AO_438

Tutorial MAGGIO 2022 AUTOMAZIONE OGGI 438 | 143 disciplina basata su statistica e analisi funzio- nale che fornisce le basi teoriche al moderno machine learning. Le diverse ‘filosofie’ dell’AI attingono in maniera più o meno pesante a questa disciplina e non esiste una tassonomia universalmente condivisa di questo campo. Una possibile ripartizione suddivide l’AI in 5 grandi branche: simbolica, analogica, connetti- vista, probabilistica, ed evoluzionaria. L’AI simbolica si può considerare intelligenza artificiale classica: i problemi vengono risolti manipolando simboli tramite algoritmi di ri- cerca oppure attraverso il ragionamento nel lin- guaggio della logica. È un ramo dell’intelligenza artificiale che si basa sulla programmazione ‘tradizionale’ e che ha prodotto sistemi esperti, motori inferenziali, sistemi di calcolo basati su regole. L’AI analogica è quella che più si sovrap- pone alla teoria dell’apprendimento statistico: qui i dati sono ridotti a elementi in spazi metrici o vettoriali e si fa largo uso delle tecniche stati- stiche, di metodi geometrici basati sul concetto di distanza, e di algebra lineare astratta per di- stillare algoritmi di machine learning. L’AI connettivista spinge i metodi lineari nel regno delle reti neurali; la connettività insita nel nome è quella tra le ‘sinapsi’ dei neuroni artificiali. L’AI probabilistica, o Bayesiana, fa uso di metodi stocastici per simulare ragionamenti in logica incerta. L’algoritmo più popolare, il classificatore naive-Bayes, usa probabilità con- dizionata e teorema di Bayes per effettuare scelte ragionate sulla base di informazioni par- ziali. Problemi decisionali markoviani, filtri di Kalman e logica fuzzy rientrano in questa clas- sificazione. L’AI evoluzionaria imita il processo di selezione naturale facendo evolvere parame- tri, strutture o modelli di un algoritmo o di un programma in maniera più o meno casuale e andando a selezionare le generazioni più per- formanti. Esistono infine combinazioni omoge- nee o eterogenee delle tecniche delle diverse scuole di pensiero che si possono classificare come metodi d’insieme (ensemble), come il po- polare algoritmo Random Forests o le tecniche di boosting, e metodi ibridi. Machine learning Se fissiamo l’attenzione sulle tecniche di ma- chine learning, una classificazione trasversale che vale la pena menzionare è quella in ap- prendimento con supervisione (supervised), senza supervisione (unsupervised) e con rinforzo (reinforcement). Nell’unsupervised learning il sistema intelligente elabora infor- mazioni prive di ‘etichetta’ per estrarre in ma- niera autonoma delle caratteristiche che gli permettano di ‘comprendere’ la struttura dei dati. L’obiettivo è tipicamente quello di isolare tratti essenziali (riduzione di dimensionalità), separare elementi logicamente collegati tra loro (clustering) o identificare anomalie (ano- maly detection). Nel supervised learning l’al- goritmo richiede una fase di addestramento in cui opera su dati opportunamente etichettati (labeled training set) per costruire un modello matematico in grado di associare con un certo livello di confidenza i dati in ingresso alla cor- retta etichetta. Questa metodologia di ML è simile al modo con cui un essere umano ap- prende sotto la supervisione di un insegnante. Classificazione e regressione sono le due prin- cipali applicazioni del supervised learning. Un aspetto importante del supervised learning è la separazione dei dati in dati di addestra- mento e dati di validazione. I secondi vengono utilizzati per verificare che il modello creato raggiunga il giusto compromesso tra bias e varianza, ossia che non soffra né di overfitting, né di undermodeling. La tecnica di cross-valida- tion che consiste nel creare partizioni multiple dai dati a disposizione in training set e valida- tion set, viene comunemente impiegata per se- lezionare il modello con le migliori prestazioni a prescindere da come i dati vengano ripartiti. Il reinforcement learning (RL) è un processo di apprendimento in cui la conoscenza viene acquisita per tentativi successivi, valutando il successo o il fallimento di ogni azione e mo- dificando il comportamento per ottimizzare i risultati. La retroazione rappresentata dalla Una possibile tassonomia dei diversi approcci all’intelligenza artificiale, con alcuni dei principali algoritmi impiegati inmachine learning