Mappe concettuali di intelligenza artificiale

Reti di Jordan, reti di Elman, reti LSTM

Reti ricorrenti. Reti convoluzionali (CNN).

Apprendimento supervisionato

Deep learning supervisionato: problemi linearmente separabili + problemi linearmente separabili non linearmente separabili.

IA algoritmo di error back-propagation, percettrone, reti multi-strato, apprendimento del percettrone.

Deep learning non supervisionato

Apprendimento non supervisionato: Transformers, Autoencoders, Deep belief networks (DBN), Generative Adversarial Networks (GAN).

Modelli associativi. Modelli generativi. Reti di Hopfield. Macchine di Boltzmann. Macchine di Boltzmann ristrette (RBM).

Modelli in IA

Modelli quantitativi

Modelli quantitativi: modelli matematici che forniscono una predizione di un fenomeno psicologico tramite numeri.

Modelli pre-quantitativi descrittivi computazionali

Modelli pre-quantitativi descrittivi computazionali (box-and-arrows) (leggi della psicofisica): descrivere un fenomeno (no spiegazione, dare una spiegazione del fenomeno, individuare una serie di componenti e dei meccanismi causali del fenomeno), non semplicemente descriverlo.

Sottocomponenti che descrivono verbalmente e in modo dettagliato il processo cognitivo in esame.

Predizioni verbali (e diagrammatiche) teoriche non confrontabili (non sono numeri!).

Connessionisti e simbolici

Connessionisti (reti neurali artificiali). Simbolici: localistici, rule-based, probabilistici, PDP o learning.

Spiega determinati aspetti del comportamento (tipico e atipico), dell’apprendimento, della patologia (provocata anche da una lesione).

Prospettive dell’IA

Prospettiva ingegneristica

Emulare comportamenti che possono essere intesi come frutto dell’intelligenza e, se possibile, superare le capacità della mente umana.

Importanza del risultato.

Prospettiva delle scienze cognitive

Simulare comportamenti che possono essere intesi come frutto dell’intelligenza, sia tipici che atipici.

Importanza del processo e della comprensione del funzionamento dei processi cognitivi umani.

Scopi dell’IA

• Visione e riconoscimento visivo.
• Riconoscimento del parlato e traduzione.
• Elaborazione del linguaggio naturale.
• Sistemi di guida assistita o autonoma.
• Supporto alla decisione.
• Rappresentazione della conoscenza.
• Ricerca e recupero di informazioni.

Definizioni di intelligenza artificiale

Studio di agenti intelligenti che percepiscono il loro ambiente e producono azioni volte a massimizzare la probabilità di successo nel raggiungere i loro scopi.

Intelligenza artificiale stretta e generale

Intelligenza artificiale stretta (debole): qualsiasi IA in grado di eguagliare o superare le capacità cognitive umane in un contesto controllato, specifico e strutturato.

Intelligenza artificiale generale (forte): qualsiasi IA in grado di affrontare e risolvere con successo molteplici compiti nei contesti più disparati.

Test di Turing

Test di Turing: se un giudice esterno non riesce a distinguere un comportamento come frutto di un’intelligenza artificiale piuttosto che di un essere umano, il modello ha superato il test.

Intelligenza artificiale classica e neurale

Intelligenza artificiale classica

Intelligenza artificiale classica: approccio logico-simbolico. Turing, Newell, Simon. 1950-1967.

L’intelligenza consiste nel produrre inferenze, cioè manipolare strutture simboliche di rappresentazione della conoscenza basandosi sui collegamenti associativi tra i concetti.

IA = programma per computer.

Indipendenza dal medium dell’intelligenza artificiale.

Intelligenza artificiale neurale

Intelligenza artificiale neurale: approccio del connessionismo. McCulloch, Pitts, Hebb. 1943-1949.

L’intelligenza consiste nell’attività di neuroni che formano reti neurali.

IA = rete neurale simulata.

Specificità legata al medium.

Storia dell’intelligenza artificiale

Alan Turing (1950): invenzione del test di Turing.

Convegno fondativo al Dartmouth College (1956): introduzione del termine “intelligenza artificiale” per riferirsi ad una macchina che manifesta un comportamento intelligente, paragonabile a quello di un essere umano.

Elementi principali dell’architettura

Nodi: (vertici o unità) definiscono quali sono le variabili implicate.

Archi: (connessioni o spigoli) definiscono quali variabili interagiscono direttamente tra di loro.

Pesi: indicano la forza delle connessioni; relazione eccitatoria se +; relazione inibitoria se -.

Architettura: formalismo matematico usato per descrivere qualsiasi sistema di elementi che interagiscono tra di loro.

Grafi

Topologia. Grafi direzionati: direzionalità.

Algebra lineare per l’IA.

Grafi non direzionati: grafi non direzionati bidirezionali e simmetrici.

Media pesata. Funzione di errore (loss). Variabile gradiente. Sigmoide (funzione di attivazione). Funzione del tasso di apprendimento.

Teoria della statistica bayesiana

Teoria della statistica bayesiana. Probabilità P(A|B). Probabilità P(A,B) = P(A|B)*P(B) = P(B|A)*P(A).

Probabilità congiunta. Degree of belief à.

Indipendenza statistica: P(A,B) = P(A)*P(B). P(A|B) = P(A) à.

Inferenza: trovare la distribuzione condizionata di P di variabili non osservate (H) data una certa evidenza (E).

Apprendimento: capacità di fare inferenze a seguito di relazioni apprese tra le variabili, la cui conoscenza e rafforzamento si ottengono tramite l’esperienza.

Algebra lineare per l’IA. Stima di massima verosimiglianza à.

Sistemi non lineari e algoritmi

Sistemi non lineari

Sistemi non lineari. Sistema lineare: la traiettoria del pendolo può essere predetta con precisione tramite una semplice equazione.

Sistema non lineare: la traiettoria del pendolo è caotica, può essere predetta solo in termini probabilistici.

Algoritmi

Algoritmi: serie finita e ordinata di istruzioni dettagliate ed elementari date al sistema, che deve eseguirle in sequenza per ottenere un determinato risultato in un tempo finito.

Algoritmi di apprendimento (machine learning).

• Algoritmi di pruning: rimuovono connessioni con l’esperienza.
• Algoritmi incrementali: aggiungono connessioni con l’esperienza.

Analisi matematica

Vettore: colonna o riga.

Derivata: sensibilità al cambiamento di una certa quantità (VD) che è determinata da un’altra quantità (VI).

Spazio vettoriale: insieme di vettori che possono essere sommati tra di loro oppure moltiplicati da uno scalare.

Pendenza della tangente à ad un punto della curva (che deve essere continua). Derivata in una funzione multivariata.

Algebra lineare per l’IA

Trasformazione lineare: funzione tra 3 spazi vettoriali che preserva le operazioni di addizione e moltiplicazione di un vettore per uno scalare.

Gradiente: vettore le cui componenti sono le derivate parziali di una funzione.

Curvatura di una superficie à (dice se cresce o decresce nel tempo).

Iperpiano: sottospazio di dimensione n-1 rispetto a quella n dello spazio in cui è contenuto.

Tecnica di discesa del gradiente: spostarsi sulla curva nella direzione in cui il gradiente è maggiore.

Matrice: tabella di numeri, forma alternativa con cui possono essere scritti i vettori.

Massimo e minimo: punti in cui la derivata è = 0. Tangente parallela à all’asse x.