Please enable JavaScript.
Coggle requires JavaScript to display documents.
CAP 2 - Coggle Diagram
CAP 2
APPLICAZIONI TECNOLOGIE E CASI D'USO
Ottimizzazione su grafi GPS
Nodi (città/incroci) e archi (strade) per percorsi ottimi in tempo reale
Visione artificiale CNN & ImageNet
Reti Convozionali
Ispirate alla corteccia visiva (dai contorni alle figure complesse)
Imagenet
Abbattimento del tasso di errore (<5%), superiore alle capacità umane.
elaborazione del linguaggio naturale NPL & LSTM
Memoria a lungo termine per comprendere il contesto.
Modelli generativi GAN
Struttura a 2 reti
Generatore (fabbrica falsi) vs Discriminatore (scova i falsi)
Rischi collaterali
Deepfake video/audio e truffe di ingegneria sociale.
Guida autonoma
6 livelli SAE
Sensori
Lipari, telecamere, radar ( 5 TB all'ora )
Criticità
Casi limite imprevisti, vulnerabilità di sicurezza e dilemmi etici
Digital Agriculture
Modelli predittivi climativi
avvisi SMS DI semina ( +30% di resa dei raccolti )
ARCHITETTURA DELLE RETI NEUTRALI
Meccanica di calcolo
somme pesate dagli ingressi ( input x pesi )
Addestramento
Funzione di perdita
Calcolo della discrepanza tra output generato e valore reale.
Backpropagation
Propagazione a ritroso dell'errore per correggere i pesi sinaptici.
Struttura a strati
Livello di input -->; Livelli nascosti (estrazione feature) -->; Livello di output
Ispirazione biologica
Neuroni formali (McCulloch & Pitts), sinapsi pesate e percettrone (Rosenblatt)
FONDAMENTI DATI E COMPUTAZIONE
Rappresentazione
Tutti i fenomeni fisici/digitali sono tradotti in segnali elettrici e bit (0 e 1)
Driver della rinascrita AI
Big Data
Esplosione dei volumi informativi (Cisco Visual Networking Index)
Potenza computazionale
Hardware scalabile e calcolo parallelo.
Storage accessibile
Capacità di memorizzare dataset immensi a bassi costi.
paragdimi teorici
IA ristretta
(compiti specifici/verticali)
VS
IA Generale / AGI
Trasversale e autonoma
approccio top-down
simbolico, regole rigide
VS
Bottom-up
connessionista, induttivo sui dati
MACHINE LEARNING E LA STATISTICA
Le 3 metodologie di apprendimento
Non supervisionato
Nessuna etichetta
Clustering e raggruppamento per somiglianze.
Supervisionato
dati etichettati
Classificazione (categorie discrete) o Regressione (valori continui)
Per rinforzo
Agente autonomo in un ambiente
Massimizzazione di una ricompensa/premio numerico.
Ruolo dell'errore
L'errore è fisiologico; costituisce la base per l'adattamento e l'apprendimento
Principio cardine
"Rosso di sera bel tempo si spera" -> Stime probabilistiche su caratteristiche (features).