Intelligenza artificiale e automi (Concorso STEM), Dispense di Informatica Industriale

Scarica Intelligenza artificiale e automi (Concorso STEM) e più Dispense in PDF di Informatica Industriale solo su Docsity! Intelligenza Artificiale & Automi Cetta Maddalena Pia 1 L'intelligenza artificiale ▪ L' IA cerca di ricreare tecnologicamente un cervello umano, comprensivo delle sue funzioni, con l’aiuto di mezzi come l’informatica, la neurologia, la psicologia e la linguistica; ▪ La ricerca sull’intelligenza artificiale (IA) tenta di creare macchine che siano in grado di agire come un essere umano: i computer e i robot devono analizzare il proprio ambiente e successivamente prendere la decisione migliore; ▪ Le macchine devono quindi comportarsi in maniera intelligente, secondo i criteri degli esseri umani; 2Cetta Maddalena Pia IA forte Cetta Maddalena Pia 5 ▪ La definizione “forte” della artificial intelligence si riferisce a un tipo di intelligenza in grado di soppiantare l’essere umano nella sua interezza, incluse tutte le sue molteplici abilità; ▪ Ci sono diverse dimensioni di intelligenza che appartengono alla IA forte: l’intelligenza cognitiva, quella sensomotoria, quella emozionale, e, infine, quella sociale; ▪ Gli utilizzi attuali dell’intelligenza artificiale riguardano l’ambito dell’intelligenza cognitiva: la logica, la pianificazione, la soluzione dei problemi, l’autonomia e la prospettiva individuale; ▪ La visione non arriva alla convinzione che i robot possano provare emozioni, ma si limita pur sempre all’ idea che magari un giorno la IA possa sviluppare una coscienza autonoma e una volontà propria. IA debole Cetta Maddalena Pia 6 ▪ Le definizione “debole” di artificial intelligence si riferisce invece all’evoluzione e all’utilizzo dell'intelligenza artificiale in campi di applicazione ben specifici, ad esempio: lo sviluppo di automobili a guida autonoma, di diagnostica medica o infine di algoritmi di ricerca intelligenti. ▪ I campi di applicazione dell’intelligenza debole sono incredibilmente vari, ma per ora i settori che vivono il maggior successo in questi termini sono la medicina, la finanza, l’industria dei trasporti, il marketing e naturalmente anche Internet. ▪ Si prevede che le tecnologie IA di questo genere invaderanno presto quasi ogni campo della vita umana. Cetta Maddalena Pia 7 ▪ Attualmente l’intelligenza artificiale non riesce a simulare un essere umano per intero (inclusa l’intelligenza emotiva); ▪ Attualmente l’intelligenza artificiale riesce a simulare solo degli aspetti parziali per riuscire a risolvere determinati compiti. IA forte oppure IA debole? Intelligenza artificiale debole. Esempio : 4 Fatto La struttura di un sistema esperto avviene sulla base di dati che sono muniti di precise regole di elaborazione. Ad esempio: 1. Tutti gli alberi sono di legno. 2. Il legno è combustibile. 3.X è un albero. 4. Pertanto X è combustibile. Quindi il sistema esperto dovrebbe imitare l'apprendimento cognitivo degli esseri umani sulla base di queste connessioni logiche. | sistemi esperti sono quasi sempre limitati a un campo di specializzazione, come ad esempio a un settore specifico della medicina. Cetta Maddalena Pia Intelligenza Artificiale Neurale ▪ L’intelligenza artificiale neuronale è conosciuta anche come IA connessionistica o sub-simbolica; ▪ Nell' intelligenza artificiale, in maniera analoga al cervello umano, la conoscenza è segmentata in minuscole unità funzionali: i neuroni artificiali, i quali si connettono fino a diventare gruppi sempre più grandi, mettendo in atto il cosiddetto “approccio buttom-up”; ▪ Viene dunque a costituirsi una rete di neuroni artificiale che si dirama in molteplici connessioni. Cetta Maddalena Pia 11 Differenza tra IA classica e IA neurale 12Cetta Maddalena Pia ▪ Al contrario della IA classica, la rete neurale si allena: nella robotica, ad esempio, lo fa con dati sensomotori: a partire da queste esperienze la IA genera la sua conoscenza in costante crescita; ▪ La grande innovazione è nell'allenamento; ▪ L’ allenamento comporta sì un certo investimento temporale, ma il sistema riesce poi a essere in grado di apprendere in maniera del tutto autonoma; ▪ Per questo motivo si parla di “sistemi di autoapprendimento” o di “apprendimento automatico”; 4. Eccezionale livello di performance: ▪ Le macchine, rispetto agli esseri umani, hanno un tasso di errore più basso e la loro capacità in termini di performance è enorme; ▪ Sebbene gli esperti non si aspettino che i giudici in futuro vengano sostituiti completamente dalla tecnologia, la artificial intelligence può comunque venire in aiuto nel riconoscere lo schema di un procedimento in maniera più veloce arrivando a conclusioni oggettive. 