AES_1 2023

FOCUS Approfondimenti 55 INDAGINE Automazione e Strumentazione n Gennaio - Febbraio 2023 chi per il mondo consumer, per applicazioni self- service e di instradamento delle chiamate come avviene nei contact center e per le trascrizioni e controllo di interfacce utente per pc, mobile e sistemi di bordo. Image & Video Recognition Sono sempre di più le soluzioni di Intelligenza Arti- ficiale che permettono alle macchine di compren- dere i dati visivi. In particolare, possiamo definire quella branca di AI che replica le funzioni dell’ap- parto visivo umano come Computer Vision. Un esempio è l’Image & Video Recognition che clas- sifica automaticamente i dati provenienti da imma- gini e video e restituisce informazioni. Ciò rende possibile l’automatizzazione di svariati processi e diversi vantaggi per le organizzazioni che ne fanno uso. Machine Vision La moderna visione artificiale o machine vision (MV) si configura un campo dell’Intelligenza Arti- ficiale (IA) che permette ai sistemi informatici di ricavare informazioni significative da immagini digitali, video e altri input visivi, intraprendendo azioni o formulando segnalazioni. La visione artifi- ciale permette alle macchine di svolgere funzioni di riconoscimento in tempi brevi con l’ausilio di tele- camere, dati e algoritmi. RPA (Robotic Process automation) Il concetto di RPA fa riferimento a un set di tecno- logie e applicazioni utilizzate per emulare, in modo deterministico, le azioni svolte dall’uomo nell’inte- razione con i sistemi informativi. Se storicamente l’RPA è associata all’utilizzo di bot software per l’automazione di attività predeterminate e ripetitive, oggi si assiste a un fenomeno emergente che vede affermarsi sistemi di RPA con capacità di Intelligenza Artificiale. Digital Transformation, Process Orche- stration, Intelligent Automation, Process Intelligence, Cognitive Automation, Hyperautomation, sono altri termini che oggi troviamo per descrivere una sorta di seconda ondata di RPA che prende il nome di iRPA o IPA (Intelligent (Robotic) Process Automation), la quale fa un uso esteso di funzioni AI e Machine Lear- ning per raggiungere prestazioni superiori. La classificazione del Machine Learning Tre sono le principali categorie di Machine Lear- ning: apprendimento con supervisione, appren- dimento senza supervisione e apprendimento per rinforzo. Questi paradigmi vengono utilizzati per risolvere determinati tipi di problematiche attraverso alcune tecniche computazionali di gestione dei dati come la classificazione, il clustering, l’analisi della regressione, la riduzione della dimensionalità dei dati e la stima della densità di probabilità. L’apprendimento supervisionato è una tecnica di apprendimento automatico che mira a istruire un sistema informatico in modo da consentirgli di ela- borare automaticamente previsioni sui valori di uscita di un sistema rispetto ad un input sulla base di una serie di esempi ideali, costituiti da coppie di input e di output, che gli vengono inizialmente for- niti. L’apprendimento non supervisionato consiste invece nel fornire al sistema informatico una serie di input (esperienza del sistema) che egli riclassificherà e organizzerà sulla base di caratteristiche comuni per cercare di effettuare ragionamenti e previsioni sugli input successivi. Infine, l’apprendimento per rinforzo (o reinforce- ment learning) è la terza principale tecnica di appren- dimento automatico che punta a realizzare agenti autonomi in grado di scegliere azioni da compiere per il conseguimento di determinati obiettivi tramite interazione con l’ambiente in cui sono immersi. n L’analisi visiva e il riconoscimento automatico sono ormai delle applicazioni consolidate dell’intelligenza artificiale, con innumerevoli impieghi a livello globale