Home / Archive by category "AI Intelligenza Artificiale"

AI Intelligenza Artificiale

Chi è John McCarthy Padre dell’intelligenza artificiale

Padre dell'intelligenza artificiale Ogni caratteristica dell'intelligenza o degli aspetti di apprendimento in linea di principio può essere descritta in modo così preciso che una macchina può simularla senza problemi . - John McCarthy John McCarthy, che è il padre dell'intelligenza artificiale, è stato un pioniere nel campo dell'IA. Non solo è accreditato come il fondatore dell'IA, ma anche uno che ha coniato il termine Intelligenza Artificiale. Nel 1955, John McCarthy coniò il termine Intelligenza Artificiale, che propose nella famosa conferenza di Dartmouth nel 1956 . Questa conferenza alla quale hanno partecipato 10 scienziati informatici, ha visto McCarthy esplorare i modi in cui le macchine possono apprendere e ragionare come gli esseri umani. Credeva nello sviluppo di macchine che incarnassero la natura del pensiero astratto e della risoluzione dei problemi del cervello umano, ovvero una macchina può essere realizzata per simulare gli aspetti di apprendimento di un essere umano. All'età di 84 anni, fondatore dell'intelligenza artificiale, John McCarthy ha lasciato il mondo il 24 ottobre 2011. John McCarthy, professore e inventore, ha definito e dominato il campo dell'IA per oltre cinque decenni. Conoscere il padre dell'intelligenza artificiale - John McCarthyJohn McCarthy, un acclamato gigante dell'informatica e una figura fondamentale nell'intelligenza artificiale, è nato a Boston nel 1927. Alla fine, si è trasferito con i suoi genitori a Los Angeles. Una mente brillante fin dalla giovane età nonostante fosse malato, si è assicurato un posto universitario al California Institute of Technology. Si è laureato nel 1948. L'idea di inventare una tecnologia che potesse aiutare le macchine ad apprendere non è nata all'improvviso. John McCarthy ha partecipato a un simposio sui " meccanismi cerebrali nel comportamento ". Fu da qui che iniziò la sua ricerca per creare macchine che potessero pensare come gli umani. I principali successi di John ...
Continua a Leggere

Un modello per rispecchiare l’apprendimento visivo umano di Maximillian Riesenhuber e Joshua Rule

I neuroscienziati progettano un modello per rispecchiare l'apprendimento visivo umano Programmando l'intelligenza artificiale (AI) basata su computer per utilizzare una tecnica più veloce per l'apprendimento di nuovi oggetti, l'IA inizia a funzionare più come l'intelligenza umana. Questo avviene quando due neuroscienziati hanno progettato un modello per rispecchiare l'apprendimento visivo umano. La ricerca di Maximillian Riesenhuber, PhD, professore di neuroscienze presso il Georgetown University Medical Center, e Joshua Rule, PhD, studioso post-dottorato presso l'Università di Berkeley, è stata pubblicata sulla rivista Frontiers in Computational Neuroscience. AI apprendere nuovi concetti visiviI neuroscienziati hanno dimostrato come il nuovo approccio migliora la capacità del software di intelligenza artificiale di apprendere rapidamente nuovi concetti visivi. "Il nostro modello fornisce un modo biologicamente plausibile per le reti neurali artificiali di apprendere nuovi concetti visivi da un piccolo numero di esempi", afferma Riesenhuber. "Possiamo fare in modo che i computer apprendano molto meglio da pochi esempi sfruttando l'apprendimento precedente in un modo che pensiamo rispecchi ciò che sta facendo il cervello". Gli esseri umani hanno la capacità di apprendere nuovi concetti visivi da dati sparsi in modo molto rapido e accurato. Possediamo questa capacità in tenera età, a partire da tre mesi. Tuttavia, i computer richiedono molti esempi dello stesso oggetto per sapere finalmente di cosa si tratta. "Il potere computazionale della gerarchia del cervello risiede nel potenziale per semplificare l'apprendimento sfruttando rappresentazioni apprese in precedenza da una banca dati, per così dire, piena di concetti sugli oggetti", dice Riesenhuber. Reti neurali artificiali vs sistema visivo umanoRiesenhuber e Rule hanno scoperto che le reti neurali artificiali possono apprendere nuovi concetti visivi molto più velocemente, avvicinandosi al liv...
Continua a Leggere

