Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.
Upcoming SlideShare
What to Upload to SlideShare
Next
Download to read offline and view in fullscreen.

1

Share

Analizza i tuoi dati con Intelligenza Artificiale

Download to read offline

Materiale presentato durante fiera SMAU Milano 20 ottobre 2020.

Analizza i tuoi dati con Intelligenza Artificiale

  1. 1. Analizza i tuoi dati con la Intelligenza Artificiale Passare dal problema alla soluzione PhD. Roberto Marmo www.robertomarmo.net info@robertomarmo.net www.linkedin.com/in/robertomarmo/it
  2. 2. PARTECIPAZIONI ▪ Dal 1996 (in Italia dal 2000) è il riferimento di chi lavora nel Web, sia nel settore pubblico che privato. ▪ Associazione professionisti Web (Legge 4/2013), promotrice norme UNI in materia di professionalità ICT. ▪ Obiettivo di IWA è creare rete tra i soci, partecipare all'evoluzione della rete e divulgare conoscenza tramite i soci con eventi e iniziative. International Web Association Italia – IWA Italy https://www.iwa.it
  3. 3. Dal 2 Ottobre al 18 Dicembre 2020 youtube.com/IWAItaly
  4. 4. Miei primi passi con IA anni '80 4
  5. 5. Mie attività in applicazioni di IA 5 Facoltà di Ingegneria, Università di Pavia Laboratorio Visione Artificiale https://vision.unipv.it/ Analisi dati da Social Media Trovare oggetti in immagine Analisi Anti Frode www.acfecentral.it
  6. 6. Intelligenza Artificiale 6 il cervello umano è un risolutore intelligente per alcuni problemi simulare nel computer il funzionamento del cervello umano per creare algoritmi in grado di risolvere problemi complessi
  7. 7. Intelligenza Artificiale dappertutto! 7 https://www.youtube.com/playlist?list=PLH N30yGZ7nGKaTlPAMa4qzWd2tWnnH4ES https://en.wikipedia.org/wiki/Applications_of _artificial_intelligence Marchio AI su elettrodomestico
  8. 8. Domande & Risposte 8 1) Quali sono i problemi più adatti? 2) Ci sono esempi adatti per me? 3) Quali strumenti posso usare? 4) Quali sono i punti critici? 5) Chi lo può creare? 6) Cosa devo studiare?
  9. 9. 1) Quali sono i problemi più adatti? 9 1) Tantissimi problemi risolvibili, alcuni restano irrisolvibili 2) Deve esserci ampia quantità e alta qualità dei dati 3) Input previsto in uso è simile a input usato per la creazione di soluzione 4) Valutare il tipo di errore ammesso
  10. 10. 2) Ci sono esempi adatti per me? 10 Da siti web, riviste, libri ecc. trovare: 1) White paper 2) Casi di studio 3) Studio di fattibilità 4) Articoli su riviste scientifiche 5) Statistiche su quantità di progetti, quanto sono riusciti, tipologie di aziende ecc.
  11. 11. 3) Quali strumenti posso usare? 11
  12. 12. 3) Logica Fuzzy 12 Analogia con ragionamento umano. Non esiste solo il vero 1 o falso 0, usa tutte le variazioni intermedie. Esempi: - robot prende un oggetto con più o meno forza - lavatrice che gira il cestello più o meno forte - dove fermare il treno e con quale forza
  13. 13. 3) Algoritmi genetici 13 Analogia con selezione naturale in campo genetico: 1. creare due soluzioni al problema 2. Incrociare due soluzioni o cambiare un numero nella soluzione per creare una nuova soluzione Esempi: - percorso in N città da visitare con minor spesa possibile - collocare il personale sui compiti
  14. 14. 3) Machine Learning 14 Analogia con bambino che non sa niente, apprende i dati input e output, crea output su nuovi dati input. Esempio: calcolare addizione - Programmazione esplicita: somma = a + b - Machine Learning: (input, input, output) (2,1,3) (1,1,2) (0,1,1) (2,5,7) ecc. Utile se conosco input e output ma non ho una formula per passare da input a output
  15. 15. 3) Machine Learning https://ww w.datasci encecentr al.com/pr ofiles/blog s/machine -learning- in-one- picture
  16. 16. 3) Machine Learning 16 Classificazione di input nelle classi Esempi: - Decidere se una transazione è frode o legittima - Scartare o accettare un prodotto da controllo qualità - Scegliere un prodotto da consigliare per acquisto - Riconoscere un prodotto dalla sua immagine
  17. 17. 3) Machine Learning 17 Clustering, creo gruppi di dati omogenei Esempi: - Conoscere le tipologie di acquirenti - Trovare i prodotti più comprati insieme - Distinguere un dato anomalo dagli altri - Trovare nuove relazioni tra i dati
  18. 18. 3) Machine Learning 18 Esempi: - Andamento delle vendite domani secondo il mese scorso - Ricostruire dati mancanti - Predire se un macchinario si guasterà tra poco tempo - Decidere se aumentare o diminuire la prossima azione Predizione di un valore nel futuro secondo il passato
  19. 19. 3) Neural Network 19 Analogia con neurone nel cervello umano. Neurone biologico Numeri [0,1] o [-1,1] Neurone matematico
  20. 20. 4) Neural Network 20 Neural Network in Linguaggio Python
