Categoria
📚
ApprendimentoTrascrizione
00:00Cominciamo a dare qualche indicazione su cos'è effettivamente l'intelligenza artificiale
00:10e come è implementata, diciamo, in modo da capire meglio quali sono le problematiche
00:23e come utilizzarla al meglio, naturalmente, promesso che non dirò moltissimo su queste
00:32cose ma è il minimo indispensabile per poter capire meglio di cosa parliamo, in realtà,
00:41no? Cominciamo col dire che l'intelligenza artificiale
00:45ormai da diversi anni, intorno al 1950, dove il primo a parlare di intelligenza artificiale
00:54fu un certo Minsky, ovviamente in America. Allora, l'intelligenza artificiale intendiamo
01:04una serie di tecniche in cui si cerca di far funzionare le macchine imitando l'intelligenza
01:14umana. Rappresentano un grandissimo insieme di pratiche. Ecco, un sotto insieme di queste
01:24è in realtà noto con il termine di machine learning, cioè quello che in italiano traduciamo
01:35come apprendimento automatico. In realtà, che cos'è l'apprendimento automatico? I computer
01:45ovviamente vanno programmati per poter fare qualsiasi tipo di cosa. Ora, la programmazione
01:52classica è fatta di regole, cioè noi diciamo praticamente al computer, diamo al computer
01:59una serie di comandi in cui diciamo fai questo, poi fai quest'altro, poi fai quest'altro ancora,
02:08se succede questo fai in questo modo, se succede quest'altro fai in quest'altro modo, quindi una
02:14serie di regole. Questa è la programmazione classica. Il machine learning invece cambia
02:23praticamente il paradigma. Facciamo un programma in cui la macchina apprende autonomamente quali
02:35sono le regole per risolvere una determinata problematica. Il grande successo che si è avuto
02:43in questi ultimi anni delle tecniche di intelligenza artificiale è dovuto ad un sotto insieme del
02:51machine learning che riguarda appunto il cosiddetto deep learning, cioè apprendimento
02:59profondo. Parliamo di una serie di tecniche che fa uso di modelli matematici che sono le reti
03:10neurali. Esistono due tipi di intelligenza artificiale, l'intelligenza artificiale
03:19generativa, che è una menzione piuttosto recente degli ultimi anni, ma esisteva già un'intelligenza
03:31artificiale che si applicava frequentemente in molte situazioni che era quella discriminativa,
03:37l'intelligenza artificiale discriminativa. In realtà mi posso già dire che l'intelligenza
03:47artificiale discriminativa richiede molto meno risorse in genere, molto meno risorse in termini
03:56di hardware, di capacità elaborative, molto meno risorse appunto di chat cpt. Chat cpt richiede,
04:06chat cpt e non solo perché non è l'unica, poi ne parleremo, richiede un'enormità di risorse in
04:16termini di processori, quindi in realtà il sistema gira su dei grandissimi centri di calcolo che
04:29costano milioni, costano milioni altro che, quindi non solo, ma poi essendo costituiti da
04:39questi grandissimi centri di calcolo, da un numero tipo 30.000 processori che lavorano insieme in
04:50questo grandissimo centro di calcolo, quindi questi sistemi assorbono pure una quantità di energia
04:56enorme e quindi parliamo quindi di questioni comunque differenti. Allora l'intelligenza
05:03artificiale è quella del telefonino che predice la prossima parola oppure individua i volti quando
05:13si fa la fotografia, l'intelligenza artificiale è chat cpt, gmilai di google oppure copilot di
05:22microsoft, ce ne stanno diverse, ce ne stanno altre ancora, ne parleremo. Ora quindi parlando
05:33di intelligenza artificiale discriminativa, quindi ripeto questa cosa non esiste già da diversi anni,
05:41ecco vi faccio vedere un video in cui, ecco guardate qui, questa intelligenza artificiale
05:50ha tutti gli effetti, è quella che esisteva già dieci anni fa, allora guardate c'è la telecamera
