WEBVTT 00:00:01.199 --> 00:00:03.279 Salve a tutti, siete all'ascolto di 00:00:03.279 --> 00:00:05.599 INSiDER - Dentro la Tecnologia, 00:00:05.599 --> 00:00:07.839 un podcast di Digital People e 00:00:07.839 --> 00:00:09.039 io sono il vostro host, 00:00:09.039 --> 00:00:10.080 Davide Fasoli. 00:00:16.785 --> 00:00:18.625 Oggi cercheremo di capire meglio, 00:00:18.625 --> 00:00:21.425 attraverso degli esempi, come funzionano le 00:00:21.425 --> 00:00:24.144 varie intelligenze artificiali e cosa manca 00:00:24.144 --> 00:00:26.064 per poter creare dei veri e 00:00:26.064 --> 00:00:28.199 propri cervelli digitali. 00:00:28.199 --> 00:00:29.720 Prima di passare alle notizie che 00:00:29.720 --> 00:00:31.960 più ci hanno colpito questa settimana, 00:00:31.960 --> 00:00:33.799 vi ricordo che potete seguirci su 00:00:33.799 --> 00:00:37.960 Instagram a @dentrolatecnologia, iscrivervi alla newsletter 00:00:37.960 --> 00:00:40.039 e ascoltare un nuovo episodio ogni 00:00:40.039 --> 00:00:42.284 sabato mattina, su Spotify, 00:00:42.284 --> 00:00:45.644 Apple Podcast, Google Podcast oppure direttamente 00:00:45.644 --> 00:00:46.844 sul nostro sito. 00:00:59.659 --> 00:01:01.659 Dopo i problemi riscontrati nel lancio 00:01:01.659 --> 00:01:04.459 della navicella spaziale Starliner poco più 00:01:04.459 --> 00:01:05.420 di due anni fa, 00:01:05.420 --> 00:01:07.579 questa settimana Boeing ha deciso di 00:01:07.579 --> 00:01:10.135 fissare la data del secondo tentativo 00:01:10.135 --> 00:01:12.215 al prossimo 19 maggio. 00:01:12.215 --> 00:01:14.855 Il progetto dell'azienda statunitense fa parte 00:01:14.855 --> 00:01:17.174 del Commercial Crew Program, 00:01:17.255 --> 00:01:19.015 ovvero il programma di volo spaziale 00:01:19.015 --> 00:01:21.415 con equipaggio finanziato dalla NASA, 00:01:21.569 --> 00:01:23.329 che ha come obiettivo quello di 00:01:23.329 --> 00:01:25.650 rendere indipendenti i lanci verso la 00:01:25.650 --> 00:01:29.730 stazione spaziale americana dalle navicelle russe Sojuz. 00:01:29.810 --> 00:01:32.930 Attualmente l'unica compagnia spaziale operativa che 00:01:32.930 --> 00:01:36.094 rientra nel progetto della NASA è SpaceX, 00:01:36.094 --> 00:01:38.334 con le capsule Crew Dragon. 00:01:38.495 --> 00:01:41.694 Tuttavia, dopo la missione OFT-2 con 00:01:41.694 --> 00:01:43.935 il lancio di Starliner previsto per 00:01:43.935 --> 00:01:46.015 il 19 maggio, Boeing avrà la 00:01:46.015 --> 00:01:48.909 possibilità di avvicinarsi ulteriormente verso la 00:01:48.909 --> 00:01:51.869 conclusione della fase sperimentale del programma 00:01:51.869 --> 00:01:52.590 di lancio. 00:01:52.590 --> 00:01:54.670 A differenza del primo tentativo, 00:01:54.750 --> 00:01:57.229 questa volta la capsule Starliner, 00:01:57.229 --> 00:02:00.909 proverà ad attraccare alla stazione spaziale internazionale, 00:02:01.275 --> 00:02:03.194 dove dovrebbe rimanere per un tempo 00:02:03.194 --> 00:02:04.954 massimo di dieci giorni, 00:02:04.954 --> 00:02:07.275 per poi rientrare sulla terra una 00:02:07.275 --> 00:02:09.915 volta completata l'analisi dei dati. 00:02:12.314 --> 00:02:14.474 Un team di ricerca dell'Università di 00:02:14.474 --> 00:02:16.669 Austin in Texas è riuscito a 00:02:16.669 --> 00:02:20.189 creare un'enzima chiamato FAST-PETase, 00:02:20.189 --> 00:02:22.270 capace di decomporre la plastica in 00:02:22.270 --> 00:02:25.789 pochi giorni, rendendola riutilizzabile senza l'utilizzo 00:02:25.789 --> 00:02:27.469 di ulteriori fonti energetiche. 