Fondamenti teorici sull'Intelligenza Artificiale - FERT experienced solutions

Vai ai contenuti

Fondamenti teorici sull'Intelligenza Artificiale

Idee

Forecasting versus Predicting

Le previsioni tradizionali, utilizzano le osservazioni storiche per stimare le metriche future. Il passato però non è in grado di rappresentare il futuro nelle sue dinamiche.
Il passato non eguaglia il futuro per la gestione delle performance degli asset in ambienti apparentemente caotici. Tuttavia, le previsioni storiche tradizionali tentano di modellare le linee di tendenza, forzare le medie mobili e appianare la variabilità. Questi metodi mancano un punto chiave: la variabilità delle metriche future deve essere misurata con precisione e rappresentata con i dettagli, non livellata e appiattita.
Assunzioni semplicissime nella previsione tradizionale creano modelli di componenti e risorse che non invecchiano, processi che non cambiano mai e ambienti che sono certi. Per un supporto decisionale chiaro e accurato, la modellazione predittiva deve catturare dettagliatamente i fattori complicanti. Tuttavia, le previsioni tradizionali sono troppo limitate per soddisfare questo obbligo.

Questi metodi tradizionali e storici includono molte tecniche di previsione delle serie temporali e modelli correlati che sono severamente limitati quando applicati a sistemi complessi: livellamento esponenziale, media mobile, reti bayesiane, modelli di tendenza, segmentazione, regressione, previsione trasversale, estrapolazione, analisi della teoria di coda , eccetera.
Nei sistemi semplici che raggiungono lo stato stazionario come la modellazione della corsa al pranzo in una caffetteria o la previsione del numero di scrutatori  necessari in una banca, le previsioni tradizionali possono funzionare. In un'aula accademica controllata e sterile, questi modelli svolgono un ruolo nella dimostrazione di sistemi semplificati. Tuttavia, quando sono in gioco la prontezza della missione, i budget in diminuzione, la capacità operativa e le linee di fondo aziendali, le previsioni tradizionali devono essere sostituite da
modelli predittivi precisi e maturi e che producono azioni prescrittive efficienti ed efficaci

Un'analisi predittiva rigorosa deve essere applicata piuttosto che limitare il nostro approccio al data mining sfocato e storico che identifica semplicemente correlazioni interessanti. L'analisi delle decisioni completa, evolutiva, iterativa e dipendente dal tempo può fornire una visione accurata del futuro.


Alcune nozioni di base sulla AI


L'intelligenza artificiale (AI), a volte chiamata intelligenza artificiale, è l'intelligenza dimostrata dalle macchine, in contrasto con l'intelligenza naturale mostrata dall'uomo e da altri animali. Nell'informatica, la ricerca AI è definita come lo studio di "agenti intelligenti": qualsiasi dispositivo che percepisce il suo ambiente e intraprende azioni che massimizzano le sue possibilità di raggiungere con successo i suoi obiettivi. Colloquialmente, il termine "intelligenza artificiale" viene applicato quando una macchina imita le funzioni "cognitive" che gli umani associano ad altre menti umane, come "apprendimento" e "risoluzione dei problemi".
La portata dell'IA è contestata: quando le macchine diventano sempre più capaci, i compiti considerati come richiedenti "intelligenza" sono spesso rimossi dalla definizione, un fenomeno noto come effetto dell'IA, che porta alla battuta, "l'intelligenza artificiale è tutto ciò che non è stato ancora fatto ". Ad esempio, il riconoscimento ottico dei caratteri è spesso escluso dall'intelligenza artificiale, essendo diventata una tecnologia di routine. Le moderne capacità delle macchine generalmente classificate come AI comprendono con successo la comprensione del linguaggio umano, la competizione ai massimi livelli nei sistemi di gioco strategici (come gli scacchi e il Go), le auto che operano in modo autonomo e il routing intelligente nelle reti di consegna dei contenuti e nelle simulazioni militari.
Nel ventunesimo secolo, le tecniche di IA hanno sperimentato una rinascita in seguito a concomitanti progressi nella potenza del computer, grandi quantità di dati e comprensione teorica; e le tecniche di IA sono diventate una parte essenziale del settore tecnologico, contribuendo a risolvere molti problemi complessi in informatica, ingegneria del software e ricerca operativa.

