Retropropagazione

Crediti: Immagine fornita; Autore: Stephen Whitelaw;

La retropropagazione è un metodo utilizzato per addestrare le reti neurali. Funziona confrontando l’output del modello con la risposta corretta, calcolando l’errore e quindi inviando tale errore a ritroso attraverso la rete per regolarne le impostazioni interne. Attraverso numerosi esempi, il modello migliora gradualmente. La retropropagazione è una delle tecniche chiave alla base del moderno deep learning.

Bag-of-Words

Crediti: Immagine fornita; Autore: Stephen Whitelaw;

Il «bag-of-words» è un modo semplice di rappresentare il testo per l’apprendimento automatico. Ignora la grammatica e l’ordine delle parole e si limita a contare quali parole compaiono. Ad esempio, «L’IA aiuta le imprese» e «Le imprese aiutano l’IA» possono apparire molto simili in un modello «bag-of-words». È meno sofisticato rispetto ai moderni modelli linguistici, ma risulta comunque utile in alcune attività di classificazione del testo.

Modello di base

Crediti: Immagine fornita; Autore: Stephen Whitelaw;

Un modello di base è un modello di IA che è stato addestrato su un ampio set di dati ma non è ancora stato specializzato per un uso particolare. Ad esempio, un modello linguistico generale può essere addestrato a prevedere il testo, per poi essere successivamente ottimizzato per diventare un assistente utile, uno strumento di sintesi legale o uno strumento di programmazione. Il modello di base è il fondamento su cui vengono costruiti sistemi più specializzati.

IA bayesiana

Crediti: Immagine fornita; Autore: Stephen Whitelaw;

L’IA bayesiana utilizza la probabilità per ragionare sull’incertezza. Anziché fornire una sola risposta, un approccio bayesiano è in grado di aggiornare le proprie convinzioni man mano che arrivano nuove prove. Ciò risulta utile in medicina, nelle previsioni, nel rilevamento dello spam e nell’analisi dei rischi. L’idea di base è familiare: quando compaiono nuove informazioni, rivediamo ciò che riteniamo probabile.

Ricerca a fascio

Crediti: Immagine fornita; Autore: Stephen Whitelaw;

La ricerca a fascio è una tecnica utilizzata quando i sistemi di IA generano sequenze, come testi o traduzioni. Anziché scegliere ogni volta solo la singola parola successiva più probabile, il modello mantiene aperte diverse opzioni possibili e le esplora. Ciò può migliorare il risultato finale. È un po’ come valutare diversi percorsi possibili prima di scegliere il viaggio migliore.

BERT

Crediti: Immagine fornita; Autore: Stephen Whitelaw;

BERT è un influente modello linguistico sviluppato prima dell’attuale ondata di grandi strumenti di IA conversazionale. Ha aiutato i computer a comprendere il testo analizzando le parole nel contesto in entrambe le direzioni, anziché limitarsi a leggere da sinistra a destra. BERT è stato ampiamente utilizzato in attività di ricerca, classificazione e comprensione del linguaggio. Ha contribuito a spianare la strada a modelli linguistici più avanzati.

Pregiudizio

Crediti: Immagine fornita; Autore: Stephen Whitelaw;

Nell’IA, il termine «pregiudizio» può assumere diversi significati. In senso tecnico, può riferirsi alle ipotesi incorporate in un modello. In senso sociale, si riferisce a risultati ingiusti o distorti che incidono su persone o gruppi. Entrambi i significati sono importanti. Un sistema di IA utile necessita delle giuste ipotesi tecniche, ma deve evitare pregiudizi sociali dannosi.

Big Data

Crediti: Immagine fornita; Autore: Stephen Whitelaw;

Il termine «Big Data» si riferisce a insiemi di dati estremamente vasti, complessi o in rapida evoluzione che i metodi tradizionali faticano a gestire. L’IA ha tratto enormi benefici dai Big Data perché molti sistemi di apprendimento automatico migliorano quando vengono addestrati su un numero maggiore di esempi. Tuttavia, una maggiore quantità di dati non è sempre sinonimo di qualità. Dati di scarsa qualità, distorti o irrilevanti possono comunque produrre un’IA di scarsa qualità.