00:02:27.764 --> 00:02:29.925 L'obiettivo della ricerca era quello di 00:02:29.925 --> 00:02:32.004 trovare un modo più veloce per 00:02:32.004 --> 00:02:35.685 decomporre il materiale comunemente conosciuto come PET, 00:02:35.685 --> 00:02:38.245 il quale viene utilizzato principalmente per 00:02:38.245 --> 00:02:40.405 costruire contenitori per bevande, 00:02:40.405 --> 00:02:42.164 e il suo impatto sul pianeta 00:02:42.164 --> 00:02:42.884 è drammatico. 00:02:43.229 --> 00:02:44.989 Basti pensare al fatto che una 00:02:44.989 --> 00:02:47.389 bottiglia di plastica impiega dai 100 00:02:47.389 --> 00:02:50.590 ai 1000 anni per decomporsi completamente. 00:02:50.750 --> 00:02:53.789 Infatti, questi rifiuti rappresentano circa il 00:02:53.789 --> 00:02:56.110 12% a livello globale. 00:02:56.110 --> 00:02:59.525 Questo nuovo enzima sviluppato accelera moltissimo 00:02:59.525 --> 00:03:02.325 il processo di depolimerizzazione, 00:03:02.485 --> 00:03:05.525 scomponendo il PET nei suoi monomeri base, 00:03:05.525 --> 00:03:09.125 che poi tramite polimerizzazione vengono utilizzati 00:03:09.125 --> 00:03:11.044 in un secondo momento per ricreare 00:03:11.044 --> 00:03:13.844 molecole dall'elevato peso molecolare, 00:03:13.925 --> 00:03:14.564 i polimeri. 00:03:14.780 --> 00:03:16.459 L'enzima messo a punto è stato 00:03:16.459 --> 00:03:19.099 generato da delle mutazioni delle proteine 00:03:19.099 --> 00:03:22.219 tramite algoritmi basati sul machine learning. 00:03:22.300 --> 00:03:25.099 Anche se i primi risultati sono incoraggianti, 00:03:25.099 --> 00:03:26.620 il team di ricerca dovrà in 00:03:26.620 --> 00:03:28.300 primo luogo trovare il modo di 00:03:28.300 --> 00:03:30.435 rendere il processo funzionale per tutti 00:03:30.435 --> 00:03:31.555 i tipi di plastica, 00:03:31.555 --> 00:03:33.395 e in secondo luogo rendere il 00:03:33.395 --> 00:03:37.955 processo di depolimerizzazione tramite l'enzima FAST-PETase 00:03:37.955 --> 00:03:40.435 conveniente su scala industriale. 00:03:42.754 --> 00:03:45.074 Un team di ricercatori della Columbia 00:03:45.270 --> 00:03:48.550 Engineering e dell'Irving Medical Center della 00:03:48.550 --> 00:03:51.590 Columbia University hanno sviluppato un chip 00:03:51.590 --> 00:03:54.389 multi-organo per il test dei farmaci. 00:03:54.389 --> 00:03:56.069 In particolare il chip è composto 00:03:56.069 --> 00:03:57.830 da cellule di tessuti umani, 00:03:57.830 --> 00:04:00.150 di cuore, fegato, ossa, 00:04:00.150 --> 00:04:02.425 pelle e da cellule immunitarie, 00:04:02.425 --> 00:04:03.865 tra loro collegati. 00:04:03.944 --> 00:04:06.905 Il risultato è una riproduzione miniaturizzata 00:04:06.905 --> 00:04:08.825 di un modello del corpo umano, 00:04:08.905 --> 00:04:10.825 in grado di simulare le reazioni 00:04:10.825 --> 00:04:12.745 dell'intero organismo e non di un 00:04:12.745 --> 00:04:14.264 solo organo in particolare, 00:04:14.264 --> 00:04:16.185 a diversi farmaci e condizioni. 