Quando pensi all’intelligenza artificiale, potresti pensare a ChatGPT, all’arte generata dall’intelligenza artificiale o forse a qualcosa come Terminator. Ma facciamo un passo indietro e poniamo la domanda fondamentale: “Cos’è l’intelligenza artificiale?“
AI è l’abbreviazione di intelligenza artificiale – il che potrebbe non dirci molto perché una di queste parole è problematica.
La prima parola, artificiale, non è questo il problema. Significa semplicemente qualcosa fatto dagli esseri umani.
Tuttavia, la seconda parola, intelligenzanon è ben definito (anche tra i ricercatori sull’intelligenza artificiale (1)). Tuttavia, una definizione che mi piace usare e che è particolarmente rilevante in un contesto aziendale è intelligenza = la capacità di risolvere problemi e prendere decisioni.
Pertanto, con questa definizione operativa di intelligence, AI è semplicemente la capacità di un computer di risolvere problemi e prendere decisioni.
Per avere un’idea migliore di cosa intendiamo per intelligenza, vediamola in azione.
Supponiamo che tu stia cercando di decidere se trascorrere il sabato in piscina o al chiuso a guardare la nuova serie Netflix. Se guardi fuori dalla finestra e vedi la scena nell’immagine qui sotto, potresti decidere di restare a casa. Questo perché il cielo scuro e nuvoloso è un buon indicatore che il tempo non sarà dei migliori oggi.
Come altro esempio, consideriamo il grafico seguente, in cui i dati sulle vendite rimbalzano su e giù per poi raggiungere il picco a novembre. Se richiesto, “Cosa ha causato il picco?” potremmo ragionevolmente dire che è a causa del Black Friday, uno dei giorni di maggiore vendita al dettaglio dell’intero anno.
Per un ultimo esempio, diamo un’occhiata alla conversazione testuale di seguito. Se siamo nella posizione di chi scrive in blu, crediamo davvero che l’altra persona stia bene? In base alla scelta delle parole, probabilmente no.
Questo potrebbe portarci a provare a risolvere la tensione dicendo “Forse ho frainteso la situazione, potete aiutarmi a capire meglio?” O “Mi interessa come ti senti e voglio assicurarmi che entrambi siamo d’accordo con la decisione finale.“
Ciascuno degli scenari sopra descritti ci ha fatto usare la nostra intelligenza in qualche modo per risolvere un problema o prendere una decisione. Sebbene ognuno fosse molto diverso dagli altri, c’era una cosa che avevano tutti in comune: loro conoscenza necessaria di come funziona il mondo.
In altre parole, dovevamo sapere che le nuvole scure precedono il maltempo, che le persone fanno molti acquisti a novembre e che non sempre lo ammettono quando sono arrabbiate. Conosciamo queste cose tramite il ns Modelli del mondo.
Poiché il mondo è grande e complicato, dobbiamo dargli un senso attraverso i modelli. UN modello È una semplificazione di una cosa del mondo reale che può stare nella nostra testa.
Una caratteristica fondamentale dei modelli è che ci permettono di fare delle previsioni. Ad esempio, quando abbiamo visto le nuvole scure, quell’informazione è stata elaborata dal nostro modello mentale di come funziona il tempo e ci ha permesso di prevedere che pioverà più tardi.
Naturalmente i modelli non si limitano a quelli che abbiamo in testa. Possiamo anche modelli di programma nei computer (Infatti, essenzialmente tutte le previsioni meteorologiche vengono generate utilizzando modelli computerizzati).
2 Tipi di modelli
Una domanda naturale sui modelli (mentali o informatici) è: Da dove vengono? Per questo, mi piace dividere i modelli in due categorie: Guidato dai principi E Basato sui dati.
Modelli guidati da principi Sono sulla base di un insieme di regole. Potresti leggere queste cose in un libro di testo o imparare da tua nonna. Per esempio, “Se le nuvole sono scure, pioverà più tardi.“
Modelli basati sui datid’altra parte, sono sulla base delle osservazioni passate. Funziona confrontando quanto una nuova informazione è simile a ciò che hai visto in passato, ad esempio “L’ultima volta che il cielo era così, pioveva.“
Ancora una volta, questi modelli non si limitano a vivere nelle nostre teste. Possiamo anche programmarli nei computer.
Per Guidato dai principi modelli, diciamo al computer esattamente come prendere input (ad esempio nuvole scure) e trasformarli in output (ad esempio pioggia). Tuttavia, per le situazioni in cui non disponiamo di un insieme di regole, possiamo ricorrere a tecniche di generazione Basato sui dati modelli: entra nel machine learning.
Anche se al giorno d’oggi l’apprendimento automatico potrebbe essere avvolto da un alone di mistero, si tratta di un’idea semplice. Apprendimento automatico (ML) È la capacità di un computer di apprendere tramite l’esempio (3).
Il modo in cui funziona è invece di dire esplicitamente a un computer come mappare gli input sugli output. Il computer può apprendere questa relazione vedendo molti esempi.
Questa è una tecnica potente perché ci permette di sviluppare modelli anche se non abbiamo una comprensione teorica dell’elemento sottostante, che è utile in molti contesti, ad esempio vendite, marketing, finanza, meteo, comportamento dei consumatori e altro ancora.
L’apprendimento automatico può essere suddiviso in 2 passaggi. Nella prima fase, passiamo le coppie input-output (ovvero, predittori e target) in un algoritmo ML per ottenere un modello ML. Quindi, con un modello in mano, possiamo trasmettervi nuovi dati per generare una previsione. Questo è illustrato nell’immagine qui sotto.
Fonte: towardsdatascience.com
