{"id":62,"date":"2023-11-30T17:17:40","date_gmt":"2023-11-30T17:17:40","guid":{"rendered":"https:\/\/aiopentext.itd.cnr.it\/intelligenzaartificiale\/chapter\/ai-speak-machine-learning\/"},"modified":"2024-01-31T11:38:09","modified_gmt":"2024-01-31T11:38:09","slug":"ai-speak-machine-learning","status":"publish","type":"chapter","link":"https:\/\/aiopentext.itd.cnr.it\/intelligenzaartificiale\/chapter\/ai-speak-machine-learning\/","title":{"raw":"Parlare di IA : Apprendimento automatico","rendered":"Parlare di IA : Apprendimento automatico"},"content":{"raw":"

Un algoritmo<\/strong>\u00a0\u00e8 una sequenza fissa di istruzioni per svolgere un compito. Il compito \u00e8 suddiviso in fasi facili e prive di confusione: come una ricetta ben scritta.<\/p>\n

I linguaggi di programmazione sono linguaggi che un computer pu\u00f2 seguire ed eseguire. Fanno da ponte tra ci\u00f2 che capiamo e ci\u00f2 che pu\u00f2 fare una macchina - in definitiva, interruttori che si accendono e si spengono. Per un computer immagini, video, istruzioni sono tutti degli 1 (interruttore acceso) e degli 0 (interruttore spento).<\/p>\n

Quando viene scritto in un linguaggio di programmazione, un algoritmo diventa un programma<\/strong>. Le applicazioni<\/strong>\u00a0sono programmi scritti per un utente finale.<\/p>\n

I programmi convenzionali ricevono i dati e seguono le istruzioni per fornire un risultato. Molti dei primi programmi di intelligenza artificiale erano convenzionali. Poich\u00e9 le istruzioni non possono adattarsi ai dati, questi programmi non erano molto bravi in cose come la previsione basata su informazioni incomplete e l'elaborazione del linguaggio naturale (NLP).<\/p>\n

\"\"Un motore di ricerca \u00e8 alimentato sia da fonti convenzionali che da algoritmi di\u00a0apprendimento automatico<\/strong>. A differenza dei programmi convenzionali, gli algoritmi di apprendimento automatico analizzano i dati alla ricerca di modelli e utilizzano questi modelli o regole per prendere decisioni o previsioni future. In altre parole, basandosi sui dati - esempi buoni e cattivi - trovano la loro ricetta.<\/p>\n

Questi algoritmi sono adatti a situazioni molto complesse e caratterizzati da dati mancanti. Possono anche monitorare le loro prestazioni e utilizzare questo feedback per migliorare con l'uso.<\/p>\n

Questo approccio non \u00e8 molto diverso da quello usato dagli esseri umani, in particolare dai bambini, che apprendono abilit\u00e0 al di fuori del sistema educativo convenzionale. I bambini osservano, ripetono, imparano, verificano il loro apprendimento e migliorano. Se necessario, improvvisano.<\/p>\n

Ma la somiglianza tra macchine e umani \u00e8 molto superficiale. L'\"apprendimento\" dal punto di vista umano \u00e8 molto diverso e molto pi\u00f9 sfumato e complesso dell'\"apprendimento\" per la macchina.<\/p>\nhttps:\/\/www.youtube.com\/watch?v=YcRs0ioz-s8&list=PLkm8ZqYSzE3cAymh6B9HHNoQluFEDQXkq&index=4&pp=iAQB\n

Un problema di classificazione<\/h3>\n

Un compito comune che un'applicazione di apprendimento automatico adotta per il suo funzionamento \u00e8 la classificazione: questa \u00e8 la foto di un cane o di un gatto? Questo studente \u00e8 in difficolt\u00e0 o ha superato l'esame? Esistono due o pi\u00f9 gruppi. L'applicazione deve classificare i nuovi dati in uno di questi gruppi.<\/p>\n\n\n[caption id=\"attachment_166\" align=\"alignright\" width=\"430\"]\"\" \"Playing Card\" di aquarianinsight.com\/free-readings\/pubblicato con licenza CC BY-SA 2.0. Per visualizzare una copia di questa licenza, visitare https:\/\/creativecommons.org\/licenses\/by-sa\/2.0\/?ref=openverse<\/a>.[\/caption]\n

Prendiamo l'esempio di un mazzo di carte da gioco diviso in due pile - Gruppo A e Gruppo B, secondo un certo schema. Dobbiamo classificare una nuova carta, l'asso di quadri, come appartenente al Gruppo A o al Gruppo B.<\/p>\n

Per prima cosa, dobbiamo capire come vengono suddivisi i gruppi: abbiamo bisogno di esempi. Pesciamo quattro carte dal gruppo A e quattro dal gruppo B. Questi 8 casi di esempio formano il nostro insieme di addestramento<\/strong>\u00a0- dati che ci aiutano a vedere il modello - \"allenandoci\" a vedere il risultato.<\/p>\n