05:58sta riprendendo degli oggetti sul tavolo, lui il sistema individuato come vedete individua gli
06:07oggetti, li rappresenta in un rettangolino di colore differente e mi dice per esempio
06:16prendiamo questa coppa dice che questa è una coppa quindi un bicchiere diciamo no una coppa
06:22con probabilità 99 per cento, forse non riuscite a leggere il numero ma tra parentesi scritto 99
06:28per cento, dice questo molto molto molto probabilmente è un bicchiere diciamo una
06:33coppa, poi dice questo qui è un uccello bird, è un uccello al 68 per cento, quindi come vedete
06:44qui cominciamo a capire un concetto importante, l'intelligenza artificiale si basa sul concetto
06:51di probabilità, quindi dice per me questo molto probabilmente è un bicchiere ed effettivamente
06:57è un bicchiere, c'è un per cento di possibilità che non lo sia, nel caso del del pulcino ecco
07:04dice secondo me è un uccello ma con probabilità 68 per cento quindi esiste una probabilità
07:13significativa che non lo sia ed effettivamente è così e quindi come vedete l'intelligenza
07:20artificiale vedete individua oggetti, questa è una cosa che esiste già da molti anni si usa
07:29anche in azienda, attenzione nella computer vision si usa in azienda tranquillamente da diversi anni
07:37nell'ambito delle produzioni industriali, nell'ambito del controllo qualità soprattutto,
07:45ecco andiamo avanti, qui si vede ha individuato per esempio le forbicine, mi dice la probabilità,
07:59questa è una bottiglia addirittura al 100 per cento quindi qui è sicuro, la coppa al 99 per
08:08cento, il bicchiere quindi definisce coppa, adesso non sapevo come si dice in inglese,
08:13quindi vedete, l'intelligenza artificiale, cominciamo ad acquisire questo concetto che
08:21poi è uno dei concetti fondamentali, l'intelligenza artificiale è esattamente legata al concetto di
08:27probabilità, si tratta di sistemi probabilistici, non di sistemi deterministici, questo è il
08:36problema, almeno con la tecnologia che si applica ora non c'è modo di renderli deterministici,
08:57ecco mi fermo un attimo anche qui, questo qui è l'intelligenza artificiale su un'auto perché
09:03l'intelligenza artificiale è quella che controlla le auto a guida autonoma, ecco qui è stata montata
09:12un'intelligenza artificiale che è in grado di riconoscere le altre auto, infatti dice,
09:21guardate qui si vede bene, dice che questa è un'auto con una probabilità all'88 per cento,
09:27quindi un'ottima probabilità, le altre vedete, e quindi l'intelligenza artificiale è in grado di,
09:33si sta studiando il modo di costruire i veicoli a guida autonoma, stanno già facendo degli
09:44esperimenti, fa senso, vedete, individua tutte, è in grado di riconoscere tutte le auto, c'è una
09:49telecamere che fa questa operazione, questa è un'auto al 90 per cento, vedete, riconosce i
09:56cartelli stradali, questo mi dice che è un pulmino, ecco, questa è una cosa, ripeto il concetto,
10:05questa cosa non è una novità, esiste già da molti anni ed è un'intelligenza artificiale a tutti gli
10:14effetti, ecco qui c'è il riconoscimento delle persone, vedete, in una piazza affollata,
10:23una piazza orientale, che sia Giappone, qui o, anzi no, forse è l'ombra, va a giudicare dal
10:31pullman, e quindi, vedete, qui vengono riconosciute le persone, non solo, è in grado di riconoscere
10:40anche oggetti, vedete, ci sono di colori diversi, le persone in arancione, gli oggetti di colori
10:47diversi, borse, altri oggetti, diciamo no, e ci sono anche naturalmente delle applicazioni, qui
10:54invece di dare la probabilità c'è un drone con un algoritmo di intelligenza artificiale che sta
11:02contando gli animali, qui è stato impostato per non dare la probabilità ma per contarli,
11:09questi bufari, diciamo no, sono delle possibili applicazioni, ripeto per l'ennesima volta,
