Artificial intelligence (AI) is intelligence demonstrated by machines, as opposed to intelligence of humans and other animals. Example tasks in which this is done include speech recognition, computer vision, translation between (natural) languages, as well as other mappings of inputs.
AI applications include advanced web search engines (e.g., Google Search), recommendation systems (used by YouTube, Amazon, and Netflix), understanding human speech (such as Siri and Alexa), self-driving cars (e.g., Waymo), generative or creative tools (ChatGPT and AI art), automated decision-making, and competing at the highest level in strategic game systems (such as chess and Go).
Artificial neural networks
A neural network is an interconnected group of nodes, akin to the vast network of neurons in the human brain.
Neural networks were inspired by the architecture of neurons in the human brain. A simple "neuron" N accepts input from other neurons, each of which, when activated (or "fired"), casts a weighted "vote" for or against whether neuron N should itself activate. Learning requires an algorithm to adjust these weights based on the training data; one simple algorithm (dubbed "fire together, wire together") is to increase the weight between two connected neurons when the activation of one triggers the successful activation of another. Neurons have a continuous spectrum of activation; in addition, neurons can process inputs in a nonlinear way rather than weighing straightforward votes.
The main categories of networks are acyclic or feedforward neural networks (where the signal passes in only one direction) and recurrent neural networks (which allow feedback and short-term memories of previous input events). Among the most popular feedforward networks are perceptrons, multi-layer perceptrons and radial basis networks.
Deep learning
Deep learning uses several layers of neurons between the network's inputs and outputs. The multiple layers can progressively extract higher-level features from the raw input. For example, in image processing, lower layers may identify edges, while higher layers may identify the concepts relevant to a human such as digits or letters or faces.
Deep learning often uses convolutional neural networks for many or all of its layers. In a convolutional layer, each neuron receives input from only a restricted area of the previous layer called the neuron's receptive field. This can substantially reduce the number of weighted connections between neurons, and creates a hierarchy similar to the organization of the animal visual cortex.
This text is an excerpt from the Wikipedia article “Artificial Intelligence” and is available under the Creative Commons Attribution-ShareAlike License 3.0 https://en.wikipedia.org/wiki/Artificial_intelligence
Con il termine "intelligenza artificiale" (IA) si intende la forma di intelligenza esercitata dalle macchine in contrapposizione all'intelligenza di tipo umano e animale. Alcuni esempi di compiti svolti tipicamente dall'intelligenza artificiale includono il riconoscimento vocale, la visione artificiale, la traduzione tra lingue naturali e altri tipi di elaborazione dati.
Gli ambiti di applicazione dell'IA comprendono:
Reti neurali artificiali
Le reti neurali sono formate da gruppi di neuroni organizzati in modo simile alle ampie reti neuronali del cervello umano.
Esse prendono effettivamente ispirazione dall'architettura neurale del cervello, in cui un "neurone N" riceve un segnale d'ingresso da altri neuroni, i quali, quando attivati, inviano a loro volta una sorta di "valore pesato" per informare il "neurone N" se attivarsi o no in risposta. L'apprendimento richiede la presenza di un algoritmo con cui regolare i diversi valori pesati sulla base dei training data. Un algoritmo fondamentale è quello secondo il quale "i neuroni che si attivano insieme si legano tra di loro": in questo caso, ai due neuroni collegati viene attribuito maggiore valore quando l'attivazione del primo induce il secondo ad attivarsi a sua volta. I neuroni possiedono uno spettro di attivazione continuo, e inoltre, possono elaborare gli input in modo non lineare anziché ponderarne unicamente i valori in senso assoluto.
Le principali categorie di reti neurali sono quelle acicliche o feedforward, nelle quali il segnale viene trasmesso soltanto in una direzione, e le reti neurali ricorrenti, che invece consentono il feedback e la memorizzazione a breve termine di input precedenti. Tra le reti neurali feedforward più note ritroviamo i percettroni, i percettroni multistrato e le reti di base radiale.
Il Deep learning
Il deep learning è caratterizzato dalla presenza di diversi strati di neuroni tra lo strato di input e quello di output. Questi strati multipli sono progressivamente in grado di estrarre proprietà di livello superiore a partire dal dato grezzo di partenza. Ad esempio, nell'elaborazione digitale delle immagini, gli strati inferiori sono in grado di identificare i bordi dell'immagine, mentre gli strati superiori identificano cifre, lettere e volti, ovvero elementi importanti per la comunicazione umana.
Molti o quasi tutti gli strati neurali implicati nel deep learning sono spesso basati su reti neurali convoluzionali. In uno strato convoluzionale, ogni neurone riceve input soltanto da una zona limitata dello strato precedente, che costituisce il suo campo recettivo. Per questo motivo, il numero di connessioni pesate tra i neuroni può ridursi notevolmente, creando una struttura gerarchica simile a quella presente nella corteccia visiva del cervello.
Questo testo è la mia traduzione di un estratto dell'articolo Wikipedia "Intelligenza artificiale" ed è disponibile dietro licenza Creative Commons Attribuzione - Condividi allo stesso modo 3.0 https://en.wikipedia.org/wiki/Artificial_intelligence