Termini AI essenziali: ricorrenza opaca e altri concetti importanti per comprendere l’intelligenza artificiale.
Anche se in parte un termine multivalente, il calcolo si riferisce generalmente alla potenza computazionale vitale che consente ai modelli di IA di operare. Questo tipo di elaborazione alimenta l’industria dell’IA, conferendole la capacità di addestrare e dispiegare i suoi potenti modelli. Il termine è spesso una forma abbreviata dei tipi di hardware che forniscono la potenza computazionale – come GPU, CPU, TPU e altre forme di infrastruttura che costituiscono la base dell’industria moderna dell’IA.
Un sottoinsieme di apprendimento automatico che si auto-migliora in cui gli algoritmi di IA sono progettati con una struttura multi-strato di reti neurali artificiali (ANN). Ciò consente loro di stabilire correlazioni più complesse rispetto a sistemi di apprendimento automatico più semplici, come modelli lineari o alberi decisionali. La struttura degli algoritmi di apprendimento profondo trae ispirazione dai percorsi interconnessi dei neuroni nel cervello umano.
I modelli di intelligenza artificiale di apprendimento profondo sono in grado di identificare caratteristiche importanti nei dati da soli, anziché richiedere agli ingegneri umani di definire tali caratteristiche. La struttura supporta anche algoritmi in grado di imparare dagli errori e, attraverso un processo di ripetizione e aggiustamenti, migliorare le proprie uscite. Tuttavia, i sistemi di apprendimento profondo richiedono molti punti dati per fornire buoni risultati (milioni o più). Di solito richiedono anche più tempo per essere addestrati rispetto agli algoritmi di apprendimento automatico più semplici – quindi i costi di sviluppo tendono ad essere maggiori.