5. Progetti futuristici: ▪ L'IA per l’esplorazione di pozzi di petrolio e per la guida di robot destinati a operare su Marte. 15Cetta Maddalena Pia Rischi dell' intelligenza artificiale Cetta Maddalena Pia 16 Inferiorità dell’essere umano; Dipendenza dalla tecnologia; Privacy e diffusione del potere; Bolla di filtraggio e percezione selettiva; Influenza e formazione dell’opinione personale; Mercato del lavoro; Tecnologia delle armi; Algoritmi discriminanti; Cetta Maddalena Pia 17 1.Inferiorità dell’essere umano: ▪ Un ipotetico pericolo che molti temono è lo sviluppo di una cosiddetta “super intelligenza”; ▪ Con questo termine si intende una tecnologia che si ottimizza autonomamente fino a diventare indipendente dall’umanità che l’ha creata: alla fine l’essere umano potrebbe addirittura essere sottomesso dalla tecnologia; 2.Dipendenza dalla tecnologia: ▪ Altri scettici vedono i rischi della artificial intelligence non tanto nell’inferiorità generale, quanto più in una crescente dipendenza dell’essere umano da sistemi tecnologici: ad esempio nell’ambito delle forniture mediche, dove si sta già testando l’utilizzo di robot di assistenza; ▪ Secondo i critici l’essere umano sta diventando sempre più un oggetto sorvegliato da sistemi tecnologici: la persona corre, infatti, il rischio di dover rinunciare alla propria privacy e all’autodeterminazione; ▪ Questi scrupoli non vengono riservati solo al campo della medicina, ma sono rivolti anche alla videosorveglianza supportata dalla IA e agli algoritmi intelligenti in rete; Cetta Maddalena Pia 20 8.Algoritmi discriminanti: ▪ Rispetto all’essere umano la tecnologia fornisce solitamente risultati più neutrali. ▪ A volte, però, la tecnologia IA si spinge oltre mostrando sempre più pregiudizi rispetto al genere o all’ origine delle persone: nel giro di pochissimo tempo il chatbot Tay di Microsoft utilizzava un linguaggio razzista, le tecnologie di sicurezza classificavano “black neighbourhoods” come quartieri a rischio e infine alcune piattaforme pubblicitarie propongono offerte di lavori pagati meglio agli utenti di sesso maschile; ▪ Il problema è ampiamente noto per cui il British Standards Institute ha deciso di pubblicare una versione rielaborata delle linee guida etiche per i robot; ▪ Queste, però, risultano difficili da applicare sul piano tecnologico, in quanto la IA impara autonomamente a partire dall’ambiente in cui è inserita sulla base di processi di apprendimento, che possono essere condizionati da singole persone solo in maniera limitata. Campi di applicazione dell'IA Cetta Maddalena Pia 21 Cetta Maddalena Pia 22 1.Apprendimento automatico o machine learning : ▪ L’ Apprendimento automatico significa che un sistema artificiale è in grado di assimilare conoscenze sulla base delle esperienze fatte; ▪ Questi dati di apprendimento abilitano il sistema a riconoscere modelli e misure di legalità; ▪ Nel machine learning viene utilizzata sia l’ intelligenza artificiale classica sia quella neurale. 2.Le reti neurali : ▪ Elaborano le informazioni rispondendo agli input esterni e trasmettendo le informazioni tra ogni unità; ▪ Il processo richiede ai dati più passaggi per trovare le connessioni e ricavare significato dai dati non definiti. Cetta Maddalena Pia 25 7. Social Computing : ▪ Nel Social Computing vengono analizzati molteplici contenuti online presenti sui social network, giochi online, blog o wiki; ▪ A partire dai risultati ottenuti si evincono poi modelli e regole per il comportamento sociale. 