Filippo Castiglione

1. Intelligenza Artificiale nella PA: esperienze e prospettive
Roma, 5 Novembre 2019
MIUR - Roma

2. BIGDATA

4. Crediti: Raconteur Media Ltd. © 2018
4

6. it absorbs
more information
than it
produces
6

7. IA(ML)
7

8. 8

9. Source: https://blogs.nvidia.com/blog/2016/07/29/whats-difference-artificial-intelligence-machine-learning-deep-learning-ai/
9

10. kybernetes
(Norbert Wiener)
10

11. R. Fisher, K. Pearson, J. Neyman, E. Pearson e A. Wald
il procedimento per cui si inducono
le caratteristiche di
una popolazione dall'osservazione di
una parte di essa (detta "campione")
si tratta di
tecniche matemati
che per
quantificare il
processo
di apprendimento
tramite l'esperienza

12. Warren Mc Culloc Walter Pitts

14. BIGDATA
IA(ML)
INFORMATION

19. L’INFORMAZIONE NELLA PA

20. Da: piano Triennale per l’informatica nella PA, AGID+Team Digitale
BANCA DATI TITOLARE
Repertorio nazionale dei dati territoriali (RNDT) AgID
Anagrafe nazionale della popolazione residente (ANPR) Min. Interno
Banca dati nazionale dei contratti pubblici (BDNCP) ANAC
Casellario giudiziale Min. Giustizia
Registro delle imprese Union Camere
Archivi automatizzati in materia di immigrazione e di asilo Min. Interno
Anagrafe nazionale degli assistiti (ANA) Min. Economia e Finanze e Min. Salute
Anagrafe delle aziende agricole
Regioni e Min. Politiche Agricole,
Alimentari e Forestali
Archivio nazionale dei numeri civici delle strade urbane (ANNCSU) ISTAT e Agenzia delle Entrate
Base dati catastale Agenzia delle Entrate
Indice delle Pubbliche amministrazioni (IPA) AgID
Indice nazionale degli indirizzi di posta elettronica certificata di professionisti e
imprese (INI-PEC) Ministero dello Sviluppo Economico
Pubblico registro automobilistico (PRA) ACI
Anagrafe tributaria Agenzia delle Entrate
Catalogo dei dati delle Pubbliche amministrazioni AgID
Catalogo dei servizi a cittadini e imprese AgID
Sistema informativo nazionale federato delle infrastrutture (SINFI) Min. dello Sviluppo Economico

21. Vorremmo: classificare / separare / mettere ordine / suggerire / riassumere / cercare

22. Naïve Bayes,
Decision Trees,
Logistic Regression,
k-nearest neighbors (kNN),
Support Vector Machines (SVM)
• spam filtering
• language detection
• separate docs by topics
• sentiment analysis (good/bad)
• character recognition
• fraud detection
• search for similar documents
Classification
Linear Regression,
Polynomial Regression
• forecast of time/space series
• Automatic grading of students
• medical diagnosis (benign/malignant)
Regression

23. Principal Component Analysis (PCA),
Singular Value Decomposition (SVD),
Latent Dirichlet Allocation (LDA),
Latent Semantic Analysis (LSA)
• give recommendations
• complex data visualization
• topic modeling and similar doc search
• fake image analysis
• risk management
Dimensionality reduction
K-means,
Mean-shift,
DBSCAN
• market segmentation (classify users)
• merge close points o maps
• image compression
• analyze and label new data
• detect abnormal behavior
Clustering

24. Apriori,
Euclat,
FP-growth
• forecast sales and discounts
• analyze goods bought together
• place products on shelves
• analyze web surfing patterns
Association Rule Learning
Learning,
SARSA,
DQN,
A3C,
Genetic Algorithms
• autonomous driving
• robot vacuum
• games
• automatic trading
• enterprise resource management
Reinforcement Learning

25. Multi Layer Perceptron (MLP),
Convolutional Neural Networks (CNN),
Recurrent Networks (RNN),
Autoencoders
• all other problems
• object identification in photos and vid
• speech recognition and synthesis
• image’s style transfer
• machine translation
Neural networks
Random Forest,
Gradient Boosting
• all other problems
• search systems
• computer vision
• object detection
Ensemble methods

26. AI(ML)+BigData = Information ?
Grazie per
l’attenzione
Si
L'intelligenza artificiale (debole) può aiutare ad aggregare l’enorme flusso di dati.
Ha la capacità di fornire analisi necessarie per estrarre Big Data significativi.