Glossario IA - PDF

GLOSSARIO IA / / pag. 1 Glossario IA Il glossario è strutturato in questo modo: due parti, una con i termini di base e una con quelli più tecnici e di approfondimento; pe...

GLOSSARIO IA / / pag. 1 Glossario IA Il glossario è strutturato in questo modo: due parti, una con i termini di base e una con quelli più tecnici e di approfondimento; per ogni voce è stata scritta una breve definizione, in linguaggio semplice e fornito un esempio; i termini relativi all’etica dell’IA sono segnalati con la parola Etica tra parentesi. Conoscenze di Base Agente Intelligente Un programma o dispositivo che percepisce il suo ambiente attraverso sensori e agisce su di esso per raggiungere determinati obiettivi. Gli agenti intelligenti apprendono e migliorano le proprie azioni basandosi sui dati raccolti. Esempio: Un assistente virtuale che impara le preferenze dell’u- tente per suggerire musica o notizie in linea con i suoi gusti. Algoritmo Una serie di regole o istruzioni sequenziali progettate per eseguire operazioni specifiche e risolvere problemi. Gli algoritmi in IA possono essere utilizzati per identificare modelli o prendere decisioni. Esempio: L’algoritmo di Netflix che raccomanda film e serie TV in base alle visualizzazioni precedenti dell’utente. Analisi predittiva Utilizzo di dati storici e algoritmi statistici per identificare la probabilità di eventi futuri. Questa analisi aiuta a prendere decisioni più informate. Esempio: Una scuola potrebbe usare l’analisi predittiva per valutare il rischio di abbandono scolastico, analizzando dati come l’assiduità, i voti e l’impegno degli studenti in attività extracurriculari. Con questi dati, l’istituto potrebbe intervenire preventivamente, offrendo supporto mirato agli studenti a rischio. Automazione L’impiego di sistemi informatici per svolgere attività senza intervento umano, migliorando l’ef- ficienza e riducendo gli errori. Esempio: I robot nelle fabbriche automobilistiche che assemblano parti di veicoli con precisione e velocità superiori agli operai umani. Autonomia (Etica) Il principio di autonomia nell'Etica dell'IA sottolinea l'importanza di preservare l'autonomia umana, garantendo che le decisioni basate su sistemi di IA siano il risultato di scelte umane consapevoli e non di una dipendenza non critica dalla tecnologia. Esempio: Piattaforme online che utilizzano algoritmi per raccomandare contenuti ma offrono agli utenti la capacità di modificare o disattivare tali raccomandazioni, mantenendo il controllo sull'esperienza digitale. Beneficenza (Etica) Nell’ambito dell’etica dell’IA, il principio di beneficenza si riferisce all’obbligo di agire per il bene de- gli esseri umani, assicurando che le applicazioni di IA siano sviluppate e utilizzate per promuovere il benessere e il progresso umano, senza arrecare danno. Esempio: Algoritmi di IA usati nel settore sanitario per identificare potenziali epidemie e prevenire la diffusione di malattie, contribuendo così alla salute pubblica. Segui la pagina su mondadorieducation.it © 2023 Mondadori Education  GLOSSARIO IA / / pag. 2 Conoscenze di Base Big Data Rappresenta ingenti quantità di dati, sia strutturati che no, che vengono analizzati per scoprire pattern, tendenze e associazioni, specialmente in relazione ai comportamenti e alle interazioni umane. Esempio: Studi epidemiologici che utilizzano big data per tracciare la diffusione di malattie e prevedere focolai futuri. Capacità La misura delle prestazioni tecniche di un sistema informatico, che include la velocità di elabora- computazionali zione dei dati, la memoria disponibile e la capacità di calcolo parallelo. Tali capacità sono cruciali per eseguire i complessi algoritmi dell’intelligenza artificiale, in particolare quelli che richiedono il processamento di grandi volumi di dati in tempo reale. Esempio: Un computer di bordo in un veicolo autonomo che deve elaborare immediatamente i dati provenienti da sensori e telecamere per prendere decisioni di guida sicure. Chatbot Programmi informatici avanzati capaci di condurre una conversazione con gli utenti umani, tipicamente via testo. Questi sistemi sono spesso alimentati