8. Analisi delle opinioni: ▪ L’ analisi delle opinioni, conosciuto anche come opinion mining o sentiment analysis, definisce i metodi con i quali viene sondato il web alla ricerca di osservazioni circa le opinioni e i sentimenti dell’utente; ▪ I dati così ottenuti vengono utilizzati per individuare l’opinione degli utenti rispetto a specifici temi, eventi e personalità; ▪ L’ opinion mining permette anche di elaborare automaticamente le richieste dei clienti e di risolverle a seconda delle esigenze individuali; Cetta Maddalena Pia 26 9. Servizio di assistenza clienti (telefono, web) e assistenti digitali: ▪ Nello specifico, i software di riconoscimento vocale lavorano con la artificial intelligence; 10.Attori virtuali e bot: ▪ Nello sviluppo di giochi per computer la IA permette di rendere più umane le azioni dei giocatori virtuali. ▪ Per la simulazione di azioni umane in rete vengono sviluppati i cosiddetti bot. ▪ Nello specifico i social bot agiscono in maniera intelligente ma artificiale; Cetta Maddalena Pia 27 11.Crawler : ▪ I crawler vengono utilizzati dai motori di ricerca per sondare il web alla ricerca di informazioni; ▪ Un crawler apprende dagli esempi e ha quindi la capacità di derivarne conclusioni appropriate. 12.Simulazione di gruppo: ▪ Per mezzo dell’intelligenza artificiale è possibile prevedere i modelli di comportamento complessi dei gruppi di persone; ▪ Ciò si utilizza sia per lo sviluppo di giochi di computer sia per le tecnologie destinate alla sicurezza, ma anche nell’analisi di dinamiche virali; 13.Algoritmi di ricerca: ▪ L’intelligenza artificiale è uno dei tanti componenti con i quali vengono ottimizzati gli algoritmi di ricerca. Cetta Maddalena Pia 30 4. Watson: ▪ Il software di comunicazione Watson, sviluppato da IMB, è stato ottimizzato per formulare risposte a domande in una lingua naturale; ▪ Nel 2011 è apparso sul quiz televisivo “Jeopardy!” dimostrando le sue abilità: ha sconfitto i suoi avversari umani con un vantaggio di 2.500 dollari; ▪ Nel frattempo viene utilizzato da aziende sanitarie per studiare i dati delle persone assicurate e per verificare la loro storia medica. 5. Cleverbot : ▪ Il programma di chat basato sul web Cleverbot è in grado di apprendere tramite la comunicazione con le persone; ▪ È un programma di messaggistica istantanea open source che nel 2011 è stato classificato dal test di Turing come “umano” per il 59,3 %; Cetta Maddalena Pia 31 6.TensorFlow: ▪ Viene utilizzato per diversi prodotti di Google, tra cui il riconoscimento vocale di Google, Gmail e Google Search. 7.Facebook AI Research (FAIR)/Torch; 8.Microsoft Emotion Recognition : ▪ Il riconoscimento di emozioni di Microsoft è un tool che riconosce le emozioni a partire dalle immagini. Limiti dell'Intelligenza Artificiale Cetta Maddalena Pia 32 ▪ Il limite principale dell'intelligenza artificiale è che impara dai dati, non vi è altro modo di incorporare conoscenza: ciò significa che qualsiasi imprecisione nei dati si rifletterà nei risultati. ▪ I sistemi di intelligenza artificiale oggi sono addestrati a svolgere un compito ben definito ad esempio : il sistema che gioca a poker non può giocare a solitario o a scacchi, il sistema che rileva le frodi non può guidare un'auto o dare consigli legali. ▪ In altre parole, questi sistemi sono estremamente specializzati: possono concentrarsi su un unico compito e sono ben lontani dal comportarsi come gli esseri umani, analogamente, i sistemi di autoapprendimento non sono sistemi autonomi. Machine Learning ▪ Il machine learning è una branca dell'Intelligenza Artificiale e si basa sull'idea che i sistemi possono imparare dai dati, identificare modelli autonomamente e prendere decisioni con un intervento umano ridotto al minimo. 35Cetta Maddalena Pia Evoluzione del machine learning Cetta Maddalena Pia 36 ▪ I primi ricercatori interessati all'intelligenza artificiale volevano scoprire se i computer potessero apprendere dai dati; ▪ Il machine learning, l'apprendimento automatico, nasce dalla teoria che i computer possono imparare ad eseguire compiti specifici senza essere programmati per farlo, grazie al riconoscimento di schemi tra i dati; ▪ L'aspetto più importante del machine learning è la ripetitività, perchè più i modelli sono esposti ai dati, più sono in grado di adattarsi in modo autonomo: i computer imparano da elaborazioni precedenti per produrre risultati e prendere decisioni che siano affidabili e replicabili. Funzionamento del machine learning Cetta Maddalena Pia 37 ▪ L'apprendimento automatico