Il campo dell'intelligenza artificiale comprende un'ampia gamma di discipline e tecnologie. Questo glossario dei termini chiave più importanti può aiutarla ad ampliare la sua comprensione e ad approfondire questo mondo affascinante.
L'intelligenza artificiale agentica si riferisce a sistemi di intelligenza artificiale avanzati che vanno oltre la semplice risposta ai comandi; generano contenuti, eseguono attività in modo autonomo e raggiungono obiettivi. Questi sistemi combinano capacità di ragionamento, funzioni di memoria e circuiti di feedback per pianificare ed eseguire azioni in modo indipendente, spesso utilizzando vari strumenti digitali e adattando il loro approccio attraverso l'apprendimento. A differenza dell'IA tradizionale, l'IA agentica può operare sia in modo indipendente che collaborativo con altri agenti di intelligenza artificiale, prendendo decisioni autonome e interfacciandosi con piattaforme e sistemi diversi per completare attività complesse.
Nel contesto industriale, Agentic AI prevede l'implementazione di sistemi di intelligenza artificiale in grado di monitorare, analizzare e controllare in modo indipendente vari aspetti delle operazioni industriali, come la manutenzione predittiva, il controllo della qualità, la gestione dell'inventario o l'ottimizzazione dei processi di produzione.
L'intelligenza artificiale (AI) si riferisce a un software che ha la capacità di apprendere e adattarsi. L'intelligenza artificiale può risolvere attività che richiedono l'interpretazione del significato dei dati di input e l'adattamento ai requisiti. In genere, si tratta di compiti che in precedenza potevano essere risolti solo con l'intelligenza naturale. Esistono diversi tipi di metodi di intelligenza artificiale, che differiscono in modo significativo in termini di campi di applicazione, potenzialità e rischi ad essi associati. I principi di base dell'intelligenza artificiale sono stati sviluppati nel XX secolo. Poiché tutti i metodi di intelligenza artificiale richiedono grandi quantità di dati di formazione, la tecnologia sta ora acquisendo una maggiore rilevanza critica attraverso la digitalizzazione e i big data.
Una tecnologia che consente di sovrapporre informazioni digitali ad ambienti e oggetti del mondo reale, in genere utilizzando la realtà virtuale 3D immersiva. L'AR consente una versione migliorata del mondo fisico aggiungendo elementi digitali visivi, sonori e altri elementi sensoriali.
Sistemi in grado di funzionare senza intervento umano, come auto a guida autonoma e droni.
Veicoli che possono funzionare senza intervento umano, come auto e camion a guida autonoma.
Pregiudizi o favoritismi involontari che possono verificarsi nei sistemi di intelligenza artificiale a causa di dati o algoritmi di addestramento distorti.
Set di dati ampi e complessi, spesso generati da sensori (industriali), ma anche da aziende, organizzazioni e persone. Poiché questi dati sono spesso non strutturati, incompleti o errati, il software non basato sull'intelligenza artificiale di solito non è in grado di elaborarli in modo significativo.
Un programma basato sull'intelligenza artificiale in grado di interagire con gli esseri umani tramite comunicazioni vocali o di testo.
Un tipo di intelligenza artificiale che mira a replicare i processi cognitivi umani, come la percezione, il ragionamento e il processo decisionale.
Un sottoinsieme dell'intelligenza artificiale che consente ai computer di estrarre informazioni da elementi visivi, come immagini e video, per comprenderli e interpretarli.
Strategie, misurazioni e strumenti per proteggere le informazioni digitali dagli aggressori esterni. L'intelligenza artificiale può essere utilizzata per rilevare e prevenire gli attacchi informatici e per identificare e rispondere alle violazioni della sicurezza.
Il processo di analisi e interpretazione dei dati per scoprire informazioni e prendere decisioni informate.
Sistemi informatici progettati per aiutare gli esseri umani a prendere decisioni fornendo informazioni e analisi pertinenti.
Un sottoinsieme dell'apprendimento automatico che prevede l'uso di reti neurali con più livelli per consentire alle macchine di apprendere dai dati.
Un modello matematico che descrive il comportamento di un oggetto o processo fisico. In un ambiente di simulazione, un digital twin può essere utilizzato per simulare cosa accadrebbe nel mondo reale se i parametri del sistema venissero modificati. I gemelli digitali possono essere utilizzati per tutto il ciclo di vita del prodotto, comprese le fasi di progettazione, produzione, funzionamento e assistenza. Le rappresentazioni visive dei gemelli digitali hanno l'aspetto e il comportamento delle loro controparti fisiche, rispecchiano il mondo reale e si adattano in tempo reale a ciò che accade lì.
L'edge computing è un tipo di architettura di sistema che, a differenza del cloud computing, avvicina l'elaborazione e l'archiviazione dei dati alle fonti di dati (l' "edge»). Aiuta a ridurre i tempi di risposta e la quantità di energia necessaria per il trasferimento dei dati. I sistemi Edge AI possono essere implementati fisicamente vicino al dispositivo di esecuzione effettivo. Questi dispositivi possono eseguire applicazioni di intelligenza artificiale senza essere connessi al cloud.
