Crediti: Immagine fornita; Autore: Stephen Whitelaw;

Deep learning

Il deep learning è un tipo di apprendimento automatico basato su reti neurali a più livelli. Questi sistemi sono in grado di apprendere modelli complessi presenti in immagini, testi, audio e video. Il deep learning è alla base di molte innovazioni moderne nel campo dell’intelligenza artificiale, tra cui il riconoscimento vocale, la generazione di immagini, la traduzione e i modelli linguistici su larga scala. Spesso richiede grandi quantità di dati e potenza di calcolo.

Crediti: Immagine fornita; Autore: Stephen Whitelaw;

Modello di diffusione

Un modello di diffusione è un tipo di IA generativa spesso utilizzata per creare immagini. Impara a generare dati partendo dal rumore e raffinandolo gradualmente fino a ottenere un’immagine o un risultato coerente. Molti strumenti moderni di generazione di immagini utilizzano tecniche di diffusione. Il risultato può essere altamente realistico o artistico, a seconda del prompt e del modello.

Crediti: Immagine fornita; Autore: Stephen Whitelaw;

Gemello digitale

Un gemello digitale è un modello virtuale di un oggetto, un sistema o un processo del mondo reale. Ad esempio, una fabbrica potrebbe avere un gemello digitale che simula macchinari, consumo energetico e flusso di produzione. L’IA può rendere i gemelli digitali più potenti prevedendo i problemi e testando le modifiche prima che si verifichino nel mondo reale. I gemelli digitali sono utilizzati nell’ingegneria, nella sanità, nei trasporti e nelle città intelligenti.

Crediti: Immagine fornita; Autore: Stephen Whitelaw;

Modello discriminativo

Un modello discriminativo impara a distinguere tra diverse categorie. Ad esempio, potrebbe decidere se un’e-mail sia spam o meno, oppure se l’immagine di un tumore appaia benigna o maligna. I modelli discriminativi sono diversi dai modelli generativi, che creano nuovi contenuti. In termini semplici, i modelli discriminativi classificano; i modelli generativi producono.


Crediti: Immagine fornita; Autore: Stephen Whitelaw;
Distillazione

La distillazione dell’IA consiste nell’addestrare un modello di IA piccolo e veloce affinché copi le conoscenze e il comportamento di un modello di IA grande e intelligente. Immaginatelo come uno chef esperto (il modello grande) che insegna a un apprendista (il modello piccolo) tutte le sue ricette e tecniche segrete, in modo che l’apprendista possa cucinare piatti della stessa qualità, ma molto più velocemente e con meno utensili da cucina.Perché viene utilizzata Risparmio di spazio: riduce i sistemi di IA di grandi dimensioni in modo che possano stare su uno smartphone o un laptop. Risparmio economico: l’esecuzione del modello più piccolo richiede una potenza di calcolo significativamente inferiore. Risparmio di tempo: il modello più piccolo fornisce risposte molto più velocemente di quello gigante.

Crediti: Immagine fornita; Autore: Stephen Whitelaw;

Adattamento di dominio

L’adattamento di dominio è il processo che consente a un modello di IA di funzionare bene in un contesto nuovo ma correlato. Ad esempio, un modello addestrato sui dati ospedalieri di un paese potrebbe non funzionare altrettanto bene in un altro paese a causa delle differenze nelle attrezzature, nei pazienti o nelle procedure. L’adattamento di dominio aiuta i modelli a trasferire le conoscenze adattandosi alle condizioni locali.

Crediti: Immagine fornita; Autore: Stephen Whitelaw;

IA specifica per un determinato settore

L’IA specifica per un determinato settore è un’intelligenza artificiale progettata per un campo particolare, come la sanità, il diritto, la finanza, l’istruzione, l’agricoltura o la produzione. Questi sistemi possono essere più accurati e utili rispetto agli strumenti generici poiché sono costruiti attorno a conoscenze e flussi di lavoro specialistici. Tuttavia, l’IA specifica per un determinato settore necessita della supervisione di esperti poiché gli errori possono comportare gravi conseguenze.

Crediti: Immagine fornita; Autore: Stephen Whitelaw;

Drift

La deriva si verifica quando le prestazioni di un modello di IA cambiano nel tempo a causa dei cambiamenti del mondo reale. Ad esempio, il comportamento dei clienti, le tattiche di frode, la pratica medica o l’uso del linguaggio possono evolversi. Un modello che funzionava bene l’anno scorso potrebbe diventare meno affidabile oggi. Il monitoraggio della deriva è essenziale in qualsiasi sistema di IA utilizzato nel lungo periodo.

Crediti: Immagine fornita; Autore: Stephen Whitelaw;

Dropout

Il dropout è una tecnica di addestramento utilizzata nelle reti neurali per ridurre l’overfitting. Durante l’addestramento, alcune connessioni vengono ignorate in modo casuale, costringendo il modello a non fare eccessivo affidamento su un singolo percorso. Ciò aiuta il modello a generalizzare meglio i nuovi dati. È simile all’allenamento di una squadra in modo che l’intero gruppo ottenga buoni risultati, piuttosto che dipendere da un unico giocatore di punta.

Crediti: Immagine fornita; Autore: Stephen Whitelaw;

Doppio uso

Per “doppio uso” si intende che una tecnologia può essere utilizzata sia per scopi utili che dannosi. L’IA è una classica tecnologia a doppio uso. Lo stesso strumento che aiuta a redigere materiale didattico potrebbe anche servire a scrivere e-mail di phishing. Lo stesso sistema di generazione di immagini che aiuta gli artisti potrebbe creare prove false. Un’IA responsabile richiede di considerare sia l’uso previsto che quello improprio.

Imposta The Portugal News come fonte preferita per le notizie su Google

GoogleAggiungi come fonte preferita su Google