prevede l'implementazione di algoritmi che consentono al programma di apprendere; ▪ Il primo passo, dunque, consiste nel riempire la macchina con un set di dati etichettati; ▪ Successivamente, il computer deve capire la struttura dei dati ricevuti in input e realizzare un modello così da essere poi in grado di fare delle associazioni; ▪ I feedback forniti dall’uomo sugli errori di classificazione aiutano la macchina nel processo di apprendimento, che basandosi sui riscontri ricevuti continuerà a perfezionarsi Apprendimento supervisionato ▪ Nell’apprendimento supervisionato (supervised learning) il sistema è alimentato con degli esempi. ▪ Gli sviluppatori indicano a quale valore associare l’informazione corrispondente, ad esempio si deve specificare se l'informazione appartiene alla categoria A piuttosto che alla B. ▪ A partire da ciò il sistema autoapprendente deduce determinate informazioni e traccia un modello che sarà in grado di riconoscere anche in futuro, così riuscirà a maneggiare meglio i dati sconosciuti. ▪ Lo scopo principale è di minimizzare sempre più la quota di errori. Cetta Maddalena Pia 40 ▪ Attraverso metodologie come la classificazione, la regressione e la previsione, l'apprendimento supervisionato utilizza i modelli per prevedere il valore da utilizzare ai dati non ancora classificati. ▪ L'apprendimento supervisionato è comunemente utilizzato in applicazioni dove i dati storici sono in grado di predire possibili eventi futuri: ad esempio può prevedere se le operazioni effettuate con alcune carte di credito possono essere fraudolente oppure quali clienti di un'azienda assicurativa potrebbero chiedere un risarcimento. Cetta Maddalena Pia 41 Usi dell'apprendimento supervisionato Classificazione – Regressione – Previsione ▪ Classificazione: questo è il caso quando si assegna un'etichetta o un indicatore, cane o gatto, a un' immagine; • Regressione: questo è il caso in cui si vuole mappare l’input a un output continuo; ▪ Previsione: consente di fare previsioni sul futuro sulla base di dati passati e presenti, si potrebbe, ad esempio, fare una stima delle vendite dell'anno successivo in base alle vendite dell'anno in corso e degli anni precedenti oppure è possibile prevedere se le operazioni effettuate con alcune carte di credito sono fraudolente oppure quali clienti di un'azienda assicurativa potrebbero chiedere un risarcimento. Cetta Maddalena Pia 42 Il clustering ▪ Il clustering consente, a partire dalla raccolta di tutti i dati, di selezionare un elemento le cui caratteristiche sono analizzate e confrontate con quelle già esaminate: ▪ se il programma ha già analizzato elementi simili, allora l’oggetto attuale sarà aggiunto a questi; ▪ in caso contrario sarà invece isolato ▪ L'obiettivo del clustering è di fare in modo che gli esempi in un gruppo (o un cluster) siano più simili (secondo alcuni criteri) rispetto a quelli di altri gruppi. Cetta Maddalena Pia 45 Usi dell'apprendimento non supervisionato ▪ L'apprendimento non supervisionato ad esempio, può individuare consumatori con caratteristiche simili a cui rivolgere campagne di marketing specifiche o può scoprire le caratteristiche principali che differenziano segmenti di consumatori dagli altri; ▪ L'apprendimento non sorvegliato può essere utilizzato anche nella sicurezza di rete: un sistema autoapprendente è qui in grado di riconoscere un comportamento anormale; ▪ Nonostante non sia, ad esempio, possibile associare un cyberattacco a un gruppo noto, il programma è comunque in grado di riconoscere la presenza di una minaccia e provvede quindi a lanciare l’allarme; ▪ Le applicazioni più importanti sono gli assistenti vocali come Alexa, Siri e l’assistente Google. Cetta Maddalena Pia 46 Apprendimento semi supervisionato ▪ Ha le stesse caratteristiche dell'apprendimento supervisionato ma per l'addestramento utilizza dati classificati e non classificati; ▪ Solitamente usa un ridotto volume di dati classificati e un più ampio volume di dati non classificati (perchè acquisire questi ultimi è più economico e meno faticoso); ▪ Questo tipo di apprendimento può essere utilizzato con metodi di classificazione, regressione e previsione; ▪ Un esempio recente sono le fotocamere capaci di identificare il volto delle