AI.info

Fondamenti dell’IA

Un percorso gratuito per imparare l’IA: 21 percorsi e 795 lezioni per leggere i sistemi di IA, cioè che cos’è un sistema, chi ne risponde quando sbaglia e come valutare un’affermazione che lo riguarda.

• Capire l’IA: le basi

  Diciassette lezioni per imparare a leggere un sistema di IA, le prove che porta e le sue conseguenze, prima ancora del vocabolario.

• Come imparano le macchine

  Ventisei lezioni su che cosa cambia davvero con l’esperienza: da un problema reale a un compito di apprendimento che sai difendere.

• I tipi di apprendimento

  Supervisionato, non supervisionato, auto-supervisionato: il segnale di feedback decide tutto quello che viene dopo, compreso che cosa può andare storto.

• Valutazione

  Trasformare un numero in una prova su cui fondare una decisione: baseline, popolazioni, danni e le domande a cui un benchmark non può rispondere.

• Fondamenti matematici

  La notazione in cui è scritto un sistema di IA, insegnata come un linguaggio per costruire modelli e non come un prerequisito da superare.

• Ingegneria dei dati per il machine learning

  La base di prove sotto ogni modello: il momento della previsione, chi è responsabile dei dati, i contratti e le fughe di informazione che sembrano accuratezza.

• Machine learning classico

  I modelli che vincono ancora sui dati tabellari, e le ipotesi strutturali che ciascuno porta con sé senza dichiararle.

• Addestramento e ottimizzazione

  Obiettivi, funzioni di perdita e il ciclo di feedback che adatta un modello, e quello che una curva di addestramento non ti dice.

• Reti neurali

  Programmi differenziabili, ricostruiti a mano da un singolo neurone fino a un’architettura che sai difendere in una revisione.

• Architetture profonde

  Convoluzione, ricorrenza e attenzione lette come un’unica domanda: per quale strada passa l’informazione dentro una rete.

• Apprendimento non supervisionato

  Trovare una struttura quando non esistono risposte giuste, e capire se quella struttura sta nei dati o nel metodo.

• Tecniche avanzate

  Ensemble, auto-supervisione, mixture of experts, con una mappa per decidere quando la soluzione semplice ha smesso di funzionare.

• Inferenza causale

  Che cosa sarebbe successo altrimenti, e come difendere la risposta quando nessuno può osservarlo.

• Elaborazione del linguaggio naturale

  Il testo come problema di ingegneria: corpora, diritti, token e una valutazione che regge alla prova della lingua vera.

• Visione artificiale

  Dai fotoni e dall’ottica fino a una misura su cui qualcuno deve agire, con i modi in cui si può sbagliare a ogni passaggio.

• Voce e audio

  Il suono come misura (campionamento, caratteristiche, riconoscimento) e le decisioni che le persone costruiscono sopra.

• IA generativa

  La generazione come sistema e non come scatola magica: distribuzioni, token, ancoraggio alle fonti e i controlli attorno alla chiamata al modello.

• Sistemi di raccomandazione

  Le catene di decisioni che stabiliscono che cosa vedono milioni di persone, e gli obiettivi che scelgono per loro senza farsi notare.

• Agenti di IA

  Agire sotto controllo: obiettivi, strumenti, permessi, condizioni di arresto e chi risponde di quello che il sistema ha fatto.

• MLOps

  La produzione come sistema di controllo: contratti, livelli di rischio, responsabilità e quello che succede alle tre di notte.

• IA responsabile

  La governance come lavoro sociotecnico: le parti interessate, gli abusi prevedibili e un sistema seguito dalla proposta fino alla dismissione.