PANORAMICA SULLE TECNOLOGIE DI INTELLIGENZA ARTIFICIALE E APPRENDIMENTO AUTOMATICO FINALIZZATA AD APPLICAZIONI NEL CAMPO INGEGNERISTICO

L’intelligenza artificiale (AI) e il machine learning (ML) stanno rivoluzionando numerosi settori, dall’ingegneria alla medicina, alla finanza e la loro influenza è destinata a crescere nei prossimi anni.

Il Machine Learning (ML) è un sottoinsieme dell’Intelligenza Artificiale (AI) che si concentra sullo sviluppo di algoritmi e modelli che permettono ai computer di imparare dai dati, senza essere esplicitamente programmati per ogni singolo compito. il Machine Learning è una tecnologia potente che sta trasformando numerosi settori. La sua capacità di apprendere dai dati e migliorare le proprie prestazioni lo rende uno strumento fondamentale per affrontare problemi complessi e automatizzare processi.

Il seminario ha introdotto i concetti di AI e machine learning, analizzato gli algoritmi di apprendimento supervisionato, non supervisionato e per rinforzo, dettagliando le applicazioni specifiche per ogni tipo di apprendimento.
Ha evidenziato l’importanza dei dati sia in termini quantitativi che qualitativi come risorsa fondamentale per risolvere problemi complessi, e illustrato le fasi del processo di ottimizzazione dei modelli (preparazione dei dati, addestramento, validazione, test, predizione)
Sono stati presentati alcuni esempi di algoritmo di Clustering (K-Means), di modelli generativi (GANs) con l’esempio di generazione automatica di volti umani.
Per l’apprendimento per rinforzo è stato presentato un esempio con robot.
Si è anche svolta una sessione interattiva con tool on line per ottimizzare una rete neurale.

Un altro aspetto importante introdotto è l’Intelligenza Artificiale Causale (Causal AI)), nota anche come inferenza causale, che rappresenta un’evoluzione significativa nel campo dell’intelligenza artificiale.
A differenza dell’AI tradizionale, che si concentra principalmente sull’identificazione di correlazioni tra i dati, l’AI Causale mira a comprendere le relazioni di causa-effetto tra gli eventi.
Sono stati introdotti i concetti fondamentali sulla Causal Inference e come il Machine Learning si rivela particolarmente utile nell’affrontare questa sfida.
Sono stati fatti alcuni esempi con le Bayesian Networks, che sono sono modelli probabilistici grafici che rappresentano le relazioni causali tra variabili in termini probabilistici.

Sono state illustrate alcune tipologie di robots progettati in funzione di diversi compiti che devono svolgere all’interno della fabbrica, tenendo conto anche dei criteri di sostenibilità ottimizzando i consumi energetici.
Ing. Marco Ripamonti

Comm. ICT OIB