INTELLIGENZA ARTIFICIALE

PER LA CRESCITA PRESENTE E FUTURA
DELLE NOSTRE IMPRESE

Cosa è l'Intelligenza artificiale, il Machine learning e il Deep learning.

Algoritmi genetici, Machine learning e Deep learning: la creazione di software e tecnologia mediante intelligenza artificiale è destinata a ricoprire un ruolo sempre più importante e decisivo per le aziende nel prossimo futuro. L'interazione umana è da lungo tempo essenziale e insostituibile, ma stiamo assistendo gradualmente a scenari in cui la tecnologia si dimostra migliore di noi esseri umani nello svolgimento e risoluzione di attività produttive e industriali.

La crescita della tua azienda, della capacità di offerte e soluzioni dedicate ai tuoi clienti, passa attraverso l’utilizzo dell’Intelligenza artificiale.

I miglioramenti tecnologici ci permettono sempre di più di integrare l'intelligenza umana in modo più efficace.

Attualmente alcune aree di ricerca hanno ricoperto ruoli essenziali:

  • L'Intelligenza Artificiale (IA) progettata per fornire ai computer la capacità di risposta completa della mente umana. È la disciplina onnicomprensiva che ne include molte altre, tra cui Machine learning e Deep learning, Algoritmi genetici, etc.
  • Il Machine learning (ML) usa modelli comportamentali esistenti. Genera processi decisionali in base a dati e conclusioni precedenti.
    L'intervento umano è ancora necessario per alcune modifiche. Machine learning è a tutt'oggi probabilmente la disciplina sull'intelligenza artificiale più rilevante.
  • Il Deep learning (DL), che è una branca del Machine learning, utilizzando le reti neurali adotta in completa autonomia decisioni basandosi su modelli precedentemente allenati. Tale modalità estende le possibilità di utilizzo raggiungendo risultati ancora più efficaci.

L'intelligenza artificiale è il futuro

ESEMPI INTERATTIVI DI APPLICAZIONE DI BASE

NEURAL NETWORK BLACK JACK
Implementazione personalizzata di una rete neurale

Utilizzare la manopola per modificare il numero di neuroni del livello nascosto.

Utilizzare il bottone "Avanti turno" per eseguire una singola partita.

Definizione del problema

  • Ottenere la migliore percentuale di vittoria e migliorarla nel tempo.

Regole del sistema

  • Il giocatore gioca con una carta casuale, se il giocatore ha più di 21 punti, il giocatore perde.
  • Il Banco - Sta sul soft 17 - Nessun apprendimento implementato.
  • Giocatore - apprende automaticamente in base alla rete neurale.

Implementazione dell'intelligenza artificiale

  • Il giocatore è controllato da una rete neurale feed-forward.
  • In caso di valore >0,5 [richiede carta], diversamente [si ferma].
  • il numero di neuroni di ingresso è 38 - Punteggio del giocatore (da 2 a 20) e il punteggio del banco (da 2 a 20).
  • Il numero di neuroni nascosti è 6(5 + 1 parziale).
  • L'uscita della rete neurale determina se fermarsi o richiedere la carta.

Applicazioni reali

  • Approvvigionamento di magazzino, sottoscorta e rottura di stock. Individuazione e previsione degli articoli che più facilmente vanno in esaurimento.
  • Riconoscimento e correlazione delle immagini.
  • Problemi di NLP (Natural Language Processing o Elaborazione del Linguaggio Naturale) per comprendere, predire e valutare il testo e le parole. Ricerca e similarità semantica per valutare e proporre correlazioni e suggerimenti tra parole e testi.

GENETIC MINIONS
Implementazione di un algoritmo genetico evolutivo

Utilizzare il campo di modifica testo per sostituire la stringa obiettivo.

Utilizzare il bottone "Epidemia" per limitare il numero dei minions.

Definizione del problema

  • Ottenere il "miglior" esemplare della specie con risorse limitate.
  • E' necessario utilizzare una funzione di verifica dell' "Obiettivo".
  • In questo caso l'obiettivo è quello di ottenere la stringa specificata: "Cocce"

Regole del sistema

  • Gli individui della popolazione si evolvono autonomamente.
  • Il risorsa primaria "Cibo" è limitata.
  • Rimangono in vita gli esemplari che possono usufruire della risorsa primaria.
  • Esiste una durata massima della vita dell'individuo.

Implementazione dell'intelligenza artificiale

  • Gli esemplari al contatto con altri si riproducono fondendo e combinando il loro DNA.
  • Gli individui si muovono casualmente all'interno dell'area definita.
  • Gli individui più forti rimangono in vita.
  • Per garantire l'evoluzione viene effettuata una mutazione casuale.

Applicazioni reali

  • Analisi e mappatura di ampie aree geografiche.
  • Ottimizzazione spaziale di percorsi.
  • In tutti i problemi in cui è possibile quantificare il valore di una soluzione; un algoritmo genetico infatti può eseguire una ricerca diretta all'interno dello spazio della soluzione.

2D Car Steering System
Applicazione di una rete neurale artificiale evolutiva

Definizione del problema

  • Ottenere un sistema di guida autonoma mediante l'apprendimento automatico dell'intelligenza del sistema di guida.

Regole del sistema

  • Il percorso è fisso e viene prestabilito.
  • L'auto deve percorrere il percorso senza toccare pareti o altri ostacoli.

Implementazione dell'intelligenza artificiale

  • Le auto sono guidate da una rete neurale feed-forward.
  • I pesi della rete vengono addestrati utilizzando un algoritmo genetico.
  • Un'auto ha cinque sensori frontali che misurano la distanza dagli ostacoli in una determinata direzione.
  • Le letture di questi sensori servono come input della rete neurale dell'auto.
  • L'uscita della rete neurale determina la forza del motore e di svolta.

Applicazioni reali

  • Sistemi di guida autonoma.
  • Mappatura e selezione del miglior percorso.
  • Robot taglia erba e pulizie.
  • Taratura automatica sensori.