Piccola guida per comunicare con un data scientist
Una delle grandi sfide dell’implementazione di soluzioni di intelligenza artificiale industriale è farsi capire da chi deve sviluppare il modello.
-
-
AI industriale e PMI: si può fare!
Nel contesto italiano le piccole e medie aziende rappresentano la colonna dorsale dell’industria.
-
Quando l’intelligenza artificiale è stupida, e come evitare che ci rovini i piani
Mi dispiace deludere i lettori, purtroppo l’AI non è infallibile. Lo so, prendetevi il tempo che vi serve per elaborare il lutto.
Infatti, i modelli di machine learning e di deep learning, imparando solo dai dati senza senso critico, spesso replicano quello che hanno osservato in modo errato, o non sanno gestire alcune situazioni.
-
La storia del cane falso eroe, e come ci aiuta a comprendere l’apprendimento per rinforzo
Nel 1908 il New York Times ha pubblicato un articolo dedicato ad un cane che ha imparato a ingannare il sistema.
-
Quattro modi in cui l’AI impara dai tuoi dati, e come sfruttarli al meglio
Gli algoritmi imparano osservando dati rappresentativi di uno specifico sistema.
In particolare, i dati possono essere raccolti in parallelo con il training, oppure in un momento separato.
-
Perché non è sempre una buona idea che l’AI continui ad imparare
L’AI fa predizioni generalizzando informazioni che ha già visto nel passato, in base alla situazione che sta osservando nel momento presente.
In particolare, in industria osservare la situazione del momento presente significa elaborare in real-time i dati dal campo – temperatura, pressione, portata, ma anche immagini superficiali o di altro tipo. Questi diventano gli input del modello.
Il modello, in base agli input, cerca di fare una predizione, chiamata output. Gli output possono essere ad esempio il valore di temperatura o consumo attesi, o la probabilità che la condizione specifica sia sintomo di un guasto, o se l’immagine contiene o meno un difetto o un pezzo di scarto.