00:04:16.509 --> 00:04:19.149 Inoltre, ogni chip può essere realizzato 00:04:19.149 --> 00:04:22.029 partendo dalle cellule staminali del paziente, 00:04:22.110 --> 00:04:23.949 creando un vero e proprio clone 00:04:23.949 --> 00:04:26.830 miniaturizzato del corpo del paziente. 00:04:26.910 --> 00:04:28.589 Il chip inoltre è stato già 00:04:28.589 --> 00:04:31.470 utilizzato per studiare un farmaco tumorale 00:04:31.470 --> 00:04:33.805 e studiarne gli effetti avversi, 00:04:33.805 --> 00:04:37.084 come la cardiomiopatia e la cardiotossicità. 00:04:37.084 --> 00:04:39.564 Ma ulteriori studi riguarderanno l'impatto del 00:04:39.564 --> 00:04:41.645 covid sul cuore e i polmoni, 00:04:41.645 --> 00:04:43.404 le metastasi del cancro al seno 00:04:43.404 --> 00:04:44.285 e molto altro. 00:04:44.550 --> 00:04:46.550 I risultati di questa ricerca dunque 00:04:46.550 --> 00:04:48.629 sono un enorme passo avanti verso 00:04:48.629 --> 00:04:50.470 la medicina di precisione, 00:04:50.470 --> 00:04:52.709 fornendo un altro strumento per creare 00:04:52.709 --> 00:04:55.750 soluzioni e terapie mirate e personalizzate 00:04:55.750 --> 00:04:56.949 per ogni paziente. 00:05:13.420 --> 00:05:15.580 Quando si parla di intelligenza artificiale, 00:05:15.580 --> 00:05:18.220 e ultimamente se ne parla molto spesso, 00:05:18.220 --> 00:05:19.740 quasi sempre la si associa a 00:05:19.740 --> 00:05:21.500 un qualche algoritmo speciale, 00:05:21.500 --> 00:05:24.139 quasi magico, rivoluzionario, e che sta 00:05:24.139 --> 00:05:26.455 pian piano accompagnando l'essere umano verso 00:05:26.455 --> 00:05:29.335 nuove frontiere, riuscendo a risolvere problemi 00:05:29.335 --> 00:05:30.935 che fino a qualche anno fa 00:05:30.935 --> 00:05:33.495 sembravano troppo complessi da gestire. 00:05:33.654 --> 00:05:35.895 Anche nel corso delle nostre puntate 00:05:35.895 --> 00:05:37.895 non abbiamo di certo trascurato il 00:05:37.895 --> 00:05:41.509 tema dell'intelligenza artificiale, analizzando e approfondendo 00:05:41.509 --> 00:05:43.829 l'argomento sotto diversi punti di vista 00:05:43.829 --> 00:05:46.629 o come soluzione a svariati problemi. 00:05:46.709 --> 00:05:49.269 Ma alla fine questa intelligenza artificiale 00:05:49.269 --> 00:05:51.350 è davvero così intelligente? 00:05:51.509 --> 00:05:53.910 E soprattutto, è veramente un algoritmo 00:05:53.985 --> 00:05:55.425 su cui l'uomo non ha il 00:05:55.425 --> 00:05:57.904 controllo e che fa fatica a conoscere? 00:05:57.985 --> 00:05:59.904 Come magari potete immaginare, 00:05:59.904 --> 00:06:01.665 la risposta in entrambe queste domande 00:06:01.665 --> 00:06:02.384 è no. 00:06:02.384 --> 00:06:04.544 In questa puntata cercheremo di capire 00:06:04.544 --> 00:06:07.339 meglio quali sono e come funzionano 00:06:07.339 --> 00:06:09.980 gli algoritmi, perlomeno i più diffusi, 00:06:09.980 --> 00:06:12.379 di apprendimento automatico, che sono alla 00:06:12.379 --> 00:06:14.699 base dell'intelligenza artificiale. 00:06:15.020 --> 00:06:17.100 Innanzitutto, e questo lo abbiamo ribadito 00:06:17.100 --> 00:06:19.754 più volte, non esiste un'unica intelligenza 00:06:19.754 --> 00:06:23.035 artificiale in grado di risolvere diversi problemi, 00:06:23.035 --> 00:06:25.274 cosa che riesce invece molto bene 00:06:25.274 --> 00:06:26.474 a una mente umana. 