L'obiettivo generale della ricerca dell'intelligenza artificiale è creare una tecnologia che consenta a computer e macchine di funzionare in modo intelligente. Il problema generale di simulare (o creare) l'intelligenza è stato suddiviso in sotto-problemi. Questi consistono in tratti o capacità particolari che i ricercatori si aspettano un sistema intelligente da mostrare. I tratti descritti di seguito hanno ricevuto la massima attenzione.



AI applicata alla Finanza

Il Machine Learning ha avuto applicazioni fruttuose in ambito finanziario ben prima dell'avvento delle app di mobile banking, dei potenti robot di chat o dei motori di ricerca. Dati volumi elevati, documentazione storica accurata e natura quantitativa del mondo finanziario, poche industrie sono più adatte all'intelligenza artificiale. Ci sono più casi di utilizzo di machine learning in finanza che mai, una tendenza perpetuata da una potenza di calcolo più accessibile e strumenti di machine learning più accessibili (come Tensorflow di Google).
Oggi l'apprendimento automatico ha assunto un ruolo fondamentale in molte fasi dell'ecosistema finanziario, dall'approvazione dei prestiti, alla gestione delle attività, alla valutazione dei rischi. Eppure, pochi professionisti tecnicamente esperti hanno una visione accurata di quanti modi l'apprendimento automatico trova nella propria vita finanziaria quotidiana.
Segue un breve elenco di usi e applicazioni correnti:

  • Portfolio Management - robo-advisor "
  • Trading algoritmico - "Sistemi di trading automatizzati"
  • Prestiti / garanzia della sottoscrizione
  • Intercettazione delle frodi

Ambiti di utilizzo della AI

Gli algoritmi di Machine Learning dispongono già di un'ampia varietà di impieghi:
  • medicina: riconoscere percorsi ricorrenti nella diagnostica;
  • riconoscimento immagini: riconoscere percorsi;
  • veicoli guidati senza equipaggio: prendere decisioni;
  • web marketing: clienti del profilo e annunci di sartoria;
  • mappatura delle strade: leggi i nomi delle strade e delle case;
  • telefoni cellulari: app su misura;
  • fotocamere digitali: ottimizza i parametri della fotografia


Applicazioni

Gli algoritmi di Machine Learning dispongono già di un'ampia varietà di impieghi:
  • Riconoscimento ottico dei caratteri
  • Riconoscimento della calligrafia
  • Riconoscimento vocale
  • Riconoscimento facciale
  • Creatività artificiale
  • Computer vision, realtà virtuale e elaborazione delle immagini
  • Manipolazione di foto e video
  • Diagnosi (intelligenza artificiale)
  • Teoria dei giochi e pianificazione strategica
  • Gioco di intelligenza artificiale e gioco per computer
  • Elaborazione del linguaggio naturale, traduzione e Chatterbots
  • Controllo non lineare e Robotica


Altri campi in cui sono implementati i metodi AI:

  • Artificial life
  • Automated reasoning
  • Automation
  • Biologically inspired computing
  • Concept mining
  • Data mining
  • Knowledge representation
  • Semantic Web
  • E-mail spam filtering
  • Robotics
    • Behavior-based robotics
    • Cognitive
    • Cybernetics
    • Developmental robotics (Epigenetic)
    • Evolutionary robotics
  • Hybrid intelligent system
  • Intelligent agent
  • Intelligent control
  • Litigation
FERT experienced solutions is a registered trade mark. All rights reserved.
Contacts: fert.experienced.solutions@fertes.eu
Torna ai contenuti