Non appena ci viene mostrata la disposizione a destra, la maggior parte di noi indovina che l'Asso di quadri appartiene al gruppo B. Non abbiamo bisogno di istruzioni, il cervello umano \u00e8 un prodigio nel trovare schemi. Come farebbe una macchina a farlo?<\/p>\n

Gli algoritmi di apprendimento automatico (machine learning - ML) si basano su potenti teorie statistiche. I diversi algoritmi si basano su equazioni matematiche diverse che devono essere scelte con attenzione per adattarsi al compito da svolgere. \u00c8 compito del programmatore scegliere i dati, analizzare quali caratteristiche dei dati sono rilevanti per il problema specifico e scegliere l'algoritmo di apprendimento automatico corretto.<\/p>\n\n

L'importanza dei dati<\/h3>\n[caption id=\"attachment_165\" align=\"alignright\" width=\"442\"]\"\" \"Playing Card\" di aquarianinsight.com\/free-readings\/ pubblicato con licenza CC BY-SA 2.0. Per visualizzare una copia di questa licenza, visitare https:\/\/creativecommons.org\/licenses\/by-sa\/2.0\/?ref=openverse.<\/a>[\/caption]\n

L'estrazione della carta qui sopra potrebbe essere andata male in diversi modi. Fate riferimento all'immagine. 1 ha troppe poche carte, non \u00e8 possibile indovinare. Il 2 ha pi\u00f9 carte, ma tutte dello stesso seme: non c'\u00e8 modo di sapere dove andrebbero i diamanti. Se i gruppi non sono della stessa dimensione, il 3 potrebbe benissimo significare che le carte numero sono nel gruppo A e le carte immagine nel gruppo B.<\/p>\n

Di solito i problemi di apprendimento automatico sono pi\u00f9 aperti e coinvolgono insiemi di dati molto pi\u00f9 grandi di un mazzo di carte. Gli insiemi di addestramento devono essere scelti con l'aiuto dell'analisi statistica, altrimenti gli errori si insinuano. Una buona selezione dei dati \u00e8 fondamentale per una buona applicazione di ML, pi\u00f9 di altri tipi di programmi. L'apprendimento automatico ha bisogno di un gran numero di dati rilevanti. Come minimo assoluto, un modello di apprendimento automatico di base dovrebbe contenere un numero di punti dati dieci volte superiore al numero totale di caratteristiche1<\/sup>. Detto questo, il ML \u00e8 anche particolarmente adatto a gestire dati rumorosi, disordinati e contraddittori.<\/p>\n\n

Estrazione delle caratteristiche<\/h3>\n

Quando sono stati mostrati gli esempi del Gruppo A e del Gruppo B, la prima cosa che avete notato potrebbe essere il colore delle carte. Poi il numero o la lettera e il seme. Per un algoritmo tutte queste caratteristiche devono essere inserite in modo specifico. Non pu\u00f2 sapere automaticamente cosa \u00e8 importante per il problema.<\/p>\n\"\"\n

Nel selezionare le caratteristiche di interesse, i programmatori devono porsi molte domande. Quante funzioni sono troppo poche per essere utili? Quante caratteristiche sono troppe? Quali caratteristiche sono rilevanti per il compito? Qual \u00e8 la relazione tra le caratteristiche scelte - una caratteristica dipende dall'altra? Con le caratteristiche scelte, \u00e8 possibile che l'output sia accurato?<\/p>\nhttps:\/\/www.youtube.com\/watch?v=vCwmXpzJQoI&list=PLkm8ZqYSzE3cAymh6B9HHNoQluFEDQXkq&index=5&pp=iAQB\n

Il processo<\/h3>\n
\n

I dati devono sempre essere etichettati?<\/h4>\n<\/header>\n
Conoscere l'apprendimento supervisionato e non supervisionato<\/a><\/div>\n<\/div>\n

Quando il programmatore crea l'applicazione, prende i dati, ne estrae le caratteristiche, sceglie un algoritmo di apprendimento automatico appropriato (funzione matematica che definisce il processo) e lo addestra utilizzando dati etichettati (nel caso in cui l'output sia noto, come il gruppo A o il gruppo B) in modo che la macchina capisca il modello alla base del problema.<\/p>\n

Per una macchina la comprensione assume la forma di un insieme di numeri - i pesi - che essa assegna a ciascuna caratteristica. Con l'assegnazione corretta dei pesi, la macchina pu\u00f2 calcolare la probabilit\u00e0 che una nuova tessera appartenga al gruppo A o al gruppo B. In genere, durante la fase di addestramento, il programmatore aiuta la macchina modificando manualmente alcuni valori: questa operazione si chiama ottimizzazione<\/strong> dell'applicazione.<\/p>\n

