Corso Base di Intelligenza Artificiale

Lezione 1 • L'IA nei settori oggi

Analizza le implementazioni attive di IA in sanità, finanza, commercio al dettaglio e produzione. Aiuta i discenti a identificare le opportunità dell'IA nel proprio settore.

Lezione 2 • Una breve storia dell'IA

Traccia il percorso dell'IA dai primi sistemi basati su regole alle moderne reti neurali. Fornisce il contesto per comprendere perché gli approcci attuali sono dominanti.

Lezione 3 • Come l'IA crea valore aziendale

Mappa le capacità dell'IA su risultati organizzativi concreti in tutti i settori. Collega i concetti astratti alla rilevanza professionale.

Lezione 1 • Raccolta e approvvigionamento dei dati

Tratta i metodi per raccogliere dati da sistemi interni, dataset pubblici e API. Evidenzia i compromessi tra volume e qualità dei dati.

Lezione 2 • Basi dell'ingegneria delle caratteristiche

Trasforma i dati grezzi in input informativi che migliorano l'accuratezza del modello. Collega la raccolta dei dati grezzi all'addestramento del modello.

Lezione 3 • Qualità e pulizia dei dati

Identifica i problemi comuni di qualità dei dati e le tecniche standard di bonifica. La scarsa qualità dei dati è la principale causa di fallimento dei progetti di IA.

Lezione 4 • Tipi di dati utilizzati nell'IA

Categorizza dati strutturati, non strutturati e semi-strutturati e le loro applicazioni IA. Prepara il terreno per comprendere le pipeline di dati.

Lezione 1 • Come le macchine apprendono dai dati

Spiega il ciclo di apprendimento: input di dati, addestramento del modello e output di previsione. Stabilisce il modello mentale utilizzato durante tutto il corso.

Lezione 2 • Fondamenti di apprendimento non supervisionato

Esplora la ricerca di strutture nascoste in dati non etichettati tramite clustering e riduzione della dimensionalità. Complementa i metodi supervisionati per compiti esplorativi.

Lezione 3 • Valutare la prestazione del modello

Insegna le metriche chiave per misurare quanto bene un modello funziona su dati non visti. Permette ai discenti di valutare criticamente la qualità del sistema di IA.

Lezione 4 • Panoramica dell'apprendimento per rinforzo

Introduce agenti che apprendono interagendo con un ambiente e ricevendo ricompense. Fornisce una base concettuale per applicazioni di robotica e IA per i giochi.

Lezione 1 • Reti ricorrenti e dati sequenziali

Tratta le RNN e le LSTM per l'elaborazione di dati sequenziali e dipendenti dal tempo. Prepara i discenti a comprendere i modelli di IA per il linguaggio e le serie temporali.

Lezione 2 • Addestrare le reti neurali

Tratta la retropropagazione e la discesa del gradiente come motori dell'apprendimento delle reti neurali. Collega i meccanismi di addestramento ai miglioramenti dell'accuratezza del modello.

Lezione 3 • L'ispirazione biologica per le reti neurali

Collega la struttura dei neuroni biologici alla progettazione delle reti neurali artificiali. Fornisce una base intuitiva prima di introdurre concetti matematici.

Lezione 4 • Architettura di rete feedforward

Spiega come i dati fluiscono attraverso strati di input, nascosti e di output in una rete standard. Stabilisce l'architettura di base per tutte le varianti di apprendimento profondo.

Lezione 1 • Compiti e applicazioni fondamentali dell'ELN

Analizza l'analisi del sentiment, il riconoscimento di entità nominate, la traduzione e il riassunto. Collega le tecniche di ELN a casi d'uso aziendali pratici.

Lezione 2 • Limitazioni dell'ELN e modalità di fallimento

Esamina allucinazioni, limiti della finestra di contesto e distorsioni linguistiche nei sistemi di ELN. Prepara i discenti a utilizzare l'IA linguistica in modo responsabile.

Lezione 3 • L'architettura Transformer

Introduce il meccanismo di attenzione e il modello transformer che alimentano la moderna IA linguistica. Spiega perché i transformer hanno sostituito i modelli sequenziali precedenti.

Lezione 4 • Come i computer comprendono il testo

Spiega la tokenizzazione, gli embedding e come il testo viene convertito in rappresentazioni numeriche. Fondamentale per comprendere tutti i sistemi di IA linguistica.

Lezione 1 • Strategie e tecniche di prompting

Tratta il prompting zero-shot, few-shot e a catena di pensiero per compiti complessi. Amplia la cassetta degli attrezzi del discente per diversi scenari di interazione con l'IA.

Lezione 2 • Usare l'IA per analisi e ricerca

Dimostra come utilizzare gli strumenti di IA per l'interpretazione dei dati, la revisione della letteratura e l'ideazione. Estende l'utilità dell'IA oltre la scrittura verso flussi di lavoro analitici.

Lezione 3 • Valutare e perfezionare gli output dell'IA

Insegna un processo di revisione strutturato per valutare accuratezza, pertinenza e tono delle risposte dell'IA. Costruisce capacità di giudizio critico per un uso responsabile dell'IA.

Lezione 4 • Anatomia di un prompt efficace

Scompone i componenti di un prompt ben strutturato: ruolo, contesto, compito e formato. Migliora direttamente la qualità dell'output fin dalla prima interazione.

Lezione 1 • Costruire una pratica di IA responsabile

Traduce i principi etici in politiche organizzative, processi di revisione e strutture di governance. Fornisce ai discenti gli strumenti per sostenere un'IA responsabile nei loro team.

Lezione 2 • La distorsione algoritmica nella pratica

Analizza casi documentati in cui i sistemi di IA hanno prodotto risultati distorti o dannosi. Traduce concetti astratti di distorsione in esempi concreti di ammonimento.

Lezione 3 • Spiegabilità e trasparenza

Tratta i metodi per rendere le decisioni dell'IA interpretabili per utenti e stakeholder. Collega la spiegabilità a fiducia, conformità e responsabilità.

Lezione 4 • Fondamenti di etica dell'IA

Introduce i principi etici fondamentali—equità, responsabilità, trasparenza e privacy—applicati all'IA. Inquadra l'etica come un vincolo pratico di progettazione.

Lezione 1 • Definire e inquadrare i problemi di IA

Insegna come tradurre un problema aziendale in un compito IA ben definito con criteri di successo misurabili. Previene costosi disallineamenti tra soluzioni IA ed esigenze aziendali.

Lezione 2 • Monitorare e mantenere i sistemi di IA

Introduce la deriva del modello, il degrado della prestazione e i trigger di riaddestramento in produzione. Garantisce che i sistemi di IA rimangano accurati e affidabili nel tempo.

Lezione 3 • Implementare l'IA in produzione

Tratta i passaggi tecnici e organizzativi per portare un modello dal test all'uso reale. Affronta le sfide di integrazione, latenza e adozione da parte degli utenti.

Lezione 4 • Misurare l'impatto aziendale dell'IA

Collega le metriche del sistema IA ai KPI aziendali come risparmio sui costi, ricavi ed efficienza. Permette ai discenti di giustificare gli investimenti in IA alla leadership.