Cos’è concept whitening

Una nuova tecnica chiamata "concept whitening" promette di fornire l'interpretabilità della rete neurale Unisciti a noi per l'evento leader a livello mondiale sull'accelerazione della trasformazione aziendale con AI e dati, per i decisori tecnologici aziendali, presentato dall'editore numero 1 in AI e dati Le reti neurali profonde possono compiere imprese meravigliose, grazie alla loro rete di parametri estremamente ampia e complicata. Ma la loro complessità è anche la loro maledizione: il funzionamento interno delle reti neurali è spesso un mistero, anche per i loro creatori. Questa è una sfida che preoccupa la comunità dell'intelligenza artificiale da quando l'apprendimento profondo ha iniziato a diventare popolare all'inizio degli anni 2010. In parallelo con l'espansione dell'apprendimento profondo in vari domini e applicazioni, c'è stato un crescente interesse nello sviluppo di tecniche che tentano di spiegare le reti neurali esaminandone i risultati e i parametri appresi. Ma queste spiegazioni sono spesso errate e fuorvianti e forniscono poche indicazioni per correggere possibili idee sbagliate incorporate nei modelli di apprendimento profondo durante la formazione. In un articolo pubblicato sulla rivista Nature Machine Intelligence , gli scienziati della Duke University propongono il "concetto di sbiancamento", una tecnica che può aiutare a guidare le reti neurali verso l'apprendimento di concetti specifici senza sacrificare le prestazioni. Lo sbiancamento concettuale trasforma l'interpretabilità in modelli di apprendimento profondo invece di cercare risposte in milioni di parametri addestrati. La tecnica, che può essere applicata alle reti neurali convoluzionali , mostra risultati promettenti e può avere grandi implicazioni per il modo in cui percepiamo la ricerca futura sull'intelligenza artificiale. Funzionalità e spazio latente nei modelli di deep learningDato un numero sufficiente di esempi di formazione di qualità, un modello di apprendim...
Continua a Leggere

Come capire se una startup AI è fasulla

Il software ZAML di Zest utilizza la tecnologia di apprendimento automatico per aiutare gli istituti di credito a prendere decisioni di credito più efficaci in modo sicuro, equo e trasparente. Fondata dal CIO di Google Douglas Merrill e sostenuta da Matrix Partners , Lightspeed , Upfront, Flybridge e Baidu, Zest collabora con società finanziarie di tutto il mondo per aiutare più persone ad accedere a un credito equo e trasparente. È passato un anno da quando MMC Ventures ha pubblicato la scoperta accidentale che il 40% delle startup AI non aveva un uso materiale dell'IA nel proprio stack tecnologico . (Lo studio era in Europa ma, ehi, potrebbe essere ovunque.) In qualità di CTO di un'azienda di intelligenza artificiale, posso dirti che il ronzio può essere assordante. Dimostrare che l'IA è reale (non solo viene fuori come reale) è un dilemma di cui ho discusso molto recentemente con un certo numero di clienti, partner e, soprattutto, investitori. Il profilo di come appare una vera azienda di intelligenza artificiale si sta ancora formando, e penso che ciò che Matt Bornstein e Martin Casado di Andreesseen Horowitz hanno scritto qui sulle aziende di intelligenza artificiale si rivelerà piuttosto preveggente. Se sei un investitore, cliente o partner seduto di fronte a un fondatore o CEO di una società di intelligenza artificiale, ecco le domande che chiederei al loro team per verificare se sono legittimi. Dato che l'intelligenza artificiale ha molti gusti, per motivi di specificità, qui definiamo l'IA come apprendimento automatico. Quali set di dati hai utilizzato per addestrare e valutare la tua intelligenza artificiale?L'IA per scopi generici è ancora roba da fantascienza. La tecnologia odierna funziona meglio se applicata a una serie di problemi ristretti e specifici che la macchina può imparare a risolvere elaborando grandi set di dati di indicatori storici e risultati. Puoi dire quanto è brava la tua intelligenza artificiale a risolvere il probl...
Continua a Leggere

Migliorare e monitorare la natura campagna di ricerca internazionale con 170 esperti guidati dall’Università di Leeds