11:17questa roba qui esiste già da diversi anni, non negli ultimi, ecco qui c'è il riconoscimento
11:23facciale, viene riconosciuto un po' come la fotocamera, di cui vi parlavo prima,
11:30vengono riconosciuti visi, è possibile individuare i visi di persone specifiche,
11:35per esempio un mio amico ha creato con due righe di python, proprio due righe, una decina di righe
11:44di python, quindi molto molto semplicemente un programma che riconosceva delle immagini,
11:52e in queste erano delle immagini di attori, e in queste immagini il sistema era in grado di
12:00individuare quel determinato attore, quindi lui forniva questo gruppo di immagini di attori,
12:08tra queste ce n'erano alcune di un attore, altre di un altro, e il sistema era in grado di
12:14selezionare quel determinato attore e mettere da parte tutte le immagini con il viso di quel
12:21determinato attore, questa è intelligenza artificiale a tutti gli effetti, anzi questa
12:26qui è una roba che non richiede nemmeno delle risorse hardware eccessive, ecco guardiamo questa
12:35che è molto interessante, qui in un video ecco viene analizzato il volto, ecco gli attributi di
12:44un viso e il sistema è in grado di dire esattamente, questo signore che c'è in primo piano, le
12:51caratteristiche del volto di questo signore, naturalmente il video non è di buona
12:57qualità, però io gli ho scritto sotto quello che c'è dentro diciamo, in questo riquadro in cui
13:04ci sono le caratteristiche del volto, e vediamo un attimo qui, si tratta di un uomo con un naso
13:14grosso, gote pronunciate, capelli bianchi, borsi sotto gli occhi, basette, stempiato e con doppiamento,
13:25quindi il sistema di intelligenza artificiale è stato in grado di individuare queste caratteristiche
13:34del volto, quindi si fanno cose straordinarie naturalmente e ripeto insieme a quelle cose che
13:45abbiamo visto prima è l'intelligenza artificiale, però questo tipo di intelligenza artificiale che
13:51stiamo vedendo adesso in questo video, si chiama intelligenza artificiale discriminativa ed esiste
14:00già da diversi anni, c'è anche delle applicazioni industriali ovviamente diversa da quella generativa
14:09di cui abbiamo parlato all'inizio e che poi man mano approfondiremo naturalmente, è possibile
14:17classificare l'intelligenza artificiale anche in un altro modo, esiste l'intelligenza artificiale
14:23cosiddetta generale e l'intelligenza artificiale cosiddetta ristretta, un po' come la relatività di
14:31Einstein, che vuol dire generale e che vuol dire ristretta, un'intelligenza artificiale ristretta
14:38è un tipo di intelligenza artificiale che sa risolvere un compito specifico in un dominio
14:49ben specifico, ad esempio un'intelligenza artificiale ristretta potrebbe essere capace
14:58di giocare a scacchio oppure potrebbe essere capace di guidare un'automobile, i famosi veicoli a guida
15:08autonoma sono gestiti da intelligenza artificiale, quindi un'intelligenza artificiale ristretta
15:18narrow AI è un tipo di intelligenza artificiale specializzata in un compito specifico, questi
15:29compiti tecnicamente vengono chiamati task, quindi in un task ben specifico, se spostiamo
15:36questa intelligenza, questo sistema di intelligenza artificiale da quel compito ad un altro naturalmente
15:45non è in grado di operare in alcun modo, l'intelligenza artificiale generale invece è
15:54quella dei film praticamente, dei film di fantascienza, cioè intendiamo per l'intelligenza
16:01artificiale generale un tipo di intelligenza artificiale che è in grado di adattarsi al
16:08compito che deve risolvere, cioè può essere in pratica spostata da un task a un altro ed è in
16:18grado di risolvere qualunque task imparando ad apprendere autonomamente il modo di interagire
16:26con l'ambiente, in realtà ripeto questo tipo di intelligenza artificiale è nota nei film di
