TERMINOLOGIA INTELLIGENZA ARTIFICIALE

Terminologie:

Apprendimento Automatico (Machine Learning): Sottocampo dell'AI che utilizza algoritmi per permettere ai computer di apprendere dai dati senza essere esplicitamente programmati.
Esempio: Un sistema di raccomandazione di Netflix che impara dalle preferenze di visione degli utenti per suggerire nuovi film e serie TV

Apprendimento Profondo (Deep Learning): Sottocategoria del machine learning che utilizza reti neurali artificiali con molteplici strati per analizzare dati complessi.
Esempio: Il sistema di riconoscimento facciale di Facebook che utilizza reti neurali profonde per identificare persone nelle foto caricate dagli utenti.

Rete Neurale (Neural Network): Modello computazionale ispirato al cervello umano, composto da nodi interconnessi che elaborano informazioni.
Esempio: AlphaGo, il programma di Google DeepMind che ha sconfitto i campioni mondiali di Go utilizzando reti neurali per valutare le mosse.

NLP (Natural Language Processing): Campo dell'AI che si occupa dell'interazione tra computer e linguaggio umano, comprendendo attività come la traduzione automatica e il riconoscimento vocale.
Esempio: Gli assistenti vocali come Siri o Alexa che interpretano i comandi vocali e rispondono alle domande degli utenti

IA Generativa (Generative AI): Tipo di AI che crea nuovi contenuti o dati, come testi o immagini, basandosi su modelli preesistenti.
Esempio: DALL-E 2 di OpenAI, che genera immagini originali basate su descrizioni testuali fornite dagli utenti.

Apprendimento Supervisionato (Supervised Learning): Tecnica di machine learning in cui il modello viene addestrato su un dataset etichettato, confrontando le sue previsioni con le etichette corrette.
Esempio: Un filtro antispam che impara a classificare le email come spam o non spam basandosi su esempi precedentemente etichettati.

Apprendimento Non Supervisionato (Unsupervised Learning): Approccio in cui il modello esplora i dati senza etichette, cercando di identificare pattern o gruppi.
Esempio: Un algoritmo di clustering che raggruppa i clienti di un e-commerce in segmenti basati sui loro comportamenti d'acquisto, senza categorie predefinite.

Apprendimento per Rinforzo (Reinforcement Learning): Metodo in cui un agente apprende a prendere decisioni ottimali attraverso ricompense e punizioni in base alle sue azioni.
Esempio: Un programma che impara a giocare a scacchi migliorando le sue strategie attraverso numerose partite, ricevendo "ricompense" per le vittorie e "punizioni" per le sconfitte.

Modello di Linguaggio (Language Model): Algoritmo addestrato su grandi quantità di testo per prevedere parole o frasi successive in un contesto dato.
Esempio: GPT-3 di OpenAI, che può generare testi coerenti e rispondere a domande basandosi sul contesto fornito.

Analisi del Sentiment (Sentiment Analysis): Tecnica per determinare l'atteggiamento o l'opinione espressa in un testo.
Esempio: Un sistema che analizza i tweet relativi a un prodotto per determinare se l'opinione pubblica è generalmente positiva, negativa o neutra.

Visione Artificiale (Computer Vision): Campo dell'AI dedicato all'interpretazione e comprensione delle immagini e dei video.
Esempio: I sistemi di guida autonoma che utilizzano la visione artificiale per riconoscere segnali stradali, pedoni e altri veicoli.

Sistemi Esperti (Expert Systems): Programmi progettati per risolvere problemi complessi imitando il processo decisionale umano in specifici domini.
Esempio: MYCIN, un sistema esperto sviluppato negli anni '70 per diagnosticare malattie infettive del sangue e consigliare trattamenti antibiotici.

Hallucinations:Definizione: Situazione in cui un modello AI genera contenuti plausibili ma inaccurati o inventati.

Esempio pratico: Un assistente virtuale a cui viene chiesto di fornire informazioni su un evento storico potrebbe generare una risposta dettagliata ma completamente fittizia. Ad esempio, potrebbe descrivere una battaglia della Seconda Guerra Mondiale che non è mai avvenuta, includendo date, luoghi e nomi di comandanti inventati, il tutto in modo apparentemente coerente e credibile.

Transfer Learning:Definizione: Tecnica in cui un modello addestrato su un compito utilizza la conoscenza acquisita per migliorare l'apprendimento su un compito correlato.

Esempio pratico: Un modello di visione artificiale inizialmente addestrato per riconoscere automobili potrebbe essere rapidamente adattato per identificare camion o motociclette. Il modello sfrutterebbe la sua comprensione preesistente delle caratteristiche dei veicoli (come ruote, fari, ecc.) per apprendere più velocemente le nuove categorie.

Hyperparameter:Definizione: Parametri esterni a un modello che devono essere impostati prima dell'addestramento, influenzando le prestazioni del modello stesso.

Esempio pratico: In un algoritmo di gradient boosting come XGBoost, il numero di alberi decisionali (n_estimators) è un iperparametro cruciale. Un data scientist potrebbe sperimentare con valori come 100, 500 o 1000 alberi per trovare il giusto equilibrio tra accuratezza del modello tempo di addestramento.

Bias:Definizione: Nel machine learning, il bias può riferirsi sia a errori sistematici nelle previsioni del modello(bias statistico) sia a pregiudizi ingiusti incorporati nel modello (bias algoritmico).

Esempio pratico di bias statistico: Un modello di previsione meteorologica potrebbe costantemente sottostimare le temperature massime giornaliere di 2°C, mostrando un bias sistematico nelle sue previsioni.

Esempio pratico di bias algoritmico: Un sistema di selezione dei curriculum vitae addestrato su dati storici potrebbe sfavorire sistematicamente le candidature femminili per posizioni dirigenziali, riflettendo e perpetuando pregiudizi di genere presenti nei dati di addestramento.