00:06:26.474 --> 00:06:28.235 E di conseguenza, chiaramente, 00:06:28.235 --> 00:06:30.794 non esiste una sola intelligenza artificiale, 00:06:31.079 --> 00:06:32.919 o per meglio dire algoritmi, 00:06:33.079 --> 00:06:35.000 molteplici di diversi tipi, 00:06:35.000 --> 00:06:36.519 anche combinati tra loro, 00:06:36.519 --> 00:06:38.919 e ognuno risulta più o meno 00:06:38.919 --> 00:06:41.719 adatto per un compito rispetto agli altri. 00:06:41.719 --> 00:06:43.879 Iniziamo dal primo, che è probabilmente 00:06:43.879 --> 00:06:45.079 uno dei più semplici, 00:06:45.365 --> 00:06:47.925 ovvero il classificatore lineare. 00:06:47.925 --> 00:06:50.245 Immaginiamo di avere una serie di dati, 00:06:50.245 --> 00:06:51.524 per esempio il peso e le 00:06:51.524 --> 00:06:52.964 dimensioni di un animale, 00:06:52.964 --> 00:06:54.485 e se questo è un gatto 00:06:54.485 --> 00:06:55.524 o un topo. 00:06:55.524 --> 00:06:57.125 E l'obiettivo è quello di capire, 00:06:57.125 --> 00:06:59.845 date dimensioni e peso completamente nuovi, 00:06:59.845 --> 00:07:01.709 se ci troviamo davanti un topo 00:07:01.709 --> 00:07:02.829 o un gatto. 00:07:02.829 --> 00:07:05.149 Per noi, si tratterebbe semplicemente di 00:07:05.149 --> 00:07:06.750 capire che un topo e un 00:07:06.750 --> 00:07:09.949 gatto hanno dimensioni e peso completamente diverse, 00:07:09.949 --> 00:07:12.670 e riusciremmo a distinguerli senza difficoltà. 00:07:12.750 --> 00:07:14.589 Ma un computer come può fare 00:07:14.589 --> 00:07:15.230 in questo caso? 00:07:15.524 --> 00:07:18.245 Si tratta semplicemente di matematica, 00:07:18.245 --> 00:07:20.245 posizionando infatti i vari dati che 00:07:20.245 --> 00:07:22.644 abbiamo a disposizione, quindi dimensione e 00:07:22.644 --> 00:07:23.925 peso su un grafico, 00:07:23.925 --> 00:07:25.365 ci si può rendere conto che 00:07:25.365 --> 00:07:27.685 i gatti starebbero praticamente tutti in 00:07:27.685 --> 00:07:29.925 una zona, e i topi in un'altra, 00:07:30.149 --> 00:07:32.470 tra loro ben distinte e divise. 00:07:32.470 --> 00:07:34.389 Ecco quindi che basta tracciare una 00:07:34.389 --> 00:07:35.669 linea che sia a metà tra 00:07:35.669 --> 00:07:37.029 le due zone, e avere così 00:07:37.029 --> 00:07:39.269 una formula che restituirà "gatto" se 00:07:39.269 --> 00:07:40.470 il punto sta al di sopra 00:07:40.470 --> 00:07:42.149 della linea, e "topo" invece se 00:07:42.149 --> 00:07:42.870 sta al di sotto. 00:07:43.235 --> 00:07:46.115 Il classificatore lineare dunque compie esattamente 00:07:46.115 --> 00:07:48.915 questa operazione, trovando la linea divisoria 00:07:48.915 --> 00:07:50.675 e creando così una delle prime 00:07:50.675 --> 00:07:53.074 e più semplici intelligenze artificiali. 00:07:53.154 --> 00:07:55.235 Un esempio di classificatore lineare, 00:07:55.235 --> 00:07:57.189 tra l'altro, è un algoritmo o 00:07:57.189 --> 00:08:00.949 modello ideato addirittura nel 1958, 00:08:01.029 --> 00:08:03.509 chiamato Percettrone, e che di fatto 00:08:03.509 --> 00:08:05.269 è stato uno dei primi esempi 00:08:05.269 --> 00:08:08.069 di apprendimento automatico non solo software 00:08:08.069 --> 00:08:08.949 ma anche hardware. 