You can not select more than 25 topics
Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
164 lines
13 KiB
164 lines
13 KiB
<!--
|
|
CO_OP_TRANSLATOR_METADATA:
|
|
{
|
|
"original_hash": "6a05fec147e734c3e6bfa54505648e2b",
|
|
"translation_date": "2025-09-06T07:34:27+00:00",
|
|
"source_file": "1-Introduction/2-history-of-ML/README.md",
|
|
"language_code": "it"
|
|
}
|
|
-->
|
|
# Storia del machine learning
|
|
|
|
|
|
> Sketchnote di [Tomomi Imura](https://www.twitter.com/girlie_mac)
|
|
|
|
## [Quiz pre-lezione](https://ff-quizzes.netlify.app/en/ml/)
|
|
|
|
---
|
|
|
|
[](https://youtu.be/N6wxM4wZ7V0 "ML per principianti - Storia del Machine Learning")
|
|
|
|
> 🎥 Clicca sull'immagine sopra per un breve video che illustra questa lezione.
|
|
|
|
In questa lezione, esamineremo le principali tappe della storia del machine learning e dell'intelligenza artificiale.
|
|
|
|
La storia dell'intelligenza artificiale (IA) come campo è strettamente legata alla storia del machine learning, poiché gli algoritmi e i progressi computazionali che stanno alla base del ML hanno alimentato lo sviluppo dell'IA. È utile ricordare che, sebbene questi campi come aree di studio distinte abbiano iniziato a prendere forma negli anni '50, importanti [scoperte algoritmiche, statistiche, matematiche, computazionali e tecniche](https://wikipedia.org/wiki/Timeline_of_machine_learning) hanno preceduto e si sono sovrapposte a questo periodo. In realtà, le persone hanno riflettuto su queste domande per [centinaia di anni](https://wikipedia.org/wiki/History_of_artificial_intelligence): questo articolo discute le basi intellettuali storiche dell'idea di una 'macchina pensante'.
|
|
|
|
---
|
|
## Scoperte significative
|
|
|
|
- 1763, 1812 [Teorema di Bayes](https://wikipedia.org/wiki/Bayes%27_theorem) e i suoi predecessori. Questo teorema e le sue applicazioni sono alla base dell'inferenza, descrivendo la probabilità che un evento si verifichi basandosi su conoscenze precedenti.
|
|
- 1805 [Teoria dei minimi quadrati](https://wikipedia.org/wiki/Least_squares) del matematico francese Adrien-Marie Legendre. Questa teoria, che imparerai nella nostra unità sulla regressione, aiuta nell'adattamento dei dati.
|
|
- 1913 [Catene di Markov](https://wikipedia.org/wiki/Markov_chain), chiamate così in onore del matematico russo Andrey Markov, vengono utilizzate per descrivere una sequenza di eventi possibili basata su uno stato precedente.
|
|
- 1957 [Perceptron](https://wikipedia.org/wiki/Perceptron), un tipo di classificatore lineare inventato dallo psicologo americano Frank Rosenblatt che è alla base dei progressi nel deep learning.
|
|
|
|
---
|
|
|
|
- 1967 [Nearest Neighbor](https://wikipedia.org/wiki/Nearest_neighbor) è un algoritmo originariamente progettato per mappare percorsi. Nel contesto del ML viene utilizzato per rilevare schemi.
|
|
- 1970 [Backpropagation](https://wikipedia.org/wiki/Backpropagation) viene utilizzato per addestrare [reti neurali feedforward](https://wikipedia.org/wiki/Feedforward_neural_network).
|
|
- 1982 [Reti neurali ricorrenti](https://wikipedia.org/wiki/Recurrent_neural_network) sono reti neurali artificiali derivate dalle reti neurali feedforward che creano grafici temporali.
|
|
|
|
✅ Fai una piccola ricerca. Quali altre date si distinguono come fondamentali nella storia del ML e dell'IA?
|
|
|
|
---
|
|
## 1950: Macchine che pensano
|
|
|
|
Alan Turing, una persona davvero straordinaria che è stata votata [dal pubblico nel 2019](https://wikipedia.org/wiki/Icons:_The_Greatest_Person_of_the_20th_Century) come il più grande scienziato del XX secolo, è accreditato per aver contribuito a gettare le basi del concetto di una 'macchina che può pensare'. Ha affrontato gli scettici e il suo stesso bisogno di prove empiriche di questo concetto, in parte creando il [Test di Turing](https://www.bbc.com/news/technology-18475646), che esplorerai nelle nostre lezioni di NLP.
|
|
|
|
---
|
|
## 1956: Progetto di ricerca estivo di Dartmouth
|
|
|
|
"Il progetto di ricerca estivo di Dartmouth sull'intelligenza artificiale è stato un evento fondamentale per l'intelligenza artificiale come campo," ed è qui che è stato coniato il termine 'intelligenza artificiale' ([fonte](https://250.dartmouth.edu/highlights/artificial-intelligence-ai-coined-dartmouth)).
|
|
|
|
> Ogni aspetto dell'apprendimento o qualsiasi altra caratteristica dell'intelligenza può, in linea di principio, essere descritto così precisamente da poter essere simulato da una macchina.
