Il Computer quando viene acceso per prima cosa carica il Sistema Operativo (OS) e i software di sistema nella memoria volatile (RAM) e si rende esecutivo attraverso il processo di Boot.
Quando l’OS ha completato la partenza, inizia a caricare l’AI nella memoria volatile (RAM) e al termine del caricamento la manda in esecuzione.
A questo punto sia OS che AI si pongono in attesa di comunicazioni da parte degli utilizzatori.
In realtà solo la parte di AI che interloquisce con gli utilizzatori rimane in attesa, un altra parte dell’AI che gli utilizzatori non vedono, impara di continuo incamerando quantità enormi di informazioni, attraverso una serie di processi che fanno parte di diversi moduli.
Ma perché l’AI deve imparare?
L’Intelligenza è la capacità di utilizzare quello che abbiamo imparato nel tempo, il cosiddetto “Vissuto” (Back Ground), quindi per far funzionare l’AI, come prima attività dobbiamo dargli un “Vissuto”, fornirgli quante più informazioni possibili attraverso un processo di apprendimento, il Machine Learning.
Il Machine Learning analizza grandi quantità di informazioni (dati), sia testi che immagini.
Li classifica per similitudine.
Li organizza in un reticolo neurale.
Li collega con connessioni valorizzate.
I dati da far acquisire all’AI sono selezionati secondo certi criteri e sono ricavati:
Manualmente, da persone che li rilevano da documenti, libri, giornali, vengono organizzati e caricati sul disco di un computer o di un server.
Automaticamente, da applicazioni che li estraggono da dati già computerizzati e memorizzati in internet o nella base dati di altri servers.
MACHINE LEARNING
Il Machine Learning acquisisce le informazioni attraverso i processi di insegnamento che sono fondamentalmente 3:
- Supervisionato
- Non Supervisionato
- Rinforzato
Istruzione Supervisionata (Supervised Learning): fornisce all’AI sia il soggetto che la definizione, ad esempio: gli si danno tante immagini di un animale e di particolari dell’animale e per ogni immagine e particolare gli spieghiamo esattamente che cosa sta acquisendo.
Istruzione NON supervisionata (Not Suoervised Lerning): Gli forniamo solo il soggetto e l’AI ci deve restituire la definizione o l’immagine corretta, oppure gli forniamo delle frasi dove alcune parole mancano e l’AI deve aggiungere le parole mancanti.
Se non fornisce la risposta corretta, deve rivalutare i valori delle connessioni neurali.
Questa fase può essere effettuata da un altra AI per cui avremo due AI una che addestra l’altra e viceversa accelerando di molto l’apprendimento.
Istruzione Rinforzata (Reiforcement Learning): ci si comporta come si fa con un animale, se l’AI risponde giusto gli si da un premio, viceversa la si punisce.
Questa è una parte del modulo molto importante perché spingerà il processo elaborativo dell’AI a cercare di non sbagliare.
DEEP LEARNING
Apprendimento Profondo (Deep Learning): parte del Machine Learning è anche l’Apprendimento Profondo, è la parte che simulando le reti neuronali del cervello umano crea il reticolo neurale dell’AI e ne valorizza le connessioni.
NATURAL LANGUAGE PROCESSING
Elaborazione del Linguaggio Naturale (NLP), interagisce con gli utilizzatori, si occupa della comprensione e della manipolazione del linguaggio, classifica il testo, analizza i sentimenti, traduce, memorizza e intanto impara.
Spezzetta le frasi in singole unità (Token), una specie di sillabazione che segue regole non grammaticali, attiva gli Algoritmi che analizzano i Tokens e riconoscono le parti del discorso che gli danno le informazioni di base su cui effettuare le ricerche nel suo bagaglio di conoscenze apprese con il Machine Learning, riconosce inoltre i verbi, le azioni, e tutte le parti e il senso del discorso.
A questo punto passa alla generazione della risposta, attiva gli Algoritmi che selezionano le informazioni estrapolate nelle fasi precedenti e che sono più rilevanti e relative al discorso, le organizza in una struttura logica, collega le frasi se più di una e genera la risposta.
GENETICAL ALGORITHMS
Gli Algoritmi Genetici (GA), trovano le soluzioni ai problemi di ottimizzazione e imitando i processi di selezione naturale, correggono il modo di pensare dell’AI, la selezione naturale premia l’organismo che ha le migliori capacità di sopravvivere, i GA danno più valore alle connessioni che danno risposte corrette.
COMPUTER VISION
Il Computer Vision (CV) analizza e interpreta le immagini e la grafica, rileva e riconosce gli oggetti, rileva gli eventi e riconosce le attività, potremmo attribuire al CV anche l’imaging che si occupa di generare immagini e la loro animazione oltre al ripristino delle immagini.
NEUROMORPHIC ALGORITHMS
Ultimamente sono stati sviluppati gli Algoritmi Neuromorfici per la gestione dell’Economia delle Intenzioni, questi algoritmi prevedono le vostre necessità, rilevando il vostro stato d’animo e vi suggeriscono attività o prodotti idonei allo stato d’animo rilevato.