16:38fantascienza, ma chi conosce l'argomento molto meglio di me sostiene che addirittura è impensabile
16:46poter arrivare un giorno a questo tipo di intelligenza artificiale, quindi l'intelligenza
16:52artificiale generale è un obiettivo al quale si tenerebbe e che eventualmente potrebbe anche
17:02immaginare problematiche particolari naturalmente perché a quel punto le macchine diventerebbero
17:10autonome nel senso stretto del termine e quindi in linea teorica potrebbero anche mettere in crisi
17:20l'uomo naturalmente, la stessa vita dell'uomo, per fortuna è molto al di là da venire e chissà
17:28se mai ci sarà una roba del genere, quella che conosciamo oggi ed è applicata in tutti i settori
17:35della vita quotidiana è l'intelligenza artificiale distretta, anche sistemi molto complessi come
17:44chat cpt rientrano in questa categoria di intelligenza artificiale, anche se
17:54ultimamente si sta parlando di multimodalità, cioè anche sistemi come chat cpt sono in grado
18:08di operare non solo su testi ma anche su immagini, anche su suoni e quindi possono
18:17operare in modalità multimodale ma è tutta altra cosa rispetto all'intelligenza artificiale
18:24generale di cui si diceva prima, tanto per fare qualche esempio se noi facciamo una ricerca su
18:35google sappiamo che se cerchiamo una determinata cosa vengono fuori un centinaio di risultati
18:44questi sono centinaio di risultati sono prodotti da un'intelligenza artificiale distretta, poi
18:51c'è un'altra intelligenza artificiale distretta che presenta nelle prime dieci posizioni i siti
19:02che in base alle nostre ricerche precedenti potrebbero interessarci maggiormente, poi c'è
19:13un'ulteriore intelligenza artificiale ristretta che ci propone la pubblicità in funzione delle
19:23nostre preferenze, praticamente gli ingegneri mettono assieme queste intelligenze artificiali
19:28specifiche ristrette appunto per così dire per realizzare delle funzionalità abbastanza complesse
19:36ma siamo ben lontani dall'intelligenza artificiale generale, cosa sono le reti
19:44neurali? è possibile è possibile dirlo semplicemente diciamo come ricorda il nome
19:52sono delle reti di neuroni artificiali quindi diciamo il concetto parte da quello del neurone
20:04artificiale che è sostanzialmente un modello matematico ispirato al neurone naturale, ora io
20:16non vorrei dire tantissimo a proposito di questa cosa anche perché non sarei manco capace di entrare
20:22nel dettaglio, ad ogni modo un neurone naturale è una cellula praticamente che dispone di quelli
20:31che vengono chiamati dendriti e attraverso le sinapsi questa cellula riceve degli stimoli da
20:40altri neuroni, la cellula processa questi stimoli in un determinato modo e se diciamo così per
20:51dirla molto semplice se questi stimoli superano una determinata soglia caratteristica allora parte
21:01un impulso chiamiamolo così un impulso elettrico attraverso una parte della cellula che viene
21:08chiamata assone e questo impulso che è noto come potenziale di assone raggiunge altri neuroni quindi
21:17il meccanismo è un po' questo detto molto molto sommariamente un po' questo, allora il neurone
21:24artificiale è ispirato al funzionamento del neurone naturale ed è praticamente un modello
21:32matematico un calcolo praticamente, allora che cosa c'è? c'è il neurone artificiale questo tondino
21:41in realtà a cui fanno capo una serie di ingressi sono degli ingressi che pesati ciascuno in un
21:54certo modo, queste w rappresentano appunto questi pesi, pesati in un certo modo poi vengono sommati
22:04e se questa somma pesata supera una determinata soglia parte uno stimolo che va a comunicare con
22:18i neuroni artificiali successivi, allora questo più o meno è adesso senza entrare in dettaglio
22:26questo è più o meno il funzionamento del neurone artificiale, teniamo conto che il neurone
