Scienza dell'IA
L'intelligenza artificiale è un insieme di diverse scienze :
- Apprendimento automatico (ML)
- Reti neurali (NN)
- Apprendimento profondo (DL)
- Big Data
Scienziati dell'IA
Gli scienziati dell'intelligenza artificiale creano software con algoritmi in grado di svolgere attività che normalmente richiedono l'intelligenza umana.
Gli scienziati dell'IA possono essere esperti in più discipline dell'IA:
- Matematica applicata
- Statistica computazionale
- Informatica
- Apprendimento automatico
- Apprendimento approfondito
Alcuni scienziati dell'IA hanno anche una significativa esperienza con i big data:
- Intelligenza aziendale
- Progettazione di banche dati
- Progettazione di Data Warehouse
- Estrazione dei dati
- Query SQL
- Report SQL
IA debole
L'intelligenza artificiale debole è limitata ad aree specifiche o ristrette come la maggior parte dell'IA che abbiamo oggi intorno a noi:
- Motori di ricerca
- Siri di Apple
- Cortana di Microsoft
- Alexa di Amazon
- Watson di IBM
L'IA debole è anche chiamata IA stretta.
L'IA debole simula la cognizione umana in contrasto con l'IA forte che ha la cognizione umana .
IA forte
L'intelligenza artificiale forte è il tipo di intelligenza artificiale che imita l'intelligenza umana.
Una forte intelligenza artificiale indica la capacità di pensare, pianificare, apprendere e comunicare.
L'IA forte è il livello teorico successivo dell'IA: la vera intelligenza .
Una forte intelligenza artificiale si muove verso macchine con autocoscienza, coscienza e pensieri oggettivi.
Apprendimento automatico (ML)
La programmazione classica utilizza programmi per creare risultati:
Informatica tradizionale
Dati + Programma per computer = Risultato
Machine Learning utilizza i risultati per creare programmi (algoritmi):
Apprendimento automatico
Dati + Risultato = Programma per computer
"Il machine learning è un campo di studio che offre ai computer la capacità di apprendere senza essere programmati".
Arthur Samuel (1959)
Reti neurali (NN)
Una delle scoperte più significative della storia è il potere delle Reti Neurali (NN).
Nelle reti neurali, molti livelli di dati chiamati Neuroni vengono sommati o impilati uno sopra l'altro per calcolare nuovi livelli di dati.
Nomi brevi comunemente usati:
- Rete neurale profonda DNN
- Rete neurale convoluzionale della CNN
- Rete neurale ricorrente RNN
Apprendimento profondo (DL)
I deep learning sono algoritmi che utilizzano le reti neurali per estrarre dati di livello superiore.
Ogni livello successivo utilizza il livello precedente come input.
Ad esempio, la lettura ottica utilizza livelli bassi per identificare i bordi e livelli più alti per identificare le lettere.
Il Deep Learning ha due fasi:
1. Allenamento: i dati di input vengono utilizzati per calcolare i parametri del modello.
2. Inferenza: il modello "addestrato" emette dati da qualsiasi dato input.
La rivoluzione del deep learning
La rivoluzione del deep learning è qui!
La rivoluzione del deep learning è iniziata intorno al 2010. Da allora, il Deep Learning è stato utilizzato per risolvere molti problemi "irrisolvibili".
Esempi
Reti neurali convoluzionali (CNN)
Le CNN profonde come ResNeta e Inception hanno ridotto il tasso di errore nella classificazione ImageNet dal 25% nel 2011 al 5% nel 2017.
ImageNet è un database di immagini organizzato secondo la gerarchia di WordNet, in cui ogni nodo della gerarchia contiene centinaia e migliaia di immagini. ImageNet è una risorsa utile per ricercatori, educatori, studenti e chiunque altro abbia una passione per le immagini.
WordNet è un database lessicale di relazioni semantiche tra parole in oltre 200 lingue. È organizzato come una combinazione di dizionario e thesaurus, che collega le parole insieme in relazioni semantiche utilizzando sinonimi, iponimi e meronimi.
Reti neurali ricorrenti (RNN)
Le RNN stanno aiutando a creare spartiti musicali e nuovi suoni di strumenti:
https://magenta.tensorflow.org/demos .
Storia dell'IA
| 1950 | Alan Turing pubblica "Computing Machinery and Intelligence" |
| 1956 | AI menzionato per la prima volta da John McCarthy in una conferenza accademica |
| 1957 | Primo linguaggio di programmazione per il calcolo numerico e scientifico (FORTRAN) |
| 1958 | Primo linguaggio di programmazione AI (Lisp) |
| 1959 | Arthur Samuel ha usato il termine "apprendimento automatico" |
| 1961 | Primo robot industriale (Unimate) sulla linea di montaggio della General Motors. |
| 1965 | ELIZA di Joseph Weizenbaum è stato il primo programma interattivo in grado di comunicare su qualsiasi argomento |
| 1972 | Primo linguaggio di programmazione logica (PROLOG) |
| 1997 | Deep Blue (IBM) batte il campione del mondo di scacchi |
| 2002 | Il primo robot aspirapolvere (Roomba) |
| 2005 | L'auto a guida autonoma (STANLEY) vince la DARPA |
| 2008 | Svolta nel riconoscimento vocale (Google) |
| 2011 | Una rete neurale conquista gli esseri umani nel riconoscimento dei segnali stradali (99,46% vs 99,22%) |
| 2011 | Mela Siri |
| 2011 | Watson (IBM) vince Jeopardy! |
| 2014 | Amazon Alexa |
| 2014 | Microsoft Cortana |
| 2014 | L'auto a guida autonoma (Google) supera un esame di guida statale |
| 2015 | Google AlphaGo ha sconfitto vari campioni umani nel gioco da tavolo Go |
| 2016 | Il robot umano Sofia di Hanson Robotics |