00:08:09.134 --> 00:08:11.375 Negli anni '60 infatti venne costruita 00:08:11.375 --> 00:08:13.615 una macchina in grado di classificare 00:08:13.615 --> 00:08:16.495 delle immagini, utilizzando proprio questo modello 00:08:16.495 --> 00:08:17.455 come base. 00:08:17.535 --> 00:08:19.214 Passando al secondo algoritmo, 00:08:19.214 --> 00:08:21.535 possiamo dire che è un'evoluzione del primo, 00:08:21.779 --> 00:08:23.379 ed è stato ideato negli anni 00:08:23.379 --> 00:08:25.139 novanta e si tratta di modelli 00:08:25.139 --> 00:08:27.781 chiamati "macchine a vettori di supporto" . 00:08:27.781 --> 00:08:29.699 Dal nome sembra complicato, 00:08:29.779 --> 00:08:30.980 ma in realtà si può spiegare 00:08:30.980 --> 00:08:33.539 usando un minimo di matematica basilare. 00:08:33.539 --> 00:08:35.620 Con l'esempio di prima immaginavamo che 00:08:35.620 --> 00:08:37.539 i dati fossero in due zone separate, 00:08:37.835 --> 00:08:39.835 divise da una linea retta, 00:08:39.835 --> 00:08:41.835 ma immaginiamo invece che questa linea 00:08:41.835 --> 00:08:43.914 non sia retta, ma abbia piuttosto 00:08:43.914 --> 00:08:45.754 la forma di una parabola o 00:08:45.754 --> 00:08:46.634 di un cerchio. 00:08:46.634 --> 00:08:48.715 Il comportamento di questi modelli quindi 00:08:48.715 --> 00:08:50.955 è esattamente identico a quello precedente, 00:08:51.299 --> 00:08:53.059 con l'unica differenza che non si 00:08:53.059 --> 00:08:55.620 utilizzano linee rette come separatori. 00:08:55.620 --> 00:08:57.860 Questi due modelli, descritti fino ad ora, 00:08:57.860 --> 00:09:00.500 sono dei cosiddetti classificatori binari, 00:09:00.500 --> 00:09:02.419 che in pratica possono dividere i 00:09:02.419 --> 00:09:03.860 dati in due soli gruppi. 00:09:04.144 --> 00:09:05.745 Ma facciamo un altro esempio: 00:09:05.745 --> 00:09:08.065 immaginiamo di avere una serie di dati, 00:09:08.144 --> 00:09:10.465 una tabella, dove sono inserite diverse 00:09:10.465 --> 00:09:12.705 abitazioni con le loro informazioni, 00:09:12.784 --> 00:09:13.985 come i metri quadri, 00:09:13.985 --> 00:09:15.825 la città, la zona, 00:09:15.825 --> 00:09:17.264 il piano su cui si trova, 00:09:17.264 --> 00:09:18.784 le condizioni e così via. 00:09:18.784 --> 00:09:20.909 E per ognuna inoltre ne conosciamo 00:09:20.909 --> 00:09:22.909 il valore a cui è stata venduta. 00:09:22.909 --> 00:09:24.750 Come si potrebbe fare quindi per 00:09:24.750 --> 00:09:28.190 estimare il valore di un'abitazione completamente diversa, 00:09:28.190 --> 00:09:30.750 basandosi però su quelle informazioni? 00:09:30.750 --> 00:09:32.190 In questo caso non si tratta 00:09:32.190 --> 00:09:34.110 di restituire una risposta binaria, 00:09:34.384 --> 00:09:36.065 come nel caso del gatto e 00:09:36.065 --> 00:09:38.384 del topo, ma bisognerebbe restituire un 00:09:38.384 --> 00:09:41.264 valore numerico, ovvero il prezzo dell'abitazione. 00:09:41.585 --> 00:09:43.904 Per risolvere questo problema esistono quindi 00:09:43.904 --> 00:09:46.225 altri modelli, o meglio altre categorie 00:09:46.225 --> 00:09:48.225 di modelli chiamati regressori, 00:09:48.299 --> 00:09:50.059 che invece di tracciare una linea 00:09:50.059 --> 00:09:51.340 che separa i dati in due 00:09:51.339 --> 00:09:53.580 zone distinte, al contrario cerca di 00:09:53.580 --> 00:09:55.339 tracciare una linea, che anche in 00:09:55.339 --> 00:09:57.179 questo caso può essere una retta, 00:09:57.179 --> 00:09:58.700 una parabola e così via, 00:09:58.700 --> 00:10:00.459 che più o meno passi vicino 00:10:00.459 --> 00:10:01.820 a tutti i punti che vengono 00:10:01.820 --> 00:10:03.899 utilizzati per addestrare il computer. 