persone. Cetta Maddalena Pia 47 Vantaggi del M.L 1. Identificazione di tendenze e modelli; 2. Non è richiesta alcuna interferenza umana; 3. Miglioramento continuo; 4. Gestiscone di grandi quantità di dati multidimensionali; 50Cetta Maddalena Pia Cetta Maddalena Pia 51 1.Identificazione di tendenze e modelli: ▪ L'apprendimento automatico aiuta a gestire una enorme quantità di dati (non gestibile da parte degli essere umani) e comprendere le tendenze; 2. Non è richiesta alcuna interferenza umana : ▪ Non è necessario assistere il sistema durante l'elaborazione delle decisioni o impartirgli comandi per eseguire determinate istruzioni; 3. Miglioramento continuo : ▪ Un sistema basato su un algoritmo di apprendimento automatico, aiuta il sistema a comprendere continuamente gli errori e la conseguente rettifica per tali errori consente di aumentare efficienza e precisione; 4. Gestisce grandi quantità di dati multidimensionali : Svantaggi del M.L 1. Acquisizione dei dati; 2. Tempo e risorse; 3. Interpretazione; 4. Elevata suscettibilità agli errori; 52Cetta Maddalena Pia 1. Servizi finanziari / Pubblica amministrazione 2. Medicina / Assistenza Sanitaria; 3. Marketing e vendite; 4. Business Intelligence; 5. Robotica. 6. Trasporti; 7. Traffico; 8. Oli e gas 9. Scienza; 10. Internet; 11. Algoritmi di ranking; 12. Assistenza clienti; 13. Assistenti personali; 14. Giochi; 55Cetta Maddalena Pia Ambiti di applicazione del Machine Learning Cetta Maddalena Pia 56 1. Servizi finanziari / Pubblica amministrazione ▪ Enti pubblici, banche e altre aziende nell'industria finanziaria, avendo a disposizione molteplici sorgenti di dati che possono essere setacciate alla ricerca di informazioni, utilizzano le tecnologie di M.L. con due principali scopi: 1. identificare le informazioni importanti nei dati : ad esempio, le informazioni possono identificare opportunità d'investimento e aiutare gli investitori a sapere quando agire oppure svelare le modalità per aumentare l'efficienza e risparmiare denaro; 2. prevenire le frodi e a ridurre il fenomeno dei furti d'identità. 2. Medicina o assistenza sanitaria : ▪ Il machine learning sta crescendo velocemente nell'industria dell'assistenza sanitaria, grazie all'avvento dei dispositivi indossabili e ai sensori che utilizzano i dati per verificare in tempo reale lo stato di salute di un paziente ▪ Questa tecnologia, inoltre, aiuta i consulenti medici per fare diagnosi e anche per la prognosi di diabete o infarti. Cetta Maddalena Pia 57 3. Marketing e Vendite on line : ▪ Vista la difficoltà di tenere traccia di grandi quantità di dati e di fare valutazioni affidabili, strumenti di analisi di marketing basati sul Machine Learning possono svolgere un ruolo importante; ▪ Essi,infatti, possono consentire di valutare i dati esistenti e di fare previsioni affidabili su quale tipo di post può generare conversioni, quali contenuti i clienti vogliono leggere e quali canali di marketing conducono all’acquisto. 4. Business Inteligence : ▪ Il M.L può essere utilizzato anche per visualizzare importanti dati aziendali e fare previsioni più fondate. Cetta Maddalena Pia 60 8. Oli e Gas : ▪ In questo settore il machine learning viene usato in un numero molto vasto di casi, ad esempio : 1. Trovare nuove risorse energetiche; 2. Analizzare i minerali nel suolo; 3. Prevedere un guasto dei sensori in raffineria; 4. Snellire la distribuzione di petrolio per renderla più efficiente e redditizia. 9. Scienza : ▪ L’ elaborazione intelligente dei big data alleggerisce notevolmente il lavoro della ricerca empirica, ad esempio grazie ai sistemi autoapprendenti i fisici delle particelle riescono a rilevare ed elaborare molti più dati e constatare eventuali anomalie. Cetta Maddalena Pia 61 10. Internet : ▪ Il M.L gioca un ruolo significativo per Internet basti considerare i filtri spam che attraverso un costante apprendimento si affinano e riescono a riconoscere sempre meglio le email indesiderate così da bandirle dalla casella di posta in entrata in maniera sempre più affidabile, oppure per il contrasto di virus e malware 11. Algoritmi di Ranking : ▪ Gli algoritmi di ranking dei motori di ricerca, primo fra tutti RankBrain di Google, sono sistemi autoapprendenti; ▪ Anche se l’algoritmo non capisce l’inserimento dell’utente (perché finora non è mai stato cercato da nessuno), può dedurre e fare una proposta che potrebbe essere inerente alla richiesta. 