22:34artificiale fu diciamo pensato da due illustri scienziati nel secolo passato, a metà del secolo
22:45passato, questi due scienziati si chiamavano McCulloch e Pitts, McCulloch era un biologo,
22:55neurobiologo, Pitts invece era un matematico e quindi immaginarono di riprodurre con questo
23:05modello matematico il funzionamento di un neurone che diciamo è molto molto approssimativo come
23:15modello ma un po ricorda il funzionamento del neurone naturale, ci sono naturalmente delle
23:25grandi diversità, tanto per dire una il neurone naturale ha un comportamento piuttosto dinamico
23:38invece questo modello matematico è un modello matematico statico diciamo, una volta definiti i
23:48pesi diventa un'operazione, praticamente una combinazione lineare con una soglia,
23:56quindi un funzionamento piuttosto statico, ad ogni modo questo neurone artificiale è
24:05stato il punto di partenza di tutto quello che noi oggi conosciamo dell'intelligenza artificiale,
24:16nel senso che mettendo assieme questi neuroni artificiali su diversi strati consecutivi dall'ingresso
24:29verso l'uscita si realizzano quelle che noi oggi conosciamo essere le reti neurali, reti
24:37neurali su cui è costruita diciamo così l'intelligenza artificiale, si tratta di modelli
24:46matematici, modelli matematici di tipo probabilistico, quando gli strati centrali
24:55invece che essere uno sono diversi si realizza una rete profonda e questa rete profonda dà origine
25:06al cosiddetto deep learning, le reti neurali sono alla base come dicevo dell'intelligenza
25:14artificiale che conosciamo oggi, sono dei modelli matematici molto complessi di tipo probabilistico
25:21quindi basati sulla statistica fondamentalmente e vi dico subito non è semplicissimo capire come
25:36dire cosa succede esattamente in una rete neurale quando dà un determinato risultato, allora quand'è
25:46che anziché utilizzare la programmazione classica utilizziamo algoritmi di apprendimento
25:54automatico, quando la problematica da risolvere con il computer è piuttosto complessa non è
26:04praticamente possibile risolverla attraverso una programmazione a regole, per esempio facciamo
26:14un classico esempio un'intelligenza artificiale ecco una rete neurale in grado di riconoscere
26:22delle foto di gatti o di cani, il classico esempio che solitamente si fa cioè io posso fare in modo
26:34che una rete neurale riconosca la foto di un gatto e la distingua dalla foto di un cane nel senso che
26:44se io do la foto di un gatto la rete mi dirà che questo è un gatto, se io do la foto di un cane la
26:52rete dirà che quello è un cane, allora come si fa ecco e qui arriviamo un attimino a dire meglio
27:00il funzionamento a capire meglio il funzionamento di questi sistemi, allora nella fase di allenamento
27:08nella fase di addestramento che è la fase iniziale di qualunque sistema di intelligenza
27:18artificiale è una fase iniziale di addestramento in inglese training in cui noi facciamo vedere
27:26una quantità enorme di fotografie di cani e di gatti cioè proponiamo alla rete quando diciamo
27:39facciamo vedere va inteso un po' tra virgolette nella fase di addestramento di training abbiamo
27:46alla rete una quantità enorme di foto di cani e di foto e di foto di gatti ciascuna con la propria
28:01etichetta cioè diciamo questo qui è un gatto questo è un cane questo è un altro cane questo è
28:08un gatto quindi proponiamo una serie di foto alla rete questa fase appunto che è la fase di
28:17addestramento che cosa consente di fare consente alla rete di pian pianino attraverso un algoritmo
28:29particolare viene chiamato algoritmo di back propagation basato su concetti matematici piuttosto
28:39evoluti che sono quelli del gradiente di una funzione di più variabili allora con la tecnica