Come i sistemi autonomi possono cambiare il mondo naturale Una campagna di ricerca internazionale che ha coinvolto 170 esperti guidati dall'Università di Leeds ha fornito informazioni su come tecnologie come droni, robot e sistemi autonomi possono alterare radicalmente il mondo naturale. La ricerca è stata pubblicata il 4 gennaio su Nature Ecology & Evolution . Comprendeva 77 accademici e professionisti come autori. Migliorare e monitorare la naturaPiù specificamente, i ricercatori hanno dimostrato come possiamo migliorare il modo in cui monitoriamo la natura con queste tecnologie. Possono aiutare a identificare i parassiti emergenti, aiutare a prendersi cura delle piante e consentire alle persone di coinvolgere maggiormente il mondo naturale. Il maggiore uso di robotica, veicoli autonomi e droni potrebbe significare una riduzione della congestione del traffico e dell'inquinamento. Migliorando questi aspetti dell'ambiente urbano, le città diventeranno più piacevoli per i cittadini anche se la popolazione cresce. Tuttavia, non è un automatico dato che questi andranno a vantaggio dell'ambiente, poiché esiste ancora il rischio che i progressi nella robotica e nell'automazione possano avere un impatto negativo. Nuovi robot e droni potrebbero anche significare nuove fonti di rifiuti e inquinamento, danneggiando questa natura urbana. Questi progressi potrebbero anche richiedere la riprogettazione delle città per fornire loro più spazio per operare e le aree verdi potrebbero essere sacrificate per questo spazio extra. Per quanto riguarda l'accesso allo spazio verde, le tecnologie potrebbero peggiorare le disuguaglianze esistenti. Il dottor Martin Dallimer della School of Earth and Environment presso l'Università di Leeds è l'autore principale. "La tecnologia, come la robotica, ha il potenziale per cambiare quasi ogni aspetto della nostra vita", afferma Dallimer. "Come società, è fondamentale cercare in modo proattivo di comprendere tutti i possib...
Continua a Leggere

Gli scienziati della Freie Universität Berlin hanno escogitato una soluzione basata sull’intelligenza artificiale per calcolare lo stato fondamentale dell’equazione di Schrödinger in chimica quantistica.

L'intelligenza artificiale aiuta a risolvere l'equazione di Schrödinger: cosa significa questo per il futuro? Un modello di intelligenza artificiale ha aiutato a risolvere l'equazione di Schrödinger con grande precisione, il che apre il potenziale per molte applicazioni future Gli scienziati della Freie Universität Berlin hanno escogitato una soluzione basata sull'intelligenza artificiale per calcolare lo stato fondamentale dell'equazione di Schrödinger in chimica quantistica. L'equazione di Schrödinger viene utilizzata principalmente per prevedere le proprietà chimiche e fisiche di una molecola in base alla disposizione dei suoi atomi. L'equazione aiuta a determinare dove si trovano gli elettroni e i nuclei di una molecola e in un dato insieme di condizioni quali sono le loro energie. L' equazione ha la stessa importanza centrale del moto della legge di Newton, che può prevedere la posizione di un oggetto in un momento particolare, ma nella meccanica quantistica, cioè negli atomi o nelle particelle subatomiche. L'articolo descrive come la rete neurale sviluppata dagli scienziati della Freie Universität Berlin porta una maggiore precisione nella risoluzione dell'equazione di Schrödinger e cosa significa questo per il futuro. L'intelligenza artificiale porta più precisione all'equazioneIn linea di principio, l'equazione di Schrödinger può essere risolta per prevedere la posizione esatta degli atomi o delle particelle subatomiche in una molecola, ma in pratica, questo è estremamente difficile poiché implica molta approssimazione. Al centro dell'equazione c'è un oggetto matematico, una funzione d'onda che specifica il comportamento degli elettroni in una molecola. Ma l'elevata dimensionalità della funzione d'onda rende estremamente difficile scoprire come gli elettroni si influenzano a vicenda. Quindi il massimo che ottieni dalle rappresentazioni matematiche è un resoconto probabilistico e non risposte esatte. Ciò limita l'accuratezza con cui p...
Continua a Leggere

Le Auto a guida autonoma e le tre leggi della robotica di Asimov.