12.Assistenza Clienti : ▪ I chatbots possono basarsi sul Machine Learning: orientandosi sulle parole chiave contenute nella richiesta dell’ utente, possono guidare il cliente verso le informazioni desiderate attraverso varie domande. Cetta Maddalena Pia 62 13.Assistenti personali : ▪ Anche tra le proprie quattro mura i computer intelligenti diventano sempre più presenti grazie alle smart homes ovvero alle case intelligenti: l'azienda Moley Robotics, ad esempio, sviluppa una cucina intelligente dotata di bracci meccanici che preparano i pasti. ▪ Anche gli assistenti personali come Google Home e Amazon Echo, grazie ai quali è possibile monitorare impianti e dispositivi presenti nella propria casa, si servono delle tecnologie di machine learning per comprendere al meglio le esigenze dei propri utenti. ▪ Molte persone non rinunciano al proprio assistente nemmeno quando sono in giro: Siri, Cortana e Google Assistant consentono agli utenti di dare comandi e fare domande ai propri smartphone tramite comando vocale. Funzionamento del deep learning Cetta Maddalena Pia 65 ▪ Nel Deep Learning l’estrazione delle caratteristiche a partire da dati grezzi avviene in modo autonomo, senza richiedere un processo di “addestramento” preventivo; ▪ Il processo, insomma, non necessita di un modello di riferimento che spieghi al sistema la relazione tra i dati in entrata, ma sarà il sistema stesso a individuarlo; ▪ Questo è possibile grazie alle reti neurali artificiali che si basano sul modello della rete neurale biologica, ricreandola grazie a un set di algoritmi combinati tra loro che creano una struttura multistrato. Feature maps Convolutions Subsampling Convolutions Subsampling Fully connected DEN anti Cetta Maddalena Pia Esempio: riconoscimento delle immagini Cetta Maddalena Pia 67 ▪ La classificazione delle immagini, a seconda che rappresentino cani, gatti o persone, è un compito impegnativo per i computer; ▪ Ciò che può essere immediatamente chiaro per una persona quando osserva un’immagine, non lo è per il computer che deve prima di tutto fare un’analisi delle caratteristiche delle singole immagini. ▪ Nel deep learning l’input di dati grezzi, in questo caso l’immagine, viene analizzato strato per strato; ▪ Nel primo strato di una rete neurale artificiale, ad esempio, il sistema verifica i colori di ogni singolo pixel dell’immagine: ogni pixel viene elaborato da un proprio neurone; ▪ Nel livello successivo vengono identificati i bordi e le forme e, a seguire, vengono controllate le caratteristiche più complesse; Cetta Maddalena Pia 70 1.Risultati migliori rispetto ad altri metodi di apprendimento automatico: ▪ Nel riconoscimento delle immagini e nel linguaggio, la tecnologia è chiaramente superiore a tutte le altre; 2.Esecuzione efficiente delle attività di routine senza variazioni di qualità: ▪ A differenza dei computer, gli esseri umani sono soggetti a essere stanchi e distratti, quindi a commettere errori. ▪ Le reti neurali e deep learning non hanno queste limitazioni e, una volta addestrate, eseguono i compiti in un periodo di tempo molto più breve rispetto all’essere umano. ▪ La tecnologia permette di assolvere a compiti ripetitivi senza mai perdere attenzione, come farebbe l’essere umano, senza alcun peggioramento delle prestazioni nel tempo Cetta Maddalena Pia 71 3.Sviluppo di funzioni ed etichettatura dei dati non necessari; ▪ Nell’apprendimento profondo è il sistema stesso a identificare le variabili utili e a integrarle nel processo di apprendimento; ▪ Il computer è quindi in grado di imparare da solo, senza istruzioni umane, dopo una fase di addestramento inziale; ▪ In precedenza, invece, bisognava contrassegnare manualmente grandi quantità di dati per consentire l’apprendimento della macchina; ▪ Ad esempio : per il riconoscimento delle immagini, erano necessari dipendenti che assegnassero l'etichetta del cane o del gatto alle immagini; ▪ Con il deep learning l’addestramento manuale è molto più breve: questa capacità risparmia una notevole quantità di lavoro. Cetta Maddalena Pia 72 4. Ridurre i costi di produzione : ▪ Nel settore industriale, i richiami di prodotto per difetti sono sempre molto costosi, sia sotto la forma di costi diretti sia d’immagine aziendale; ▪ Con il deep learning è possibile insegnare a un sistema come riconoscere difetti nei prodotti o nell’ etichettatura, altrimenti difficili da rilevare; ▪ Oltre a riconoscere i difetti, il sistema è in grado di apprendere le contromisure adottate e quindi risultare utile per velocizzare processi di manutenzione o d’ispezione. 