da algoritmi di machine learning e intelligenza artificiale per migliorare la capacità di risposta e apprendere dalle interazioni prece- denti. Esempio: Un servizio di assistenza clienti online che utilizza una chatbot per rispondere alle domande frequenti dei clienti, alleggerendo il carico di lavoro del personale di supporto. Classificazione Nel contesto del machine learning, la classificazione è il processo di assegnare un’etichetta a un esempio di dati basandosi su un set di esempi di apprendimento pre-etichettati. Questo compito è fondamentale in molte applicazioni, dalla diagnostica medica alla filtrazione di e-mail inde- siderate. Esempio: Un’applicazione che analizza le recensioni online dei libri e le classifica come positive o negative, aiutando i lettori a scegliere le loro prossime letture. Cloud Computing La tecnologia che permette di accedere a risorse di elaborazione, come server e storage, tramite internet anziché su macchine locali. Offre vantaggi significativi in termini di scalabilità, efficienza e accessibilità delle informazioni, risultando fondamentale per supportare sistemi complessi di intelligenza artificiale che richiedono un’elevata potenza di calcolo e la gestione di grandi volumi di dati. Inoltre, molti servizi di IA sono ormai forniti tramite il cloud, permettendo alle aziende di tutte le dimensioni di sfruttare l’apprendimento automatico e l’analisi dei dati senza la necessità di hardware e software specializzati. Esempio: Le piattaforme di cloud computing facilitano lo sviluppo e il deployment di modelli di machine learning, consentendo ai ricercatori di utilizzare infrastrutture virtualizzate per l’addestramento di reti neurali complesse, e alle imprese di implementare soluzioni di IA come chatbot o sistemi di riconoscimento delle immagini con relativa facilità e flessibilità. Computer Vision Questa branca dell’intelligenza artificiale si concentra sull’abilità dei sistemi informatici di inter- pretare informazioni visive in modo simile agli esseri umani. L’obiettivo è permettere alle mac- chine di elaborare, analizzare e comprendere le immagini e i video per eseguire compiti specifici come il riconoscimento di oggetti, persone o scene. Esempio: Un’applicazione per smartphone che, usando la fotocamera, può riconoscere e fornire informazioni sulle piante o animali inquadrati, utile per gli escursionisti e gli appassionati di natura. Segui la pagina su mondadorieducation.it © 2023 Mondadori Education  GLOSSARIO IA / / pag. 3 Conoscenze di Base Data Mining Processo analitico che mira a scoprire relazioni, pattern e tendenze significative in grandi insiemi di dati, sfruttando metodi statistici, matematici e di machine learning. Questa tecnica è impiegata per estrarre conoscenze utili da vasti accumuli di dati grezzi. Esempio: Una scuola utilizza il data mining per esaminare le performance degli studenti su diversi anni, identificando i fattori che contribuiscono al successo accademico, consentendo così agli insegnanti di modulare le strategie didattiche e di supporto in modo personalizzato. Deepfake Una tecnica per la sintesi dell’immagine umana basata sull’intelligenza artificiale. Viene utilizzata per sovrapporre esistenti file audio e video con nuovi contenuti in cui volti, voci o movimenti sono alterati o completamente falsificati. Questo è spesso realizzato con l’uso di reti neurali profonde, come le Reti Neurali Generative Avversarie (GAN). Il termine “deepfake” è una combinazione delle parole “deep learning” e “fake” (falso in inglese). Esempio: Nell’ambito educativo, i deepfake po- trebbero essere utilizzati per creare simulazioni interattive di eventi storici, permettendo agli stu- denti di vedere “riprese” di figure storiche mentre parlano o agiscono in scene rievocate. Tuttavia, l’uso etico e la presentazione chiara della natura artificiale di tali contenuti sarebbero essenziali per evitare la disinformazione. Deep Learning Una branca avanzata del machine learning che utilizza reti neurali articolate in molteplici livelli o (Apprendimento “strati” per apprendere autonomamente da grandi quantità di dati. Questi modelli sono capaci di