28:48del del gradiente discendente adesso non vado nei particolari dico solo dei paroloni ma insomma
28:56con una tecnica matematica particolare la rete pian pianino aggiusta tutti i pesi interni quindi
29:07teniamo presente che una rete in una rete con più strati i pesi interni sono migliaia migliaia se non
29:18milioni nel caso delle intelligenze artificiali come chat cpt allora giusta questi pesi interni
29:26che sono fondamentalmente dei numeri pian pianino li modifica man mano che va avanti l'addestramento
29:33con questo algoritmo particolare sfruttando questo algoritmo particolare back propagation
29:39aggiusta pian piano tutti i pesi interni tutti i parametri interni fino a che a un certo momento
29:45non diventa non diventa capace di distinguere la foto di un cane dalla foto di un gatto attenzione
29:53è capace di fare questa operazione generalizzando cioè se noi dopo la fase di training proponiamo
30:03una foto che non ha la rete non ha mai visto rappresentante un cane con la rete dirà con il
30:1595 per cento di probabilità questo qui è un cane quindi noi sappiamo 95 per cento di un cane vuol
30:22dire che la rete ha deciso che si tratta di un cane se noi per assurdo proponessimo alla rete
30:31la foto di un coala che non è ne un cane ne un gatto la rete non mi dice io non so fare oppure
30:40non mi dice non sono in grado di distinguere se si tratta di un cane un gatto allora può darsi
30:48che la rete è molto probabile che la rete in questo caso dica con questa foto al 60 per cento
30:57rappresenta un cane il 40 per cento rappresenta un gatto è il concetto di probabilità una
31:09probabilità come quella nel caso il qualo 60 per cento e 40 per cento e semplicemente dice
31:17semplicemente che la rete non è sicura se si tratti di un cane o di un gatto quindi è molto
31:22molto incerta questo è allora quindi l'apprendimento automatico che cos'è in modo di
31:29far apprendere alle macchine in maniera automatica le regole per risolvere una determinata problematica
31:37come fa ad apprendere in automatico e vengono prodotte durante la serie durante la fase di
31:53addestramento che caratterizza diciamo tutte le reti di questo tipo anche chat cpt è stata
32:02poi vedremo in che modo durante una fase di addestramento attraverso una serie di esempi
32:10fornite naturalmente dall'uomo quindi l'amato dell'uomo c'è sempre naturalmente queste
32:16questioni fornite dall'uomo durante la fase di addestramento dicevo vengono proposte una
32:23serie di esempi dai quali la rete apprende le regole per risolvere quella determinata
32:33problematica in definitiva che cosa accade perché qua stiamo parlando di machine learning
32:42in particolare di quindi reti neurali con diversi strati quindi reti neurali profonde
32:50vuol dire che durante la fase di addestramento la rete attraverso degli algoritmi particolari
33:01di propagazione all'indietro quindi back propagation aggiusta man mano i parametri
33:11che sono di una quantità enorme naturalmente aggiusto pian piano i parametri questi numeretti
33:18interni e alla fine diventa capace di appunto prendere delle decisioni anche su base probabilistica
33:31attraverso un meccanismo di probabilità ora diciamo che le reti neurali sono capaci di fare
33:46fondamentalmente due grandi categorie di lavori chiamiamoli così possono fare la classificazione
33:58oppure possono fare la regressione sono due io naturalmente adesso non vado nei particolari
34:07cerco di rimanere un po come dire una descrizione di carattere molto più molto generale che cos'è
34:16la classificazione la classificazione è quella che abbiamo appena detto cioè la rete in grado
34:21di classificare dei dati in base all'apprendimento che ha fatto precedentemente naturalmente ecco
34:33selezionare dire che una foto rappresenti la foto di un gatto sulla base dell'addestamento precedente