Intelligenza artificiale progettata per interagire e navigare nel mondo fisico, spesso attraverso l'uso di robot o veicoli autonomi.
Lo studio e l'applicazione dei principi morali nello sviluppo e nell'uso dell'intelligenza artificiale, comprese questioni come pregiudizi, privacy e responsabilità.
Un'intelligenza artificiale progettata per essere trasparente e spiegabile, che consente agli umani di capire come e perché una macchina ha preso una decisione particolare.
È un metodo di formazione nell'apprendimento automatico in cui più dispositivi separati addestrano un modello di apprendimento automatico con il proprio set di dati (separato). Solo i risultati finali vengono condivisi con l'attore principale della rete.
Intelligenza artificiale progettata per generare nuovi contenuti, come immagini, video e musica combinando e imparando dai contenuti esistenti.
Capacità di un'applicazione, ad esempio un software CAD, di generare autonomamente una serie di alternative di progettazione in base a una serie di vincoli. Utilizza tecniche come l'intelligenza artificiale, l'ottimizzazione e la simulazione.
L'intelligenza artificiale industriale si riferisce all'applicazione dell'IA nei settori che costituiscono la spina dorsale delle nostre economie: industria, infrastruttura, mobilità e assistenza sanitaria.
Gli Industrial Foundation Models (IFM) sono preformati su dati specifici del settore per comprendere a fondo il «linguaggio» di ingegneria, automazione e produzione e per consentire un'implementazione più rapida e accurata delle soluzioni di intelligenza artificiale. Forniscono un punto di partenza standardizzato, risparmiando tempo, risorse ed energia attraverso economie di scala. Gli IFM sono fatti su misura per risolvere le sfide industriali del mondo reale. Fungono da livello di intelligence alla base dei copiloti industriali e facilitano il trasferimento delle conoscenze e la collaborazione tra i settori. Supportano non solo testo, immagini e audio, ma anche modelli 3D, disegni 2D e altre strutture complesse come i dati di serie temporali specifici del settore (vedere anche LLM multimodali).
L'intelligenza artificiale di livello industriale indica un livello di qualità; affidabile, sicuro e degno di fiducia, progettato per soddisfare i requisiti e gli standard rigorosi degli ambienti professionali più esigenti.
Un termine usato per descrivere la quarta rivoluzione industriale, che prevede l'integrazione di intelligenza artificiale, IoT e altre tecnologie avanzate nella produzione e nell'industria.
La rete di dispositivi tecnici integrati con sensori, software e connettività per consentire lo scambio di dati. L'IoT è uno dei principali motori della digitalizzazione e dei big data.
Un database che rappresenta la conoscenza come un grafico di nodi e bordi interconnessi, utilizzato per applicazioni di intelligenza artificiale come la PNL e la ricerca.
Un tipo di modello linguistico di intelligenza artificiale che viene addestrato su enormi quantità di dati, come GPT-3, per generare testo simile a quello umano.
Un sottoinsieme dell'intelligenza artificiale che prevede l'uso di algoritmi e modelli statistici per consentire alle macchine di apprendere dall'esperienza o dai dati.
Un sottoinsieme dell'intelligenza artificiale che consente alle macchine con telecamere collegate di estrarre informazioni visive per comprendere e interpretare l'ambiente circostante.
Gli LLM multimodali possono comprendere ed elaborare più tipi di dati, come testo, immagini, audio o dati dei sensori, contemporaneamente. Sono integrati in applicazioni come la visione artificiale, i veicoli autonomi e la robotica. Migliorano il riconoscimento degli oggetti, la comprensione delle scene e consentono alle macchine di seguire istruzioni complesse. Gli LLM multimodali hanno il potenziale di influire sull'elaborazione e sulla generazione di dati specifici del settore, come serie temporali, modelli 2D e 3D o dati per la visione artificiale, nello stesso modo in cui gli LLM convenzionali hanno influito sull'elaborazione di testo e voce.
Un sottoinsieme dell'intelligenza artificiale che si concentra sull'interazione tra computer e linguaggio umano.
Un'interfaccia che consente agli esseri umani di interagire con i computer utilizzando gesti naturali, parole e altre forme di espressione.
Un tipo di algoritmo di apprendimento automatico modellato sulla struttura del cervello umano e utilizzato per riconoscere i modelli nei dati.
Un processo per analizzare le variazioni di tensione e corrente di edifici o macchine che comprendono più dispositivi secondari per dedurre il contributo individuale di ciascun dispositivo nel sistema.