Profondo, DL) identificare pattern complessi e svolgono un ruolo cruciale in applicazioni come il riconoscimento facciale, la traduzione automatica e l’analisi di immagini mediche. Esempio: Software di ricono- scimento vocale che impara a comprendere e rispondere a comandi in varie lingue e accenti, migliorando l’interazione tra l’utente e i dispositivi intelligenti. Dati strutturati I dati strutturati sono organizzati in un formato facilmente interrogabile, come tabelle o databa- e non strutturati se, mentre i dati non strutturati non seguono un modello o schema predefinito, come testi liberi, immagini, video e post sui social media. Esempio: Le aziende possono analizzare i dati strutturati delle vendite insieme ai riscontri non strutturati dei clienti sui social media per ottenere una com- prensione più completa delle preferenze dei consumatori. Elaborazione È una modalità di computazione in cui molti calcoli o l’esecuzione di processi sono effettuati parallela simultaneamente. Grandi problemi possono essere divisi in diverse parti più piccole che vengono poi processate contemporaneamente (in parallelo) su diversi processori o sistemi. Questo ap- proccio è cruciale per l’alta efficienza computazionale e viene largamente sfruttato in contesti che richiedono un’intensa capacità di calcolo, come l’analisi dei grandi dati, le simulazioni complesse e, in particolare, nell’addestramento di modelli di intelligenza artificiale e machine learning. Esempio: Nel campo dell’intelligenza artificiale, l’elaborazione parallela è utilizzata per l’addestra- mento delle reti neurali profonde, dove enormi set di dati devono essere processati e i parametri del modello (come i pesi) devono essere aggiornati in modo efficiente. Sistemi di elaborazione parallela consentono di distribuire il lavoro su migliaia di core di processori per ridurre significati- vamente i tempi necessari per l’addestramento dei modelli. Segui la pagina su mondadorieducation.it © 2023 Mondadori Education  GLOSSARIO IA / / pag. 4 Conoscenze di Base Esplicabilità (Etica): L’esplicabilità si riferisce alla capacità di spiegare e rendere comprensibili le decisioni e i processi degli algoritmi di IA. Questo principio enfatizza l’importanza della trasparenza e della responsabi- lità nell’uso dell’IA. Esempio: Un sistema di IA utilizzato per fornire decisioni di credito che può det- tagliare i fattori che hanno influenzato la sua decisione, rendendo il processo decisionale chiaro e comprensibile per gli utenti. Etica dell’IA Campo di indagine che esamina le implicazioni morali e sociali dell’intelligenza artificiale, com- prese le preoccupazioni relative ai diritti alla privacy, ai pregiudizi intrinseci negli algoritmi, alla responsabilità delle decisioni automatizzate e all’impatto più ampio dell’IA sulla società e sul la- voro. Esempio: L’utilizzo di sistemi basati su IA per valutare le prove scolastiche potrebbe sollevare questioni etiche importanti in termini di equità e trasparenza per gli studenti e gli insegnanti. Giustizia (Etica) Il principio di giustizia nell’Etica dell’IA si concentra sulla distribuzione equa dei benefici e dei danni che la tecnologia può portare, cercando di evitare discriminazioni e di assicurare che tutti abbiano accesso equo ai vantaggi offerti dall’IA. Esempio: Lo sviluppo di sistemi di IA per la selezione del personale che siano privi di pregiudizi e che garantiscano pari opportunità a tutti i candidati, indi- pendentemente dalla loro formazione. GPT (Generative GPT è un modello di linguaggio basato sull’architettura Transformer che utilizza l’apprendimento Pre-trained profondo per produrre testo che può essere incredibilmente umano nel tono e nella struttura. Il Transformer) modello viene pre-addestrato su un vasto dataset di testi e poi affinato (fine-tuned) su compiti specifici come la risposta a domande, la traduzione e la creazione di contenuti. Esempio: GPT-4, una delle versioni più avanzate, è in grado di generare articoli, poesie, storie, codice di program- mazione e persino di sostenere conversazioni interattive. Image Recognition Il processo automatico per cui un sistema informatico identifica