1. Sicurezza IT; 2. Identificazione delle frodi; 3. Assistenza Clienti (chatbox); 4. Creazione di contenuti; 5. Assistenza vocale; 6. Medicina e biologia 75Cetta Maddalena Pia Ambiti di applicazione del Deep Learning Cetta Maddalena Pia 76 1. Sicurezza IT : ▪ Grazie al Deep Learning, l’efficacia delle misure di sicurezza dei sistemi IT può essere aumentata notevolmente: a differenza dei sistemi basati sul Machine Learning, quelli di Deep Learning non identificano soltanto le minacce conosciute, ma anche quelle sconosciute, che vengono rilevate dal sistema come anomalie del modello di riconoscimento della rete neurale 2. Identificazione delle frodi : ▪ Le soluzioni antifrode basate sul Deep Learning sono in grado di identificare i truffatori seriali che modificano le proprie abitudini per evadere i controlli e di creare modelli predittivi e avanzati, che si adattano a contesti nuovi e sconosciuti; 3. Assistenza Clienti (chatbox) : ▪ Grazie al Deep Learning, i chatbox sono in grado di riconoscere il linguaggio umano e interpretarlo, rendendo l’interazione uomo-macchina molto più efficace e il livello di assistenza offerto decisamente migliore Cetta Maddalena Pia 77 4. Creazione di contenuti (didascalie, articoli,saggi) : ▪ Attraverso l’apprendimento profondo è possibile creare sistemi in grado di creare sistemi in grado di imparare a scrivere in una determinata lingua, apprendendone la grammatica, la punteggiatura, l’ortografia e perfino diversi stili di scrittura; ▪ E' anche possibile creare sistemi in grado di replicare la scrittura manuale umana 5. Assistenza vocale : ▪ Gli assistenti vocali come Alexa, Siri e Google Assistant si basano su algoritmi di apprendimento profondo per migliorare le proprie prestazioni a seconda delle richieste e dei comportamenti dell’utente 6. Medicina e biologia : : ▪ Gli ambiti di applicazione del Deep Learning in questi ambiti sono molteplici, dal riconoscimento dei tumori dei raggi X, all’aiuto nelle diagnosi, al supporto nell’identificazione di sequenze genetiche di virus e malattie, alla creazione di farmaci “personalizzati” "Non-deep" feedforward Deep neural network neural network hidden layer sputa hidden layer 1 hidden layer 2 hidden layer 3 Cetta Maddalena Pia SITCTI S media SinuAhes1 alena Pia Funzionamento delle reti neurali ▪ Le reti neurali possono essere utilizzate per il riconoscimento delle immagini; ▪ A differenza degli esseri umani, un computer non è in grado di riconoscere se un’immagine raffigura un essere umano, una pianta o un oggetto, ma deve esaminare le caratteristiche individuali della figura; ▪ Il computer sa quali caratteristiche sono rilevanti grazie all’algoritmo implementato, oppure può scoprirlo da solo attraverso l’analisi dei dati. ▪ In ogni strato della rete il sistema controlla i segnali di ingresso, cioè le immagini, in base a criteri individuali come il colore, gli angoli e le forme; ▪ Dopo ogni controllo, il computer può valutare meglio ciò che è rappresentato nell’immagine. Cetta Maddalena Pia 82 Reti feed forward ▪ Queste reti neurali artificiali possono condurre le informazioni in una sola direzione di elaborazione; ▪ Le reti possono essere monostrato, cioè costituite solo da livelli di ingresso e di uscita, o multistrato con vari strati nascosti. Cetta Maddalena Pia 85 Reti Ricorrenti ▪ Nelle reti ricorrenti i valori di uscita di uno strato di un livello superiore vengono utilizzati come ingresso ad uno strato di livello inferiore; ▪ Queste interconnessioni tra strati consentono al sistema di creare una memoria; ▪ Le reti ricorrenti sono utilizzate, ad esempio, nel riconoscimento vocale, nella traduzione e nel riconoscimento della grafia Cetta Maddalena Pia 86 ▪ Queste reti sono un sottoinsieme delle reti multistrato; ▪ Sono