I progressi nell'intelligenza artificiale (AI) continueranno a stimolare l'adozione diffusa di robot nella nostra vita quotidiana. I robot che una volta sembravano così costosi da poter essere offerti solo per scopi di produzione pesante sono gradualmente diminuiti di costo e di dimensioni ugualmente ridotte. Puoi considerare che l'aspirapolvere Roomba a casa tua sia un tipo di robot, anche se non abbiamo ancora il robot maggiordomo domestico sempre promesso che avrebbe dovuto prendersi cura delle nostre faccende quotidiane di routine. Forse uno degli aspetti più noti dei robot è il leggendario set di tre regole offerto dallo scrittore Isaac Asimov. Il suo racconto di fantascienza intitolato Le tre leggi è stato pubblicato nel 1942 e apparentemente è stato inarrestabile in termini di continuo interesse e abbraccio. Ecco le tre regole che ha sapientemente ideato: 1) Un robot non può ferire un essere umano o, per inerzia, permettere a un essere umano di subire danni, 2) Un robot deve obbedire agli ordini impartitigli dagli esseri umani tranne quando tali ordini sarebbero in conflitto con la Prima Legge, 3) Un robot deve proteggere la propria esistenza fintanto che tale protezione non è in conflitto con la Prima o la Seconda Legge. Sebbene si riferisse a queste come leggi, sappi che apparentemente non sono leggi effettive di per sé. Un punto di vista sulle leggi è la nozione di leggi di natura. Queste tre regole non sono leggi della natura poiché non c'è nulla in esse che in qualche modo sia determinabile come inesorabilmente imbevute dalla natura o richieste dal corso della natura. Queste regole sono create dall'uomo e l'umanità discrezionale. Possono essere osservati e obbediti, oppure possono essere completamente ignorati, qualunque sia la nostra scelta di attenerci. Un'altra prospettiva sulle leggi è l'aspetto dei regolamenti e delle disposizioni derivate dall'umanità. La nostra venerata Costituzione è un'indicazione delle leggi, qualco...
Continua a Leggere

Data Science contro Machine Learning contro AI Deep Learning: qual è la differenza?

Nel mondo di oggi, è facile perdersi nella semantica e soprattutto per chi è nuovo nel campo dell'analisi dei dati, sembra di essere bombardato da una storia infinita di gerghi. Tra questi gerghi, i più comunemente usati e spesso confusi sono Data Science, Machine Learning e AI Deep Learning. Secondo gli espertiIsaac Newton ha detto "Se ho visto oltre è stando sulle spalle di Giants ". Prima di elaborare le differenze ovvie e sfumate tra questi tre campi nella sezione successiva , consentitemi di fornirvi alcuni estratti e citazioni di autori che hanno scritto libri, articoli e svolto ricerche in questi campi. Scienza dei datiSecondo Tom Fawcett, nel suo libro "Data Science for Business", afferma che "la Data Science coinvolge principi, processi e tecniche per comprendere i fenomeni tramite l'analisi (automatizzata) dei dati". Aggiunge inoltre che "l'ingegneria e l'elaborazione dei dati sono fondamentali" e "per comprendere la scienza dei dati e il business basato sui dati è importante comprendere le differenze". Quindi spiega come le tecnologie di ingegneria dei dati aiutano e assistono il campo della scienza dei dati ma non devono essere confuse con le "tecnologie della scienza dei dati". Prende l'esempio delle tecnologie Big Data come Hadoop e MongoDB e chiarisce che si tratta di mere tecnologie di elaborazione dati per dati che sono enormi in quantità e non devono essere confusi con Data Science. La sovrapposizione tra Data Science e ML è menzionata da Chikio Hayashi in "What is Data Science? Concetti fondamentali e un esempio euristico "in cui ha citato la Data Science come " concetto per unificare statistiche, analisi dei dati, apprendimento automatico e metodi correlati ". Apprendimento automaticoOra, con un'idea di cosa sia la Data Science, capiamo cosa significa ML per gli esperti. Il machine learning in parole molto semplici, come affermato da Aurélien Géron in "Hands-On Machine Learning with Scikit-Learn and TensorFlow" è semp...
Continua a Leggere
Top

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

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

Chiudi