| Pagina di benvenuto | EduLearn: lettera D |

Deep Learning (DL)

Definire il Deep Learning. Algoritmi ispirati alla struttura e al funzionamento del cervello: reti neurali artificiali. La ricerca di settore mira a comprendere il funzionamento del cervello umano.

L'intelligenza artificiale (IA) riesce autonomamente a classificare i dati e a strutturarli gerarchicamente, trovando quelli più rilevanti e utili alla risoluzione di un problema. Migliora le proprie prestazioni con l'apprendimento. Si basa su modelli di apprendimento a più livelli di astrazione in cui i concetti più alti sono appresi a partire dai livelli più bassi. Dati verbali e visivi sono appresi grazie all'utilizzo di algoritmi di calcolo statistico. Esempi: sistemi di riconoscimento facciale; sistemi di riconoscimento vocale e visivo; giochi di conoscenza completa (scacchi/Go; StarCraft).

La maggior parte delle reti neurali modellizza soltanto la prima fase di elaborazione dell'informazione. A un livello superiore, l'apprendimento umano si appoggia su regole e simboli e prende la forma di un'inferenza logica, che cattura regole da un dominio. Questa forma non si può osservare ancora nel comportamento delle macchine.


Deep Learning e IA generativa. Software che grazie al DL, a partire da un data set di informazioni, riesce a produrre contenuti originali. Sistemi finalizzati a generare:
1. Testi: es. ChatGPT (4.0); implementazione nel browser Bing (Microsoft).
2. Immagini: es. DALL-E, StarryAI, Nightcafe creator, Midjourney.
3. Video: es. D-ID, Sinesthesia, Elai.io.
4. Musica: es. Musico, Jukebox.
5. Mappe concettuali: es. Algor.


Generative Adversarial Network (GAN). Alla base di questi software, coppie di reti neurali (non programmate) che lavorano in modo antagonistico:
1. una rete contiene una serie di dati di riferimento,
2. un'altra rete approssima delle riproduzioni sempre più simili a questi dati.


Natural Language Processing (NLP). Si tratta di:
a. algoritmi per analisi e comprensione del linguaggio naturale scritto/parlato,
b. analisi morfologica, sintattica e semantica.

Nuovi approcci NLP:
1. Analisi statistiche di testi scritti per ricavare pattern lessicali.
2. Sentiment analysis: identificazione del tono della voce e dello stato d'animo.
3. Speech recognition/interfacce conversazionali: simulazione del comportamento umano nell'interazione con l'utente.

Nei contesti didattici possono:
1. facilitare l'accesso ai contenuti delle lezioni online,
2. generare automaticamente contenuti di e-learning,
3. estrarre informazioni e valutare la qualità delle fonti,
4. studiare somiglianze/differenze tra testi,
5. interagire con studenti tramite chatbot (comunicazione, negoziazione, interesse, motivazione).

Altri esempi:
6. ChatGPT per la scrittura assistita dall'IA,
7. chatbot conversazionali.


Computer Vision (CV). Si tratta di:
1. algoritmi per l'analisi, l'interpretazione e la comprensione di contenuti visivi,
2. che avviene utilizzando modelli di DL,
3. la ricerca di settore è finalizzata a comprendere come i computer possano riprodurre processi e funzioni dell'apparato visivo umano.

Nei contesti didattici: algoritmi e tecniche per ottenere informazioni aggiuntive, come il livello di attenzione (robotica).

Potenzialità didattiche di NLP e CV:
1. tutoraggio personalizzato,
2. apprendimento interattivo,
3. apprendimento adattivo.

In prospettiva di sviluppo:
1. interazione limitata,
2. comprensione limitata,
3. pregiudizio (distorsioni),
4. privacy e sicurezza dei dati.

| Pagina di benvenuto | EduLearn: lettera D |