\"\"\nUna volta fatto questo, il programma deve essere testato prima di essere utilizzato. A tale scopo, al programma vengono forniti i dati etichettati che non sono stati utilizzati per l'addestramento. Questi dati sono chiamati dati di prova<\/strong>.\u00a0A questo punto si valutano le prestazioni della macchina nel predire l'output. Una volta stabilito che le prestazioni sono soddisfacenti, il programma pu\u00f2 essere messo in uso: \u00e8 pronto a prendere nuovi dati e a fare una decisione o una previsione su di essi.<\/p>\n<\/a>\"\"\n

Un modello pu\u00f2 funzionare in modo diverso sui set di dati di allenamento e di test? In che modo il numero di caratteristiche influisce sulle prestazioni in entrambi i casi? Guardate questo video per scoprirlo.<\/a><\/p>\n

Le prestazioni in tempo reale vengono poi continuamente monitorate e migliorate (i pesi delle caratteristiche vengono aggiustati per ottenere risultati migliori). Spesso, le prestazioni in tempo reale danno risultati diversi rispetto a quando l'algoritmo di apprendimento automatico viene testato con dati gi\u00e0 disponibili. Poich\u00e9 sperimentare con utenti reali \u00e8 costoso, richiede un elevato sforzo e spesso \u00e8 rischioso, gli algoritmi vengono sempre testati utilizzando dati storici degli utenti, che potrebbero non essere in grado di valutare l'impatto sul comportamento degli utenti1<\/sup>. Per questo motivo \u00e8 importante effettuare una valutazione completa delle applicazioni di apprendimento automatico una volta in uso:<\/p>\nhttps:\/\/www.youtube.com\/watch?v=E2tOK3vIcNs&list=PLkm8ZqYSzE3cAymh6B9HHNoQluFEDQXkq&index=7&pp=iAQB\n

Avete voglia di mettere mano all'apprendimento automatico?\u00a0Provate questa attivit\u00e0.<\/a><\/p>\n\n\n

\n

1 <\/sup>Theobald, O. Machine Learning For Absolute Beginners: A Plain English Introduction<\/em> (Second Edition) (Machine Learning From Scratch Book 1) (p. 24). Scatterplot Press. Kindle Edition.<\/p>\n

2\u00a0<\/sup>Konstan, J., Terveen, L., Human-centered recommender systems: Origins, advances, challenges, and opportunities<\/em>, AI Magazine, 42(3), 31-42, 2021.<\/p>","rendered":"

Un algoritmo<\/strong>\u00a0\u00e8 una sequenza fissa di istruzioni per svolgere un compito. Il compito \u00e8 suddiviso in fasi facili e prive di confusione: come una ricetta ben scritta.<\/p>\n

I linguaggi di programmazione sono linguaggi che un computer pu\u00f2 seguire ed eseguire. Fanno da ponte tra ci\u00f2 che capiamo e ci\u00f2 che pu\u00f2 fare una macchina – in definitiva, interruttori che si accendono e si spengono. Per un computer immagini, video, istruzioni sono tutti degli 1 (interruttore acceso) e degli 0 (interruttore spento).<\/p>\n

Quando viene scritto in un linguaggio di programmazione, un algoritmo diventa un programma<\/strong>. Le applicazioni<\/strong>\u00a0sono programmi scritti per un utente finale.<\/p>\n

I programmi convenzionali ricevono i dati e seguono le istruzioni per fornire un risultato. Molti dei primi programmi di intelligenza artificiale erano convenzionali. Poich\u00e9 le istruzioni non possono adattarsi ai dati, questi programmi non erano molto bravi in cose come la previsione basata su informazioni incomplete e l’elaborazione del linguaggio naturale (NLP).<\/p>\n

\"\"Un motore di ricerca \u00e8 alimentato sia da fonti convenzionali che da algoritmi di\u00a0apprendimento automatico<\/strong>. A differenza dei programmi convenzionali, gli algoritmi di apprendimento automatico analizzano i dati alla ricerca di modelli e utilizzano questi modelli o regole per prendere decisioni o previsioni future. In altre parole, basandosi sui dati – esempi buoni e cattivi – trovano la loro ricetta.<\/p>\n

Questi algoritmi sono adatti a situazioni molto complesse e caratterizzati da dati mancanti. Possono anche monitorare le loro prestazioni e utilizzare questo feedback per migliorare con l’uso.<\/p>\n

Questo approccio non \u00e8 molto diverso da quello usato dagli esseri umani, in particolare dai bambini, che apprendono abilit\u00e0 al di fuori del sistema educativo convenzionale. I bambini osservano, ripetono, imparano, verificano il loro apprendimento e migliorano. Se necessario, improvvisano.<\/p>\n

Ma la somiglianza tra macchine e umani \u00e8 molto superficiale. L'”apprendimento” dal punto di vista umano \u00e8 molto diverso e molto pi\u00f9 sfumato e complesso dell'”apprendimento” per la macchina.<\/p>\n