oggetti, persone, luoghi o azioni (Riconoscimento in immagini digitali. Le tecnologie di riconoscimento delle immagini fanno spesso affidamento su delle immagini) metodi avanzati di deep learning, come le reti neurali convoluzionali (CNN), per analizzare visiva- mente e interpretare i dati delle immagini. Esempio: Nella sanità, il riconoscimento delle imma- gini viene utilizzato per analizzare immagini radiologiche o scansione di tessuti in patologia per individuare segni precoci di malattie come il cancro. In particolare, i sistemi di IA possono essere addestrati a riconoscere formazioni tumorali in mammografie con una precisione che, in alcuni casi, eguaglia o supera quella dei radiologi esperti. Intelligenza Una forma di intelligenza artificiale che può comprendere, imparare ed eseguire compiti intel- Artificiale Generale lettuali su un livello paragonabile all’intelligenza umana. L’AGI sarebbe in grado di applicare la (AGI) conoscenza e le abilità di problem-solving in una vasta gamma di contesti diversi, mostrando adattabilità e comprensione del mondo su scala umana. Esempio: Un sistema AGI potrebbe essere utilizzato per condurre ricerche mediche autonome, formulando ipotesi, conducendo esperimenti virtuali, analizzando dati di studi clinici, e sviluppando nuovi farmaci, adeguandosi alle scoperte emergenti e regolamenti in tempo reale, senza bisogno di direttive specifiche da parte di ricerca- tori umani. Si ritiene che la realizzazione di un’AGI sia ancora molto lontana. Segui la pagina su mondadorieducation.it © 2023 Mondadori Education  GLOSSARIO IA / / pag. 5 Conoscenze di Base Intelligenza Si tratta di un tipo di intelligenza artificiale che è in grado di creare nuovi contenuti, come im- Artificiale magini, testi e suoni, che possono essere indistinguibili da quelli creati da esseri umani. Questo Generativa si realizza attraverso l’apprendimento di grandi quantità di dati e l’imitazione dello stile o delle caratteristiche di quei dati. Esempio: Un software che produce nuove composizioni musicali dopo aver appreso lo stile di vari compositori classici, generando pezzi originali che rispecchiano il gusto e la complessità delle opere apprese. Intelligenza Anche nota come intelligenza artificiale debole, si riferisce a sistemi di IA progettati e addestrati Artificiale Ristretta per compiere una o poche attività specifiche, senza la consapevolezza o l’intelligenza generale umana. Questi sistemi sono ottimizzati per compiti ben definiti e operano all’interno di limiti stretti. Esempio: Un sistema di riconoscimento facciale utilizzato per lo sblocco sicuro di smar- tphone, che può identificare accuratamente il proprietario del dispositivo tra migliaia di volti. Large Language I modelli di linguaggio di grandi dimensioni sono sistemi di intelligenza artificiale addestrati su Models vasti corpus di testo che possono comprendere e generare lingua naturale in modo coerente e contestualizzato. Questi modelli sono alla base di molte applicazioni moderne, dalla traduzione automatica ai sistemi di assistenza virtuale. Esempio: Assistente digitale che può svolgere compiti complessi come scrivere e-mail, comporre poesie o codificare programmi, basandosi sulla sua comprensione del linguaggio acquisita tramite l’analisi di una grande quantità di testi. Machine Learning Un sottocampo dell’intelligenza artificiale che consente ai computer di apprendere e migliorare (Apprendimento le proprie prestazioni da esperienze passate (dati) senza essere esplicitamente programmati. I Automatico, ML) modelli di machine learning identificano pattern nei dati e fanno previsioni o prendono decisioni basate su nuove informazioni. Esempio: Un sistema antispam che impara a riconoscere e filtrare messaggi di posta elettronica indesiderati in base alle caratteristiche dei messaggi precedente- mente segnalati come spam dagli utenti. Modellazione Tecnica che utilizza dati storici e analisi statistiche per fare previsioni su eventi futuri. Questi predittiva modelli sono addestrati utilizzando dati esistenti per poi prevedere l’esito o il comportamento di variabili di interesse in nuove situazioni. Esempio: Un’azienda