00:10:04.144 --> 00:10:06.065 Tornando all'esempio delle case, 00:10:06.065 --> 00:10:08.144 quindi, da questo algoritmo otteniamo una 00:10:08.144 --> 00:10:10.625 formula che inserendo i metri quadri, 00:10:10.625 --> 00:10:12.384 le condizioni e tutte le altre 00:10:12.384 --> 00:10:14.465 informazioni della nostra abitazione, 00:10:14.625 --> 00:10:16.225 avremo un risultato con una stima 00:10:16.225 --> 00:10:18.360 verosimile del valore di quella casa 00:10:18.360 --> 00:10:21.000 con uno sforzo praticamente inesistente, 00:10:21.159 --> 00:10:23.480 dal momento che il computer avrà imparato, 00:10:23.480 --> 00:10:24.759 più o meno da solo, 00:10:24.759 --> 00:10:26.839 a fare quell'esatto calcolo. 00:10:26.839 --> 00:10:29.879 Un'altra tipologia di modello di intelligenza artificiale, 00:10:29.879 --> 00:10:32.120 poi, è il cosiddetto "albero di 00:10:32.120 --> 00:10:32.756 decisione" . 00:10:32.995 --> 00:10:35.235 Anche in questo caso probabilmente abbiamo 00:10:35.235 --> 00:10:37.394 visto degli esempi, magari li abbiamo 00:10:37.394 --> 00:10:39.875 utilizzati per compiere delle scelte. 00:10:40.035 --> 00:10:42.274 E non sono altro che percorsi dove, 00:10:42.274 --> 00:10:45.154 rispondendo sì e no a diverse domande, 00:10:45.389 --> 00:10:47.710 si percorrono strade diverse fino a 00:10:47.710 --> 00:10:49.629 giungere a una decisione finale. 00:10:49.790 --> 00:10:52.910 Prendendo nuovamente come esempio il mondo animale, 00:10:52.910 --> 00:10:55.230 un possibile albero di decisione potrebbe 00:10:55.230 --> 00:10:57.629 essere creato per classificare vari tipi 00:10:57.629 --> 00:11:00.269 di mammiferi in base alle caratteristiche fisiche, 00:11:00.524 --> 00:11:02.524 ad esempio se l'animale possiede o 00:11:02.524 --> 00:11:04.845 non il pelo, se ha quattro zampe, 00:11:04.845 --> 00:11:07.085 se possiede artigli e così via. 00:11:07.085 --> 00:11:08.205 E man mano che si va 00:11:08.205 --> 00:11:10.125 avanti ci si avvicina sempre più 00:11:10.125 --> 00:11:11.325 all'esito finale. 00:11:11.404 --> 00:11:13.644 Anche in questo caso dunque il computer, 00:11:13.644 --> 00:11:16.125 risolvendo operazioni matematiche e statistiche, 00:11:16.289 --> 00:11:18.049 riesce a creare dei dati che 00:11:18.049 --> 00:11:20.289 immettiamo in uno di questi alberi 00:11:20.289 --> 00:11:21.889 in completa autonomia. 00:11:21.970 --> 00:11:24.049 Il vantaggio rispetto ad esempio a 00:11:24.049 --> 00:11:26.529 classificatori binari è che questo permette 00:11:26.529 --> 00:11:28.129 di avere per così dire più 00:11:28.129 --> 00:11:29.089 risultati finali. 00:11:29.375 --> 00:11:31.455 Non più 0 o 1, 00:11:31.454 --> 00:11:33.615 gatto o topo, vero o falso, 00:11:33.615 --> 00:11:35.454 ma ad esempio diversi animali, 00:11:35.454 --> 00:11:37.054 anche se molto spesso o se 00:11:37.054 --> 00:11:39.454 non quasi sempre, vengono comunque utilizzati 00:11:39.454 --> 00:11:42.414 gli alberi di decisioni per classificazioni binarie. 