costituite da almeno cinque strati; ▪ Il riconoscimento dei modelli è eseguito su ogni strato, dove il risultato di un livello è trasferito al livello successivo; ▪ Questo tipo di rete neurale è utilizzato per il riconoscimento delle immagini Cetta Maddalena Pia 87 Reti neurali convoluzionali ▪ In entrambi i casi, l’intelligenza è limitata ai singoli casi d’uso, si tratta quindi di una debole intelligenza artificiale in contrapposizione a una forte intelligenza artificiale che, simile a quella umana, sarebbe in grado di prendere decisioni intelligenti in molti settori e in molte circostanze; ▪ Entrambe le tecnologie dipendono dalla disponibilità di grandi quantità di dati dalle quali i sistemi possono imparare Cetta Maddalena Pia 90 Similitudini tra Deep e Machine Learning ▪ Il Machine Learning è una tecnologia più antica e più semplice da implementare rispetto al Deep learning; !!! Il Deep Learning richiede più risorse informatiche ed è molto più costoso del Machine Learning !!!! ▪ Il Machine Learning utilizza dati strutturati, mentre, nel Deep Learning i dati strutturati non sono necessari; Cetta Maddalena Pia 91 Differenze tra Deep e Machine Learning Cetta Maddalena Pia 92 Nel Machine Learning : ▪ Il sistema viene prima alimentato con dati strutturati e categorizzati in base ai quali capisce come classificare i nuovi dati a seconda del tipo; ▪ In base alla classificazione, il sistema esegue poi le attività programmate: ad esempio è in grado di riconoscere un cane o un gatto in una foto e di spostare i file nelle cartelle corrispondenti; ▪ Dopo una fase iniziale di applicazione, l’algoritmo è ottimizzato dal feedback umano, che indica al sistema le classificazioni errate e le categorizzazioni corrette; ▪ Il M.L funziona già con un database controllabile Usi del ML e del Deep Learning Cetta Maddalena Pia 95 Il Machine Learning è la tecnologia che precede il Deep Learning quindi : tutti i compiti che possono essere risolti con il machine learning possono essere gestiti anche con il deep learning. Cetta Maddalena Pia Data Mining Il data mining può essere considerato come un assortimento di metodi diversi per estrarre informazioni dai dati. Può coinvolgere metodi statistici tradizionali e machine learning. Il data mining applica metodi da molte aree differenti per identificare in anticipo schemi sconosciuti nei dati. Questo può comprendere algoritmi statistici, machine learning, text analytics, analisi delle serie temporali e altre aree ancora. Il data mining comprende anche lo studio e la messa in opera di tecniche per l'archiviazione dei dati e la loro manipolazione. Machine Learning L'approccio del machine learning, così come i modelli statistici, ha come obiettivo quello di capire la struttura dei dati. Dietro ad ogni modello esiste una teoria matematica comprovata, ma perchè ciò accada i dati devono soddisfare alcuni presupposti specifici. Il machine learning si è sviluppato basandosi sull'utilizzo dei computer per sondare i dati alla ricerca di una struttura, anche se non si ha una teoria su come potrebbe presentarsi quella struttura. Il test di un modello di machine learning si basa sugli errori di validazione di nuovi dati, non è un test teorico che prova un'ipotesi senza valore. L'apprendimento può essere automatizzato, perchè il machine learning utilizza un approccio iterativo. Vengono eseguiti molteplici passaggi con i dati fino a quando si individua un modello funzionante. Deep Learning Il deep learning combina computer sempre più potenti a speciali reti neuronali per comprendere gli schemi presenti nei grandi volumi di dati. Le tecniche di deep learning sono attualmente allo stato dell'arte per la capacità di identificare oggetti nelle immagini e le parole nei suoni. | ricercatori stanno ora cercando di applicare questi successi nel riconoscimento dei modelli a compiti più complessi, come la traduzione automatica del linguaggio, le diagnosi mediche e in tanti altri importanti ambiti, sia sociali che di business. Data mining VS Machine Learning Cetta Maddalena Pia 97 ▪ Con Data Mining si definisce l’analisi dei big data; ▪ Il Data Mining si differenzia dall’apprendimento automatico perché si basa sull’applicazione di modelli riconosciuti, invece di trovarne di nuovi