|
|
|
|
---
|
|
|
|
Il ricercatore principale, il professore di matematica John McCarthy, sperava "di procedere sulla base della congettura che ogni aspetto dell'apprendimento o qualsiasi altra caratteristica dell'intelligenza possa, in linea di principio, essere descritto così precisamente da poter essere simulato da una macchina." Tra i partecipanti c'era un'altra figura di spicco nel campo, Marvin Minsky.
|
|
|
|
Il workshop è accreditato per aver avviato e incoraggiato diverse discussioni, tra cui "l'ascesa dei metodi simbolici, sistemi focalizzati su domini limitati (primi sistemi esperti) e sistemi deduttivi contro sistemi induttivi." ([fonte](https://wikipedia.org/wiki/Dartmouth_workshop)).
|
|
|
|
---
|
|
## 1956 - 1974: "Gli anni d'oro"
|
|
|
|
Dal 1950 fino alla metà degli anni '70, l'ottimismo era alto nella speranza che l'IA potesse risolvere molti problemi. Nel 1967, Marvin Minsky affermò con sicurezza che "Entro una generazione ... il problema di creare 'intelligenza artificiale' sarà sostanzialmente risolto." (Minsky, Marvin (1967), Computation: Finite and Infinite Machines, Englewood Cliffs, N.J.: Prentice-Hall)
|
|
|
|
La ricerca sulla comprensione del linguaggio naturale prosperò, la ricerca fu affinata e resa più potente, e fu creato il concetto di 'micro-mondi', dove semplici compiti venivano completati utilizzando istruzioni in linguaggio naturale.
|
|
|
|
---
|
|
|
|
La ricerca era ben finanziata da agenzie governative, furono fatti progressi nella computazione e negli algoritmi, e furono costruiti prototipi di macchine intelligenti. Alcune di queste macchine includono:
|
|
|
|
* [Shakey il robot](https://wikipedia.org/wiki/Shakey_the_robot), che poteva muoversi e decidere come svolgere compiti 'intelligentemente'.
|
|
|
|
|
|
> Shakey nel 1972
|
|
|
|
---
|
|
|
|
* Eliza, un primo 'chatterbot', poteva conversare con le persone e agire come un primitivo 'terapeuta'. Imparerai di più su Eliza nelle lezioni di NLP.
|
|
|
|
|
|
> Una versione di Eliza, un chatbot
|
|
|
|
---
|
|
|
|
* "Blocks world" era un esempio di micro-mondo dove i blocchi potevano essere impilati e ordinati, e gli esperimenti per insegnare alle macchine a prendere decisioni potevano essere testati. I progressi costruiti con librerie come [SHRDLU](https://wikipedia.org/wiki/SHRDLU) hanno aiutato a spingere avanti l'elaborazione del linguaggio.
|
|
|
|
[](https://www.youtube.com/watch?v=QAJz4YKUwqw "blocks world con SHRDLU")
|
|
|
|
> 🎥 Clicca sull'immagine sopra per un video: Blocks world con SHRDLU
|
|
|
|
---
|
|
## 1974 - 1980: "Inverno dell'IA"
|
|
|
|
Entro la metà degli anni '70, era diventato evidente che la complessità di creare 'macchine intelligenti' era stata sottovalutata e che la sua promessa, data la potenza di calcolo disponibile, era stata sopravvalutata. I finanziamenti si esaurirono e la fiducia nel campo rallentò. Alcuni problemi che influenzarono la fiducia includevano:
|
|
---
|
|
- **Limitazioni**. La potenza di calcolo era troppo limitata.
|
|
- **Esplosione combinatoria**. La quantità di parametri da addestrare cresceva esponenzialmente man mano che si chiedeva di più ai computer, senza un'evoluzione parallela della potenza e capacità di calcolo.
|
|
- **Scarsità di dati**. C'era una scarsità di dati che ostacolava il processo di test, sviluppo e perfezionamento degli algoritmi.
|
|
- **Stiamo ponendo le domande giuste?**. Le stesse domande che venivano poste iniziarono a essere messe in discussione. I ricercatori iniziarono a ricevere critiche sui loro approcci:
|
|
- I test di Turing furono messi in discussione, tra le altre idee, dalla 'teoria della stanza cinese' che sosteneva che, "programmare un computer digitale potrebbe far sembrare che capisca il linguaggio ma non potrebbe produrre una vera comprensione." ([fonte](https://plato.stanford.edu/entries/chinese-room/))
|
|
- L'etica di introdurre intelligenze artificiali come il "terapeuta" ELIZA nella società fu messa in discussione.
|
|
|
|
---
|
|
|
|
Allo stesso tempo, iniziarono a formarsi varie scuole di pensiero sull'IA. Si stabilì una dicotomia tra pratiche di ["IA disordinata" vs. "IA ordinata"](https://wikipedia.org/wiki/Neats_and_scruffies). I laboratori _disordinati_ modificavano i programmi per ore fino a ottenere i risultati desiderati. I laboratori _ordinati_ "si concentravano sulla logica e sulla risoluzione formale dei problemi". ELIZA e SHRDLU erano sistemi _disordinati_ ben noti. Negli anni '80, con l'emergere della domanda di rendere i sistemi ML riproducibili, l'approccio _ordinato_ prese gradualmente il sopravvento poiché i suoi risultati erano più spiegabili.