di assicurazioni che impiega la mo- dellazione predittiva per determinare il rischio di sinistri dei suoi assicurati, basandosi su fattori come età, storia di guida e modello del veicolo. Natural Language Ramo dell’intelligenza artificiale che si occupa della capacità dei computer di comprendere e Processing manipolare il linguaggio umano. Il NLP permette ai computer di leggere testo, ascoltare discorsi, (Elaborazione interpretarli, misurarne il sentimento e determinare quali parti di informazione sono importanti. del Linguaggio Esempio: Un’applicazione che analizza le risposte a domande aperte in test di valutazione, aiutan- Naturale, NLP) do gli insegnanti a valutare la comprensione degli studenti e identificare aree che necessitano di ulteriore spiegazione o ripasso. Segui la pagina su mondadorieducation.it © 2023 Mondadori Education  GLOSSARIO IA / / pag. 6 Conoscenze di Base Neuroni artificiali Elementi di base che compongono una rete neurale artificiale. Ispirati ai neuroni del cervello umano, i neuroni artificiali ricevono segnali di input, li elaborano e trasmettono l’output ai neuroni successivi. Sono utilizzati per modellare complesse funzioni matematiche e logiche all’interno di un algoritmo di apprendimento automatico. Esempio: Un sistema di riconoscimento delle impron- te digitali che utilizza neuroni artificiali per identificare le caratteristiche uniche di un’impronta digitale e confrontarla con un vasto database. Non maleficenza Il principio di non maleficenza esige che le tecnologie di intelligenza artificiale non arrechino (Etica) danno agli utenti o alla società. Questo implica la progettazione di sistemi di IA con meccanismi di sicurezza adeguati e la prevenzione di effetti collaterali negativi. Esempio: Sistemi di IA incorpo- rati nelle automobili autonome che devono prendere decisioni in frazioni di secondo per evitare incidenti e salvaguardare la vita dei passeggeri e degli altri utenti della strada. Optical Character Una tecnologia che consente di convertire diversi tipi di documenti, come scansioni di documenti Recognition cartacei, PDF o immagini catturate da una fotocamera, in dati testuali modificabili e ricercabili. (Riconoscimento OCR utilizza il riconoscimento delle immagini per identificare e distinguere i caratteri tipografici o Ottico dei Caratteri, la scrittura a mano e trasformarli in testo digitale. Esempio: Nel settore bancario, l’OCR è usato per OCR) digitalizzare gli assegni, permettendo alle banche di processare pagamenti senza la necessità di inserimento manuale dei dati. Quando un cliente deposita un assegno attraverso un ATM, l’OCR rileva e interpreta le informazioni scritte sull’assegno, come il numero dell’assegno, l’importo del pagamento e i dati del conto, automatizzando il processo di deposito. Rete neurale Una rete di neuroni artificiali strutturati in strati che lavorano insieme per apprendere dai dati, iden- tificare pattern e prendere decisioni. Le reti neurali sono ispirate alla struttura del cervello umano e sono particolarmente efficaci nell’apprendimento di compiti complessi come la visione e il riconosci- mento del linguaggio. Esempio: Un’app di traduzione automatica che usa una rete neurale per capire e tradurre il testo da una lingua all’altra mantenendo il contesto e le sfumature del significato. Reinforcement Un tipo di apprendimento automatico in cui un agente impara a prendere decisioni ottimizzando le Learning azioni basate sul feedback ricevuto sotto forma di ricompense o penalità. L’obiettivo è massimizzare (Apprendimento per la somma delle ricompense nel tempo. Esempio: Un sistema di navigazione autonomo utilizzato nei Rinforzo) robot di magazzino per ottimizzare il percorso di raccolta degli articoli. Il robot riceve una ricompensa per ogni articolo raccolto correttamente e una penalità per movimenti inutili o inefficienti. Robotica Il campo dell’ingegneria che si occupa della progettazione, costruzione, operazione e uso di robot. La robotica combina discipline come l’informatica, la meccanica e l’elettronica per creare macchine in grado di svolgere compiti vari, dai più semplici ai più complessi. Esempio: Robot