LEARN MORE ABOUT AI

NLP


Il Natural Language Processing è un’area che si trova nell’intersezione tra l’Intelligenza Artificiale e la Linguistica. Comporta un’analisi intelligente di dati non strutturati sotto forma di linguaggio scritto. La comunicazione umana è a volte piuttosto vaga; ci sono poche regole, tutti noi usiamo colloquialismi, abbreviazioni, e non ci preoccupiamo spesso di correggere gli errori di ortografia. Queste incongruenze rendono difficile, nel migliore dei casi, l’analisi del linguaggio naturale da parte di un computer. Se si dispone di molti dati sotto forma di feedback dei clienti e si vuole ottenere automaticamente una visione di business, allora si devono utilizzare le tecniche della NLP.

La NLP può essere suddivisa in due diverse serie di approcci. Il primo approccio è un approccio basato su regole e coinvolge set di regole create o curate dall’uomo. Gli approcci basati su regole cercano termini linguistici come “amore” e “odio”, “piace” e “non piace”. La presenza di parole positive e negative definisce se una frase è positiva o negativa. Il secondo approccio utilizza tecniche statistiche che utilizzano l’apprendimento automatico per sviluppare modelli algoritmici. Con l’apprendimento automatico, i data scientist, per esempio, possono addestrare un algoritmo per comprendere il sentiment basato su grandi insiemi di dati, mettendo a punto il modello per prevedere il sentiment in frasi completamente nuove.

Machine Learning


L’apprendimento automatico è un sottoinsieme dell’intelligenza artificiale ed è un termine inclusivo che contiene un numero considerevole di approcci dal semplice al molto complesso. Il Machine Learning è una disciplina che ha il compito di dare ai computer la capacità di imparare senza essere esplicitamente programmati. Piuttosto che un essere umano che dice al computer di seguire un insieme limitato di regole predefinite, gli chiediamo di guardare attraverso i dati, di imparare a svolgere compiti specifici e di migliorare nel tempo.

Nell’ingegneria del software tradizionale, gli sviluppatori danno istruzioni precise (sequenziali) alle macchine (CPU) su come eseguire un programma/un pezzo di codice. Ad esempio, quando si fa clic sul pulsante ‘Invia’ dopo aver compilato i dati su un modulo web, tutto ciò che il programma fa è convalidare che i dati compilati siano nel formato corretto, raggruppandoli e inviandoli ad un server per ottenere una risposta da un pezzo di codice in esecuzione su quella macchina.

Diversi Paradigmi di Machine Learning

Supervised Learning


Si chiama apprendimento supervisionato perché comporta il processo di apprendimento degli algoritmi da un set di dati di formazione e può essere pensato come un insegnante che supervisiona il processo di apprendimento. Conosciamo le risposte corrette, l’algoritmo fa previsioni sui dati della formazione e viene corretto dall’insegnante. L’apprendimento si interrompe quando l’algoritmo raggiunge un livello di prestazione accettabile. Una volta che l’algoritmo è stato addestrato, è possibile fare previsioni su nuove osservazioni.

Unsupervised Learning


Nell’apprendimento non supervisionato, l’algoritmo ha solo dati di input ma nessuna variabile di output corrispondente. L’obiettivo dell’apprendimento non supervisionato è quello di modellare la struttura sottostante o la distribuzione nei dati per saperne di più sui dati. I modelli non supervisionati si occupano quindi principalmente di rilevare i modelli nei dati di formazione. Essi sono chiamati non supervisionati perché non c’è un insegnante o delle risposte corrette predefinite. Gli algoritmi sono lasciati a loro stessi per raggruppare le osservazioni in cluster o per adattare una distribuzione di probabilità sulle osservazioni per rilevare improbabili anomalie.

Reinforcement Learning


Apprendimento di rinforzo: L’algoritmo (chiamato anche agente) interagisce con l’ambiente. Ovvero, osserva lo stato dell’ambiente, compie un’azione e poi riceve una ricompensa/penalità. Inizia a compiere azioni casuali, ma col tempo capisce la strategia ottimale. Uno degli esempi più comuni di apprendimento di rinforzo è una macchina che impara a giocare a un gioco per computer o nel caso di Google Deepmind, un’intelligenza artificiale che è riuscita a imparare a camminare, correre, saltare e arrampicarsi senza alcuna guida.

Deep Learning


L’apprendimento profondo è un sottoinsieme dell’apprendimento automatico che utilizza architetture di reti neurali ispirate alle reti neurali biologiche del cervello umano. Le reti neurali sono un insieme specifico di algoritmi che hanno rivoluzionato il machine learning e sono utilizzati in tutti i paradigmi di machine learning.

Insegnano ai computer a fare ciò che viene naturale agli esseri umani: imparare con l’esempio. È la tecnologia alla base delle auto senza conducente, che permette loro di individuare la differenza tra un pedone e un lampione. L’apprendimento profondo richiede grandi quantità di dati (che non è un’offerta limitata se si considera che generiamo circa 2,6 quintilioni di byte al giorno) ed è andato a gonfie vele negli ultimi anni grazie ai progressi nella potenza di calcolo, riducendo il tempo necessario per addestrare una rete neurale di apprendimento profondo.

L’apprendimento profondo ha ormai raggiunto il punto in cui può superare gli esseri umani in una serie di compiti come la classificazione delle immagini e continuerà a migliorare nel tempo.

Utilizzando il sito, accetti l'utilizzo dei cookie da parte nostra. maggiori informazioni

Questo sito utilizza i cookie per fonire la migliore esperienza di navigazione possibile. Continuando a utilizzare questo sito senza modificare le impostazioni dei cookie o clicchi su "Accetta" permetti al loro utilizzo.

Chiudi