34:42significa poter classificare quella foto questo tipo di processo viene detto appunto classificazione
34:50non è detto che debba essere necessariamente fatto tra due entità differenti cioè in questo
34:58caso cane e gatto esempio semplice l'addestramento può essere fatto su foto di mille animali
35:07differenti e quindi a quel punto la rete diventa capace di identificare un animale da una foto
35:20che noi proponiamo e quindi a quel punto non è una classificazione tra due possibilità è una
35:27classificazione fatta tra mille possibilità quindi potrebbe essere capace a quel punto la
35:32rete di riconoscere un cavallo una zebra un cane un gatto eccetera eccetera la regressione
35:41invece è un processo basato sempre sull'apprendimento in cui la rete impara a fare una previsione
35:55numerica ad esempio classico esempio che si fa in questo caso è insegnare tra virgolette insegnare
36:06alla rete a prevedere il prezzo di un appartamento di casetta per esempio allora noi forniamo alla
36:15rete una serie di esempi presi dal mercato immobiliare di casetta degli ultimi dieci anni
36:25per ogni appartamento venduto diciamo da quante stanze composto quanti metri quadrati è in che
36:38zona di casetta sta tutti i parametri che influiscono naturalmente sul prezzo dell'appartamento
36:46allora diamo questo grande set di dati infatti in inglese viene chiamato proprio data set
36:54dell'apprendimento e quindi formiamo questo grosso insieme di dati alla rete e la rete
37:07impara ovviamente di ciascun appartamento quindi abbiamo detto numero di stanze metri quadri
37:18quartiere di appartenenza e prezzo a cui è stato venduto la rete apprende da questo se da questa
37:29serie di dati che formiamo ad esempio abbiamo detto i dati degli ultimi dieci anni impara
37:36a prevedere il prezzo di un appartamento di casetta sulla base del numero di stanze metri
37:45quadri e quartiere di appartenenza quindi a quel punto noi forniremo questi dati e quindi la rete
37:55saprà fare una stima del prezzo di quell'appartamento naturalmente come ha fatto con
38:05quali regole riesce a fare questo le regole le apprende dai dati che noi forniamo le apprende
38:13autonomamente le regole dai dati che noi forniamo durante la fase di addestramento e assicuro che
38:20fare un programma in cui si insegna al computer a prevedere il prezzo di un appartamento a casetta
38:34non è una cosa semplicissima non è una cosa fatto fattibile diciamo no ma la macchina impara
38:43dalla esperienza cioè quindi noi portiamo a conoscenza la macchina della di quanto accaduto
38:52nel passato e la macchina autonomamente in grado di definire le regole che servono per fare la
39:01previsione non so se mi sono spiegato quindi questo tipo di reti è in grado di fare due
39:08procedimenti un procedimento di chiamiamolo così di classificazione è quello che ho fatto
39:14e diciamo l'esempio che ho fatto sulle fotografie di cani e di gatti è un esempio di regressione
39:24fatto con gli appartamenti venduti a casetta quindi questa è quello che una rete neurale
39:45profonda è in grado di fare un'intelligenza artificiale di tipo discriminativo ne abbiamo
39:51già parlato è in grado di fare classificazione e regressione ad ogni modo il concetto fondamentale
39:59non vorrei rilungarmi più di tanto su questa cosa che c'è alla base del funzionamento
40:06dell'intelligenza artificiale che conosciamo oggi è l'apprendimento automatico cioè noi
40:13mettiamo queste macchine nella condizione di imparare da sé in che modo risolvere una
40:24determinata problematica ed è quello che accade anche con i grandi modelli di linguaggio naturalmente
40:34in una scala molto molto molto più grande poi vedremo che cosa consiste questa differenza
40:46diciamo ma il concetto di base è l'apprendimento automatico una fase di addestramento che può
40:53essere anche piuttosto lunga