11. Glossario dei Termini Fondamentali

Questo glossario contiene una serie di termini fondamentali relativi all’intelligenza artificiale, spiegati in modo semplice per facilitare la comprensione dei concetti trattati durante il corso.

Algoritmo

Un insieme di regole o istruzioni seguite da un computer per risolvere un problema o completare un compito. Gli algoritmi possono essere semplici (ad esempio, ordinare una lista di numeri) o complessi (come riconoscere immagini o tradurre una lingua).

Apprendimento Automatico (Machine Learning)

È una branca dell’intelligenza artificiale che permette ai computer di imparare dai dati senza essere esplicitamente programmati. I modelli di apprendimento automatico analizzano i dati e migliorano le loro prestazioni nel tempo.

Apprendimento Supervisato

Un tipo di machine learning in cui l’algoritmo viene addestrato su un dataset etichettato, dove ogni dato è associato a una risposta corretta. L’obiettivo è far sì che il modello impari a predire correttamente le risposte per nuovi dati non visti.

Apprendimento Non Supervisato

In questo tipo di machine learning, l’algoritmo cerca di trovare pattern o strutture nei dati senza che vi siano risposte corrette predefinite. L’algoritmo lavora sui dati senza una guida specifica.

Apprendimento per Rinforzo

Una tecnica di machine learning in cui un agente (come un robot o un programma) impara a compiere azioni in un ambiente per massimizzare una ricompensa. L’agente riceve feedback positivi o negativi per le sue azioni, migliorando così il proprio comportamento.

Rete Neurale

Un modello matematico ispirato al cervello umano, progettato per riconoscere schemi nei dati. Le reti neurali sono composte da neuroni artificiali organizzati in strati e sono utilizzate in molte applicazioni di intelligenza artificiale, come il riconoscimento delle immagini e il riconoscimento vocale.

Deep Learning

Un sottoinsieme del machine learning che utilizza reti neurali profonde, con molti strati di neuroni artificiali, per risolvere problemi complessi. È utilizzato in applicazioni come la visione artificiale e l’elaborazione del linguaggio naturale.

Intelligenza Artificiale Debole (Narrow AI)

Un tipo di intelligenza artificiale progettata per svolgere un compito specifico o un insieme ristretto di compiti. Esempi includono assistenti vocali come Siri o algoritmi di raccomandazione come quelli di Netflix.

Intelligenza Artificiale Generale (AGI)

Un tipo di intelligenza artificiale che ha la capacità di comprendere e apprendere qualsiasi compito intellettuale che un essere umano potrebbe fare. L’AGI è ancora teorica e non esiste nei sistemi attuali.

Intelligenza Artificiale Generativa

Una branca dell’intelligenza artificiale che permette ai computer di creare contenuti nuovi, come testi, immagini o musica, basandosi su input forniti. Esempi includono modelli come GPT per la generazione di testo e DALL·E per la generazione di immagini.

Bias Algoritmico

Un pregiudizio che si manifesta nei modelli di intelligenza artificiale quando l’algoritmo viene addestrato su dati che riflettono distorsioni o disuguaglianze esistenti. Questo può portare a decisioni ingiuste o discriminatorie.

Natural Language Processing (NLP)

È una branca dell’intelligenza artificiale che consente ai computer di comprendere, interpretare e generare linguaggio umano. Il NLP è alla base di molte applicazioni come i chatbot, i sistemi di traduzione automatica e gli assistenti vocali.

Reti Generative Avversarie (GANs)

Un tipo di rete neurale che può generare dati nuovi e realistici. Le GANs sono costituite da due reti che competono tra loro: una rete generatrice che crea dati, e una rete discriminante che valuta la qualità dei dati creati.

Modelli Transformer

Una tipologia di architettura di reti neurali utilizzata soprattutto per l’elaborazione del linguaggio naturale. I modelli transformer, come GPT, sono in grado di comprendere e generare testi in modo altamente coerente e naturale.

Superintelligenza

Un’intelligenza artificiale ipotetica che supera di gran lunga le capacità cognitive umane in tutti i campi, inclusi creatività, problem solving e apprendimento. La superintelligenza rimane ancora un concetto teorico e non è stata realizzata.

Overfitting

Una situazione in cui un modello di machine learning è così accurato nel rappresentare il set di addestramento che non riesce a generalizzare bene su nuovi dati. Questo accade quando il modello impara non solo i pattern reali, ma anche il rumore o le peculiarità casuali dei dati di addestramento.

Big Data

Un termine usato per descrivere enormi quantità di dati che sono troppo grandi o complessi per essere gestiti con i tradizionali metodi di elaborazione dei dati. Gli algoritmi di intelligenza artificiale, in particolare il machine learning, sfruttano i big data per trovare pattern e fare previsioni.

Questo glossario fornisce una base per comprendere i termini tecnici più comuni utilizzati nel corso. Se c’è qualche altro termine che vorresti aggiungere, fammi sapere!