00:11:42.809 --> 00:11:44.169 Ma veniamo ora a quelli che 00:11:44.169 --> 00:11:46.330 probabilmente sono ormai i modelli più 00:11:46.330 --> 00:11:49.610 famosi utilizzati per creare intelligenze artificiali 00:11:49.610 --> 00:11:52.330 e che vengono anche nominati più spesso. 00:11:52.409 --> 00:11:54.809 Stiamo parlando delle reti neurali. 00:11:54.809 --> 00:11:57.210 Questi modelli sono chiaramente più complessi 00:11:57.210 --> 00:11:59.134 dei precedenti, ma sono quelli che 00:11:59.134 --> 00:12:02.014 si possono meglio adattare a qualsiasi compito. 00:12:02.014 --> 00:12:03.534 Il modello a rete neurali, 00:12:03.535 --> 00:12:05.215 infatti, è quello che più si 00:12:05.215 --> 00:12:08.894 avvicina alla struttura, seppur molto più semplificata, 00:12:08.894 --> 00:12:10.175 dei cervelli biologici. 00:12:10.600 --> 00:12:13.480 Entrambi, infatti, sono costruiti da neuroni, 00:12:13.480 --> 00:12:15.879 attraverso cui passa il segnale o 00:12:15.879 --> 00:12:18.120 i dati che vengono processati e 00:12:18.120 --> 00:12:20.600 viene restituito il risultato finale. 00:12:20.600 --> 00:12:21.799 Con la differenza che, 00:12:21.799 --> 00:12:24.200 nel caso artificiale, un neurone non 00:12:24.200 --> 00:12:25.720 è altro che un componente, 00:12:25.720 --> 00:12:27.425 se così vogliamo definirlo, 00:12:27.425 --> 00:12:28.625 che in base ad un certo 00:12:28.625 --> 00:12:31.504 input si attiva restituendo un output, 00:12:31.504 --> 00:12:34.305 che, proprio come la sua ispirazione biologica, 00:12:34.305 --> 00:12:36.945 l'output di un neurone diventa input 00:12:36.945 --> 00:12:38.879 di un altro, secondo un peso 00:12:38.879 --> 00:12:41.360 che viene deciso in fase di addestramento. 00:12:41.519 --> 00:12:42.720 Questo modello, tra l'altro, 00:12:42.720 --> 00:12:46.159 è stato ipotizzato ancora nel 1943 00:12:46.159 --> 00:12:48.000 e si può considerare una sorta 00:12:48.000 --> 00:12:50.399 di evoluzione del Percettrone di cui 00:12:50.399 --> 00:12:51.919 abbiamo parlato poco fa. 00:12:52.225 --> 00:12:53.504 La rete neurali, infatti, 00:12:53.504 --> 00:12:55.024 è costruita da una serie di 00:12:55.024 --> 00:12:57.024 neuroni di input, che nel caso 00:12:57.024 --> 00:12:59.745 del costo delle abitazioni può coincidere 00:12:59.745 --> 00:13:01.825 con le variabili considerate, 00:13:01.825 --> 00:13:03.264 quindi i metri quadrati, 00:13:03.264 --> 00:13:04.544 il piano e così via. 00:13:04.710 --> 00:13:06.550 Nel caso di una fotografia, 00:13:06.710 --> 00:13:09.110 ogni pixel dell'immagine sarà associato a 00:13:09.110 --> 00:13:10.550 un neurone di input. 00:13:10.550 --> 00:13:11.750 La rete neurali, infatti, 00:13:11.750 --> 00:13:13.590 è costruita da una serie di 00:13:13.590 --> 00:13:15.429 neuroni di input, che nel caso 00:13:15.429 --> 00:13:17.910 del costo delle abitazioni può coincidere 00:13:17.910 --> 00:13:19.945 con le variabili considerate, 00:13:19.945 --> 00:13:21.384 quindi i metri quadrati, 00:13:21.384 --> 00:13:22.825 il piano e così via. 00:13:22.825 --> 00:13:24.105 Nel caso di una fotografia, 00:13:24.105 --> 00:13:26.585 ogni pixel dell'immagine sarà associato a 00:13:26.585 --> 00:13:29.065 un neurone di input e molto altro. 