  21. 21. 3) Deep Learning 21 Rete di neuroni complessa con apprendim ento profondo
  22. 22. 4) Quali sono i punti critici? https://medium.com/@ageitgey/machine-learning-is-fun-part-8-how-to-intentionally-trick-neural-networks-b55da32b7196 conoscendo i pixel da cambiare e come farlo senza modificarne l'aspetto all'occhio umano, si può forzare la risposta errata
  23. 23. 4) Quali sono i punti critici? Accessorize to a Crime: Real and Stealthy Attacks on State-of-the-Art Face Recognition Mahmood Sharif, Sruti Bhagavatula, Lujo Bauer, Michael K. Reiter https://www.youtube.com/watch?v=6Xh1vuwnVhU https://www.cs.cmu.edu/~sbhagava/papers/face-rec-ccs16.pdf
  24. 24. 4) Quali sono i punti critici? •https://arxiv.org/pdf/19 04.08653.pdf •Fooling automated surveillance cameras: adversarial patches to attack person detection •Attacco a Convolutional Neural Networks usato in YOLOv2 architecture object detector
  25. 25. 4) Quali sono i punti critici? 1) Scelta dei dati per creare la soluzione 2) Scelta del modello matematico per risolvere e come calcolare i parametri 3) Creare stress test su casi complicati 4) Verificare cosa creato, c'è veramente Intelligenza Artificiale? 5) Analisi dei rischi: potrei spendere molto e non trovare la soluzione!
  26. 26. 4) Quali sono i punti critici? Serve molto tempo: 40% accesso dati, pulizia ed esplorazione 10% sviluppo modello di IA 20% migliorare le prestazioni del modello 30% mettere online e monitorare cosa succede
  27. 27. 5) Chi lo può fare? Dipende dalla complessità della soluzione: - Software house - Centri di ricerca e innovazione Scegliere tra: - Un prodotto generico da adattare - Una soluzione creata su misura
  28. 28. 28 • Perché usare IA? E' di moda, lo usa il concorrente, risolve un problema, porta un vantaggio, lo chiede il mercato, curiosità, fa vendere. • Voglio sostituire una persona o aiutarla a lavorare? • Ho i dati necessari? Tanta quantità, con qualità, facile accedere, di proprietà. • Quale margine di errore ammetto su input e output? • Quanto tempo, personale, denaro, strumenti posso investire nella creazione? • Dopo averla creata, ho le risorse per manutenzione e aggiornamento? 6) Domande per decidere
  29. 29. 29 • Come devo integrare nel mio processo aziendale? • Come ho scelto chi la crea? Ha le capacità adeguate? • Chi ha creato il sistema quale documentazione fornisce? • Chi ha creato il sistema quali responsabilità si assume? • In caso di errori di funzionamento ne rispondo io? • Il sistema di IA può spiegare coma ha deciso su certi dati? Problema black-box di funzionamento ignoto? 6) Domande per decidere
  30. 30. 30 • Linguaggio di programmazione e librerie coinvolte • Quali servizi cloud usati, riservatezza dei dati • Quali tipologie di input sono ammessi e quale output fornito • Margine di errore ammesso in input e output • Come è stato addestrato il sistema • Caratteristiche di input usati nell'addestramento e nel test • Quanto tempo impiegato per la creazione 6) Cosa specificare
  31. 31. 31 • Come trasformato dati input in dati ammessi • Normalizzazione e standardizzazione dei dati input • Architettura neurale, quanti neuroni e su quali livelli • Funzioni di attivazione neurone, minimizzazione dell'errore • Metodo di apprendimento e parametri coinvolti • Numero di epoche per ripetizione apprendimento • Divisione dati in insiemi di addestramento, validazione, test 6) Cosa specificare in neural network
  32. 32. 6) Riepilogo per concludere 32
  33. 33. 7) Cosa devo studiare? 1) 40 ore di Machine Learning e 40 ore di Python con voucher gratuito Regione Lombardia https://cfmitalia.it/2020/07/19/formazione-intelligenza-artificiale/ 2) 6 ore Usare libreria Scikit di Python https://www.robertomarmo.net/download/20201111-16-18- PythonMarmor.jpg 3) 6 ore laboratorio Intelligenza artificiale per la crescita dell’impresa https://www.wtraining.it/corsi/lab- intelligenza-artificiale-per-la-crescita-dellimpresa-seconda-edizione/
  34. 34. 7) Libri presso stand Hoepli 34 https://www.robertomarmo.net/Libri.html https://www.algoritmiia.it/
  35. 35. Conclusioni • Intelligenza artificiale ci offre tante nuove soluzioni a problemi complicati con cui: • ridurre costi • aumentare ricavi • dare senso di modernità • Non farsi prendere da facili entusiasmi o prime delusioni • Preparare obiettivi, domande, risorse e valutazioni adeguate • Servono Consapevolezza e Preparazione
  36. 36. Grazie per avermi ascoltato! per consulenza e formazione: www.robertomarmo.net info@robertomarmo.net
  • alessandradeboracisl

    Nov. 3, 2020

Materiale presentato durante fiera SMAU Milano 20 ottobre 2020.

Views

Total views

532

On Slideshare

0

From embeds

0

Number of embeds

360

Actions

Downloads

17

Shares

0

Comments

0

Likes

1

×