Modifica di Intelligenza Artificiale (sezione)

== Come funziona l'IA, il Machine Learning ==
Dopo aver analizzato le maggiori applicazioni dell''''Intelligenza Artificiale''' è importante ricordare che il funzionamento di questa tecnologia si basa su algoritmi che hanno diverse funzioni. Quindi, per capire esattamente '''come funziona l'IA''' si dovrà parlare sicuramente del '''Machine Learning''', altra grande branca di studio appartenente all'IA.

Le applicazioni e la storia dell'<nowiki/>'''Intelligenza Artificiale''' si incrociano, infatti, con quella del '''Machine Learning (ML)'''. L''''Intelligenza Artificiale''', infatti, si configura come lo studio dello sviluppo di sistemi dotati di capacità tipiche dell'uomo. Il '''Machine Learning''', invece, può considerarsi una strada (molto battuta) per la sua applicazione.

Viene facile comprendere di cosa si occupi questa branca dell'IA: essendo, infatti, la traduzione italiana di '''Machine Learning''', '''apprendimento automatico'''. Quando parliamo di apprendimento automatico o Machine Learning, dunque, ci si riferisce a quei sistemi in grado di apprendere dall’esperienza. Come lo fanno? Grazie a un meccanismo simile a ciò che un essere umano fa sin dalla nascita: l'apprendimento.

In base a queste tecniche di apprendimento è, poi, possibile distinguere diverse tipologie di '''Machine Learning''', le quali possono tradursi in diverse applicazioni legate all'IA. La più nota tra queste è sicuramente il '''Deep Learning''', ma i volti del '''Machine Learning''' sono assai più sfaccettati. Secondo l’'''Osservatorio Artificial Intelligence''', infatti, le '''metodologie principali del Machine Learning sono sei:'''

# '''Model Prediction;'''
# '''Deep Learning;'''
# '''Online Learning;'''
# '''Explainable Regression & Classification:'''
# '''Information Retrieval;'''
# '''Reinforcement Learning.'''

Nei prossimi paragrafi si cercherà di dare '''alcune definizioni di queste metologie del Machine Learning''' appena elencate, spiegando le loro peculiarità e collocandole nel panorama dell'Intelligenza Artificiale. Questo approfondimento aiuterà anche a capire con '''chiarezza come funziona l'IA'''.

=== Model Prediction o Modellazione Predittiva ===
La '''Model Prediction''', o '''Modellazione Predittiva, è un’area del Machine Learning che include una varietà di tecniche'''. Queste '''tecniche di Machine Learning''' permettono di raccogliere informazioni dai dati a disposizione e apprendere modelli da applicare a nuovi dati.

Tali modelli sono a loro volta capaci di operare su nuovi dati. La '''Modellazione Predittiva''' si pone, quindi, l’'''obiettivo di fare predizioni su dati o eventi nel futuro'''. Questo canale di '''applicazione dell’AI sta prendendo sempre più piede nelle aziende italiane''' ed è applicato specialmente in materia di '''prevenzione frodi, manutenzione predittiva e analisi qualitativa'''.

=== Deep Learning o Apprendimento Profondo ===
Il '''Deep Learning''', o apprendimento approfondito, è '''uno degli ambiti più importanti del Machine Learning'''. Si tratta di un '''insieme di tecniche che simulano i processi di apprendimento del cervello attraverso reti neurali artificiali stratificate.''' In queste reti neurali, poi, ogni strato calcola i valori per quello successivo.

In poche parole, il '''Deep Learning è una tecnica di apprendimento automatico''' in cui, le '''reti neurali artificiali''', vengono esposte a una vasta quantità di dati. Queste sono, poi, '''in grado di imparare da sole a svolgere determinati compiti''' senza la necessità di un pre-processamento dei dati.

=== Online Learning ===
L’'''Online Learning''', detto anche '''Real Time Machine Learning''', è il ramo del Machine Learning e dell'Intelligenza Artificiale, che '''studia tecniche di soluzione di problemi. Problemi in cui, i dati diventano disponibili sequenzialmente''' e le '''decisioni devono essere prese man mano che un dato diventa disponibile'''.

L'Online Learning funziona diversamente dall’'''Offline Learning.''' Infatti, le decisioni si basano su un’acquisizione precedente di un insieme di dati, così che, l’'''apprendimento online e la presa di decisioni, sono correlati e interdipendenti.''' Ciò che viene appreso, infatti, condiziona le decisioni, che, a loro volta, condizionano i dati che vengono osservati per un ulteriore apprendimento.

=== Explainable Regression & Classification ===
L’'''Explainable Regression & Classification''', o Regressione e Classificazione Spiegabili, è un'altra tecnica di Machine Learning e dell'Intelligenza Artificiale. Infatti, esso consiste in tecniche atte a '''risolvere problemi di regressione''' (predizione di quantità ordinali) '''e di classificazione, tali da permettere la spiegazione dei risultati ottenuti'''.

In altre parole, l’'''Explainable Regression & Classification''' consente di '''capire perché modelli di Intelligenza Artificiale per regressione e classificazione prendono determinate decisioni. Tutto ciò avviene''' a seguito dell’elaborazione dei dati, permettendo anche di comprendere cosa avviene nella “scatola nera” dell’apprendimento del Machine Learning.

=== Information Retrieval (IR) ===
L’'''Information Retrieval''', in italiano “reperimento dell’informazione” è un '''insieme di tecniche di Machine Learning utilizzate per gestire differenti aspetti. Ad esempio, la rappresentazione, la memorizzazione, l'organizzazione e l'accesso a oggetti contenenti informazioni''' quali documenti, pagine web, cataloghi online e oggetti multimediali. L’obiettivo finale di questi processi consiste nel fornire all’utente le informazioni che egli ha in cercato in precedenza e che sono rilevanti per i suoi interessi.

=== Reinforcement Learning ===
Il '''Reinforcement Learning''', o apprendimento per rinforzo, è una '''tecnica di apprendimento automatico atta a risolvere problemi decisionali sequenziali mediante il conseguimento di determinati obiettivi.''' Tutto ciò avviene tramite l’interazione con l'ambiente in cui opera.

Un agente che apprende con algoritmi di reinforcement impara a prendere le decisioni ottimali attraverso un approccio empirico del tipo “trial-and-error”. A ogni iterazione l’agente osserva l’ambiente tramite i suoi sensori (fisici o virtuali). In seguito, decide quale azione eseguire e osserva gli effetti che l’azione scelta hanno avuto sull’ambiente.