Pubblichiamo qui di seguito la seconda parte del Glossario sintetico dell’Intelligenza Artificiale (al seguente link potete visionare la prima parte).
Ribadiamo che non si è preteso di proporre al lettore qualcosa di completamente esauriente, ma di segnalare ad oggi alcuni dei principali termini nell’ambito della AI.
Riprendiamo la nostra disamina, segnalando contestualmente che potrete poi scaricare il glossario completo in formato PDF (link a fine articolo):
Elaborazione del Linguaggio Naturale (NLP)
L’NLP è un ramo dell’intelligenza artificiale che si occupa dell’interazione tra computer e linguaggio umano. Include attività come la traduzione automatica, l’analisi del sentiment, la sintesi vocale, il riconoscimento vocale e la generazione automatica di testo.
L’NLP combina modelli linguistici con tecniche statistiche e reti neurali. Tecniche che permettono ai computer di comprendere, interpretare e generare testo o parlato umano.
Esempio: un software per il servizio clienti analizza automaticamente le email ricevute e le smista ai reparti competenti in base al contenuto testuale. Oppure, un assistente vocale analizza una domanda e risponde utilizzando algoritmi di NLP.
Explainable AI (XAI)
La XAI comprende un insieme di tecniche progettate per rendere comprensibili e trasparenti i processi decisionali dei modelli AI, specialmente quelli complessi e opachi come le reti neurali profonde. L’obiettivo è fornire agli utenti (e agli auditor) motivazioni verificabili dietro ogni decisione. Insieme di strumenti e approcci che rendono chiari i processi decisionali dei modelli AI.
Esempio: in ambito sanitario, un modello XAI mostra quali sintomi e parametri clinici hanno contribuito maggiormente alla diagnosi suggerita, permettendo al medico di validare o correggere la previsione.
Intelligenza Artificiale (AI)
L’AI è il campo dell’informatica che si occupa dello sviluppo di sistemi capaci di eseguire attività che, se svolte da esseri umani, richiederebbero intelligenza. Queste attività includono l’apprendimento, la pianificazione, la comprensione del linguaggio, la percezione visiva e il ragionamento. Le tecniche usate spaziano da regole logiche a metodi statistici fino alle reti neurali.
È insomma il campo dell’informatica che sviluppa sistemi capaci di eseguire compiti che richiederebbero intelligenza umana.
Esempio: un chatbot AI fornisce assistenza ai clienti 24 ore su 24, rispondendo automaticamente a domande frequenti.
Overfitting
L’overfitting è una condizione in cui un modello si adatta troppo ai dati di addestramento, includendo anche il “rumore” o le anomalie casuali. Questo comporta una scarsa capacità di generalizzazione e prestazioni inferiori su dati nuovi. La regolarizzazione e il cross-validation sono tecniche usate per ridurre l’overfitting. È insomma un fenomeno per cui un modello si adatta troppo ai dati di addestramento, perdendo capacità di generalizzazione.
Esempio: un modello predittivo per le vendite settimanali impara eccezioni specifiche (come un picco anomalo dovuto a una festività) ma fallisce nel predire vendite future più stabili.
Prompt Engineering
È la pratica di progettare con cura le richieste (prompt) rivolte a un modello linguistico per ottenere risposte mirate, coerenti e rilevanti. Implica la scelta delle parole giuste, del contesto e della struttura dell’input per guidare l’output del modello, in particolare nei sistemi generativi come ChatGPT o Google Gemini.
Concepire con cura le domande rivolte a un modello linguistico per ottenere risposte efficaci.
Esempio: per ottenere un elenco puntato chiaro, un utente scrive: “Elenca 3 vantaggi della guida autonoma rispetto alla guida umana, in modo sintetico”. Oppure chiedere “Spiega tre vantaggi dell’energia solare” produce una risposta ben strutturata.
Reti Neurali Artificiali
Sono modelli computazionali ispirati alla struttura e al funzionamento del cervello umano. Le reti neurali sono composte da unità (neuroni) organizzate in strati e collegate che si aggiornano durante l’addestramento. Sono alla base delle tecnologie più avanzate in deep learning.
Insomma modelli ispirati al cervello umano, composti da neuroni artificiali organizzati in strati connessi.
Esempio: una rete neurale convoluzionale (CNN) viene utilizzata per rilevare tumori in immagini di risonanza magnetica. Oppure: una rete neurale viene usata per riconoscere cifre scritte a mano su moduli digitalizzati.
Tuning del Modello
Il tuning del modello è il processo di regolazione dei parametri interni (come tasso di apprendimento, profondità della rete, regolarizzazione) per migliorare le prestazioni del modello su dati reali. Questa fase può includere tecniche automatiche come la ricerca su griglia o l’ottimizzazione bayesiana.
Vale a dire ottimizzazione dei parametri di un modello AI per migliorarne precisione ed efficienza.
Esempio: un data scientist regola il tasso di apprendimento e la profondità della rete neurale per migliorare le performance.
Visione Artificiale
È il campo dell’AI che consente ai sistemi di acquisire, elaborare e interpretare informazioni visive. Utilizza tecniche di analisi delle immagini per identificare oggetti, persone, scene o movimenti. È fondamentale in settori come la robotica, la sicurezza, l’automotive e il retail.
In definitiva si tratta della branca dell’AI che consente ai sistemi di acquisire, elaborare e interpretare dati visivi.
Esempio: un sistema installato in un supermercato analizza le immagini delle telecamere per riconoscere i prodotti prelevati dagli scaffali in tempo reale. Oppure un sistema analizza immagini da una telecamera per rilevare prodotti difettosi su una linea di produzione.
Concludiamo qui il nostro breve excursus, ci auguriamo utile proprio in quanto sintetico ed immediato. Se gradite una versione in PDF del Glossario sintetico dell’Intelligenza Artificiale, potete scaricarla al link a fondo pagina.
immagini di proprietà + pixabay.com + dahua
SCARICA il Glossario sintetico dell’Intelligenza Artificiale in formato PDF