order to classify the data. Let us take an example: if a system has to learn to distinguish cars, planes and ships from photographs, it will be necessary to provide an algorithm - appropriately selected according to the type of data it will have to process - with a certain number of images of planes, cars and ships, to each of which a label will be attached identifying which type of vehicle is represented. The algorithm will slowly learn that there are vehicles that have wings, a fuselage, a tail and will call them 'aircraft'; it will determine that cars have four wheels, a bonnet, etc. and classify them as such. We can conclude that a machine learning algorithm learns to classify elements belonging to a well-defined doAI, aworld tobediscovered The evolution of computer technologies and automated systems has produced a large number of “smart” machines. The real frontier of artificial intelligence, however, is that of autonomous machine learning mechanisms. Pros and cons of the various systems, and a focus on strengthened learning algorithms
RkJQdWJsaXNoZXIy NTY4ODI=