chirurgici che assistono i medici nelle sale operatorie, permettendo interventi precisi e minimamente invasivi. Segui la pagina su mondadorieducation.it © 2023 Mondadori Education  GLOSSARIO IA / / pag. 7 Conoscenze di Base Scienza dei dati Una disciplina interdisciplinare che utilizza metodi scientifici, processi, algoritmi e sistemi per estrarre conoscenze e intuizioni dai dati in varie forme, sia strutturate che non strutturate. Essa combina aspetti dell’analisi statistica, del data mining, del machine learning e della visualizzazione dei dati, con l’obiettivo di aiutare le organizzazioni a prendere decisioni basate sui dati. Esempio: Nel contesto di una scuola, la scienza dei dati può essere applicata per analizzare i risultati degli studenti su vasta scala, correlare le prestazioni con diversi stili di insegnamento, e identificare fattori che contribuiscono al successo o all’insuccesso degli studenti, consentendo agli ammini- stratori di migliorare i curricoli e le strategie educative. Supervised Learning Un metodo di apprendimento automatico dove un modello viene allenato su un insieme di dati (Apprendimento etichettati, ovvero associati a una risposta o risultato corretto già noto. Attraverso l’analisi di que- Supervisionato) sti dati, il modello impara a fare previsioni o classificazioni accurate per nuovi dati basandosi sulle informazioni apprese. Esempio: Un sistema di supporto alla raccolta differenziata nelle scuole che, attraverso foto dei rifiuti fornite e catalogate dagli insegnanti, impara a riconoscere e suggerire la corretta tipologia di raccolta (organico, carta, plastica, indifferenziato), facilitando così gli studenti nell’imparare e praticare la sostenibilità ambientale. Sistema esperto Un’applicazione informatica che simula il giudizio e il comportamento di un umano o di un’organiz- zazione che ha competenze specialistiche e conoscenze in un campo particolare. I sistemi esperti sono programmati con una serie di regole che analizzano le informazioni e forniscono conclusioni o consigli. Esempio: Un sistema esperto medico utilizzato in ospedali per supportare la diagnosi di malattie rare analizzando i sintomi dei pazienti, i loro dati clinici e le informazioni mediche disponibili. Test di Turing Proposto dal matematico e informatico Alan Turing nel 1950, il Test di Turing è un criterio per valutare l’abilità di una macchina di esibire comportamenti intelligenti indistinguibili da quelli umani. Nel test originale, un giudice umano interagisce tramite un’interfaccia testuale con un umano e un computer, senza sapere quale dei due sia la macchina. Se il giudice non riesce a distinguere in modo affidabile la macchina dall’umano, si dice che la macchina ha superato il test. Esempio: Una chatbot avanzato che partecipa a una competizione di Test di Turing potrebbe essere in grado di rispondere a domande, fare battute e sostenere una conversazione su argomenti generali così bene che gli osservatori non riescono a determinare se stanno interagendo con un programma o una persona reale. Il test di Turing si ritiene oggi superato (vedi alternative nella sezione di approfondimento). Text-to-image Si riferisce ai modelli di AI capaci di generare immagini realistiche partendo da descrizioni testuali. Questi modelli, spesso basati su reti neurali avanzate come le GAN, interpretano le parole e frasi dell’utente e le traducono in immagini visive. Esempio: Una piattaforma che consente di digitare descrizioni di scene o personaggi e genera automaticamente immagini corrispondenti. Unsupervised Un tipo di machine learning in cui il modello lavora su dati non etichettati. Il sistema cerca di Learning imparare la struttura e i pattern dei dati senza input esterni, organizzandoli spesso in cluster o (Apprendimento mappandoli in nuovi spazi che risaltano le loro differenze e somiglianze. Esempio: Un sistema di Non Supervisionato) intelligenza artificiale utilizzato per segmentare i clienti in un database di marketing in base alle loro attività di acquisto e preferenze, senza precedenti informazioni su gruppi o categorie. Segui la pagina su mondadorieducation.it © 2023 Mondadori Education