|
|
|
|
---
|
|
## Sistemi esperti negli anni '80
|
|
|
|
Con la crescita del campo, il suo beneficio per il business divenne più chiaro, e negli anni '80 si assistette alla proliferazione dei 'sistemi esperti'. "I sistemi esperti furono tra le prime forme veramente di successo di software di intelligenza artificiale (IA)." ([fonte](https://wikipedia.org/wiki/Expert_system)).
|
|
|
|
Questo tipo di sistema è in realtà _ibrido_, composto parzialmente da un motore di regole che definisce i requisiti aziendali e un motore di inferenza che sfrutta il sistema di regole per dedurre nuovi fatti.
|
|
|
|
Questo periodo vide anche un'attenzione crescente verso le reti neurali.
|
|
|
|
---
|
|
## 1987 - 1993: Raffreddamento dell'IA
|
|
|
|
La proliferazione di hardware specializzato per sistemi esperti ebbe l'effetto sfortunato di diventare troppo specializzata. L'ascesa dei personal computer competé con questi grandi sistemi centralizzati e specializzati. La democratizzazione del computing era iniziata, e alla fine aprì la strada all'esplosione moderna dei big data.
|
|
|
|
---
|
|
## 1993 - 2011
|
|
|
|
Questo periodo vide una nuova era per il ML e l'IA, in grado di risolvere alcuni dei problemi causati in precedenza dalla mancanza di dati e potenza di calcolo. La quantità di dati iniziò a crescere rapidamente e a diventare più ampiamente disponibile, nel bene e nel male, soprattutto con l'avvento dello smartphone intorno al 2007. La potenza di calcolo si espanse esponenzialmente e gli algoritmi si evolsero di pari passo. Il campo iniziò a maturare mentre i giorni liberi e sperimentali del passato iniziarono a cristallizzarsi in una vera disciplina.
|
|
|
|
---
|
|
## Oggi
|
|
|
|
Oggi il machine learning e l'IA toccano quasi ogni parte della nostra vita. Questo periodo richiede una comprensione attenta dei rischi e degli effetti potenziali di questi algoritmi sulla vita umana. Come ha affermato Brad Smith di Microsoft, "La tecnologia dell'informazione solleva questioni che vanno al cuore delle protezioni fondamentali dei diritti umani, come la privacy e la libertà di espressione. Queste questioni aumentano la responsabilità delle aziende tecnologiche che creano questi prodotti. A nostro avviso, richiedono anche una regolamentazione governativa ponderata e lo sviluppo di norme sull'uso accettabile" ([fonte](https://www.technologyreview.com/2019/12/18/102365/the-future-of-ais-impact-on-society/)).
|
|
|
|
---
|
|
|
|
Resta da vedere cosa riserva il futuro, ma è importante comprendere questi sistemi informatici e il software e gli algoritmi che eseguono. Speriamo che questo curriculum ti aiuti a ottenere una migliore comprensione in modo che tu possa decidere da solo.
|
|
|
|
[](https://www.youtube.com/watch?v=mTtDfKgLm54 "La storia del deep learning")
|
|
> 🎥 Clicca sull'immagine sopra per un video: Yann LeCun discute la storia del deep learning in questa lezione
|
|
|
|
---
|
|
## 🚀Sfida
|
|
|
|
Approfondisci uno di questi momenti storici e scopri di più sulle persone dietro di essi. Ci sono personaggi affascinanti e nessuna scoperta scientifica è mai stata creata in un vuoto culturale. Cosa scopri?
|
|
|
|
## [Quiz post-lezione](https://ff-quizzes.netlify.app/en/ml/)
|
|
|
|
---
|
|
## Revisione e studio autonomo
|
|
|
|
Ecco alcuni elementi da guardare e ascoltare:
|
|
|
|
[Questo podcast in cui Amy Boyd discute l'evoluzione dell'IA](http://runasradio.com/Shows/Show/739)
|
|
|
|
[](https://www.youtube.com/watch?v=EJt3_bFYKss "La storia dell'IA di Amy Boyd")
|
|
|
|
---
|
|
|
|
## Compito
|
|
|
|
[Creare una timeline](assignment.md)
|
|
|
|
---
|
|
|
|
**Disclaimer**:
|
|
Questo documento è stato tradotto utilizzando il servizio di traduzione automatica [Co-op Translator](https://github.com/Azure/co-op-translator). Sebbene ci impegniamo per garantire l'accuratezza, si prega di notare che le traduzioni automatiche possono contenere errori o imprecisioni. Il documento originale nella sua lingua nativa dovrebbe essere considerato la fonte autorevole. Per informazioni critiche, si raccomanda una traduzione professionale effettuata da un traduttore umano. Non siamo responsabili per eventuali incomprensioni o interpretazioni errate derivanti dall'uso di questa traduzione. |