00:13:29.065 --> 00:13:30.825 Di esempi, come abbiamo visto, 00:13:30.825 --> 00:13:31.945 ce ne sono anche troppi. 00:13:32.319 --> 00:13:34.240 Chiaramente, oltre ai neuroni di input, 00:13:34.240 --> 00:13:36.559 avremo anche i neuroni di output, 00:13:36.639 --> 00:13:38.159 che anche in questo caso possono 00:13:38.159 --> 00:13:40.079 variare in base a ciò che vogliamo. 00:13:40.159 --> 00:13:42.240 Infine, in mezzo ci sono diversi 00:13:42.240 --> 00:13:44.559 strati di neuroni, dove ogni neurone 00:13:44.559 --> 00:13:46.079 di ogni strato è collegato a 00:13:46.079 --> 00:13:48.079 tutti i neuroni dello strato successivo, 00:13:48.535 --> 00:13:51.095 creando fitte connessioni che possono portare 00:13:51.095 --> 00:13:54.055 a milioni di combinazioni di pesi diversi. 00:13:54.134 --> 00:13:56.455 Usando funzioni matematiche, poi, 00:13:56.455 --> 00:13:58.695 i pesi di tutte queste connessioni 00:13:58.695 --> 00:14:01.014 vengono di volta in volta aggiornati, 00:14:01.254 --> 00:14:03.210 migliorati, in modo da rendere la 00:14:03.210 --> 00:14:05.850 rete neurale sempre più precisa rispetto 00:14:05.850 --> 00:14:09.450 ai dati usati per addestrare l'intelligenza artificiale. 00:14:09.529 --> 00:14:10.889 Nel caso delle immagini, 00:14:10.889 --> 00:14:13.529 ad esempio, alcuni neuroni possono specializzarsi 00:14:13.529 --> 00:14:15.610 nel riconoscere delle linee dritte, 00:14:15.924 --> 00:14:18.565 altri le curve, altri ancora i colori, 00:14:18.565 --> 00:14:20.085 e passando per i vari strati 00:14:20.085 --> 00:14:22.725 e ricongiungendo i vari risultati si 00:14:22.725 --> 00:14:25.285 ottiene infine la decisione conclusiva. 00:14:25.285 --> 00:14:28.565 L'ultimo principale modello di intelligenza artificiale, 00:14:28.644 --> 00:14:30.165 di cui è doveroso parlare, 00:14:30.165 --> 00:14:32.929 poi, è l'evoluzione delle reti neurali, 00:14:32.929 --> 00:14:36.289 chiamate reti neurali convoluzionali, 00:14:36.289 --> 00:14:38.210 che negli ultimi anni stanno dando 00:14:38.210 --> 00:14:41.730 numerosissimi contributi soprattutto nel campo della 00:14:41.730 --> 00:14:44.529 classificazione di immagini, dei sistemi di 00:14:44.529 --> 00:14:48.535 raccomandazione o dell'elaborazione del linguaggio naturale. 00:14:48.535 --> 00:14:51.415 Nonostante la loro popolarità sia abbastanza recente, 00:14:51.415 --> 00:14:53.735 però, questo modello è stato proposto 00:14:53.735 --> 00:14:57.254 ancora nel 1998 e realizzato per 00:14:57.254 --> 00:14:58.855 la prima volta nel 2003. 00:14:58.980 --> 00:15:00.820 Ma è solo grazie alla creazione 00:15:00.820 --> 00:15:03.139 di GPU sempre più potenti che 00:15:03.139 --> 00:15:05.699 si sono potute sviluppare così tanto 00:15:05.699 --> 00:15:07.139 nell'ultimo periodo. 00:15:07.220 --> 00:15:09.139 La loro struttura è ispirata proprio 00:15:09.139 --> 00:15:11.779 alla corteccia visiva dei cervelli animali 00:15:11.779 --> 00:15:13.774 e sono composte da più livelli 00:15:13.774 --> 00:15:16.095 che si occupano di classificare ed 00:15:16.095 --> 00:15:18.975 estrarre ognuno diverse particolarità, 00:15:19.054 --> 00:15:20.654 ad esempio dell'immagine. 00:15:20.815 --> 00:15:21.855