L'intelligenza artificiale fisica si riferisce all'integrazione dell'intelligenza artificiale in macchine, come i robot, in grado di percepire il loro ambiente e agire al suo interno. Ispirata al ciclo sensomotorio umano, l'intelligenza artificiale fisica elabora gli input sensoriali (come fotocamere 3D o sensori tattili), ne genera comandi di controllo e consente alle macchine di eseguire attività complesse in modo adattivo e autonomo in ambienti fisici 3D.
L'intelligenza artificiale basata sulla fisica, nota anche come IA sensibile alla fisica, si riferisce a una nuova classe di metodi di intelligenza artificiale che incorporano le leggi della fisica direttamente nel processo di formazione. A differenza degli approcci di intelligenza artificiale convenzionali che si basano fortemente su grandi set di dati per apprendere il comportamento, l'intelligenza artificiale basata sulla fisica integra vincoli basati sulla fisica per guidare l'apprendimento. Ciò consente ai sistemi di intelligenza artificiale di ragionare e fare previsioni anche quando i dati del mondo reale sono limitati, sfruttando la nostra conoscenza esistente di come funziona il mondo fisico. Invece di imparare solo dagli esempi, questi modelli usano le loro conoscenze fisiche per indirizzare l'apprendimento verso soluzioni più ottimali e fisicamente coerenti.
L'intelligenza artificiale predittiva sfrutta l'analisi statistica e l'apprendimento automatico per identificare modelli in dati operativi storici e in tempo reale di macchine e apparecchiature, consentendole di prevedere comportamenti futuri, rilevare anomalie, prevedere potenziali guasti e consigliare azioni di manutenzione. Viene utilizzato per migliorare lo stato e l'affidabilità degli asset, ridurre i tempi di inattività non pianificati e supportare un processo decisionale più rapido basato sui dati in tutte le operazioni industriali.
L'uso dell'intelligenza artificiale e dei modelli statistici per prevedere eventi o tendenze futuri sulla base di dati storici.
L'uso dell'intelligenza artificiale per prevedere quando le macchine avranno bisogno di manutenzione o riparazione, sulla base di dati in tempo reale.
L'uso dell'intelligenza artificiale per rilevare i difetti e garantire che i prodotti soddisfino gli standard di qualità.
Un tipo di apprendimento automatico in cui agenti non addestrati apprendono una strategia attraverso penalità e ricompense del sistema dopo aver eseguito le azioni.
Applicazioni di intelligenza artificiale che soddisfano standard etici e morali definiti.
La branca dell'ingegneria e dell'intelligenza artificiale che si concentra sulla progettazione, costruzione e funzionamento dei robot.
L'uso dell'intelligenza artificiale per analizzare e interpretare le emozioni e le opinioni espresse nel testo o nel parlato.
Una rete elettrica che utilizza l'intelligenza artificiale e altre tecnologie avanzate per ottimizzare la generazione, la distribuzione e il consumo di elettricità.
L'hardware specializzato, come i dispositivi edge abilitati alle unità di elaborazione grafica (GPU) o alle unità di elaborazione del linguaggio (LPU), è una tendenza emergente nell'intelligenza artificiale industriale. Questi dispositivi forniscono una potenza di calcolo ad alte prestazioni all'edge, consentendo l'elaborazione in tempo reale degli algoritmi di intelligenza artificiale. La loro integrazione consente un'elaborazione parallela e prestazioni accelerate, con conseguente esecuzione più rapida di attività di intelligenza artificiale complesse. Questa elaborazione locale riduce la latenza e la dipendenza dalle risorse cloud, rendendola fondamentale per le applicazioni sensibili al fattore tempo. L'hardware specializzato supporta anche modelli di intelligenza artificiale avanzati, che portano a informazioni e prestazioni migliorate. Inoltre, riduce i costi riducendo al minimo la necessità di un'ampia infrastruttura cloud e di trasferimento dei dati.
La capacità delle macchine di riconoscere e interpretare il linguaggio umano.
Un metodo di apprendimento in cui i modelli di apprendimento automatico vengono addestrati con set di dati etichettati (noti) per prevedere un risultato.
Ottimizzazione del flusso di merci e materiali in una catena di fornitura per ridurre i costi e migliorare l'efficienza. L'intelligenza artificiale viene spesso utilizzata per l'automazione dei processi, il rilevamento delle inefficienze, il controllo della qualità delle merci e la previsione della domanda.
Dati artificiali generati da algoritmi anziché da eventi del mondo reale utilizzati per addestrare e convalidare modelli di Machine Learning. La qualità dei dati sintetici è fondamentale. Determina se l'IA produrrà risultati accettabili dopo l'allenamento.
Un metodo di apprendimento in cui i modelli di Machine Learning scoprono modelli e raggruppamenti in dati precedentemente sconosciuti (senza etichetta).
La realtà virtuale (VR) presenta un ambiente renderizzato digitalmente in grado di replicare uno spazio reale, creare una realtà alternativa o combinare le due cose. L'utente è in grado di esplorare lo spazio virtuale dai confini della casa, dell'ufficio o della fabbrica.
