Sfatare i miti relativi ad apprendimento automatico e intelligenza artificiale

maggio

06

10:30 – 12:00 CEST | 9:30 – 11:00 BST

Apprendimento automatico, intelligenza artificiale, Big Data, Industria 4.0

Termini che ormai compaiono ovunque: nei giornali, sulle riviste, in TV e nei podcast. Ma cosa significano?

Le definizioni variano a seconda di chi risponde e, in qualche caso, hanno dell'incredibile: l'intelligenza artificiale (IA) e il machine learning (ML) sarebbero “magia nera” che presto ci porterà via il lavoro. Ma è davvero così?

No. In molti casi si tratta semplicemente di termini innovativi per riferirsi a programmi, approcci e tecniche comprovati ma riadattati per sfruttare la maggiore disponibilità dei dati. Per esempio, l'apprendimento (supervisionato e non) che è alla base del ML si fonda su tecniche di modellazione statistica ben collaudate: regressione, classificazione e creazione di cluster.

Unisciti a noi per la presentazione e la tavola rotonda su questi argomenti. Troverai consigli e racconti su come iniziare a utilizzare le tecniche di ML o come integrarle in maniera efficace all'interno di programmi già esistenti per ottenere il massimo dai tuoi dati e ricavare maggior valore per la tua organizzazione.

Presentazione in programma

David Hand

David J. Hand

Ricercatore esperto e professore emerito di Matematica all'Imperial College di Londra

David Hand, PhD, è membro della British Academy, insignito della Guy Medal della Royal Statistical Society. Presidente della Royal Statistical Society per ben due mandati, è anche autore di The Improbability Principle e Dark Data.Nel 2013, è stato nominato Ufficiale dell'Ordine dell'Impero Britannico per i suoi servizi nel campo della ricerca e dell'innovazione.

Tavola rotonda

Costruire modelli utili con i dati è sempre stato fondamentale per le aziende che vogliono competere tramite l'innovazione. Grazie all'Industria 4.0, ai big data e alle iniziative di digitalizzazione, oggi si hanno a disposizione dati più complessi che mai. Ascolta le esperienze di organizzazioni all'avanguardia che risolvono problemi più velocemente e innovano in maniera più efficace, in una discussione con relatori che offrono punti di vista diversificati.

Cosa ti aspetta?

I dati generano confusione. Se l'obiettivo della modellizzazione è renderli più comprensibili invece di elaborare delle semplici predizioni, è importante sapere cosa questi dati possono rappresentare. Prima di poter costruire un modello utile, devi sapere come ripulire i dati, prepararli alle analisi e comunicare e condividere le tue scoperte per poi passare all'azione. Una buona padronanza delle tecniche di ML, quindi, è solo una delle competenze che servono per risolvere i problemi più velocemente e innovare con efficacia.

Al termine, saprai:

 
  • Com'è fatto il ciclo di vita di un modello empirico, dai dati all'implementazione.
  • Quali sono i diversi tipi di modelli empirici: struttura, vantaggi e svantaggi.
  • Quali sono le tecniche di ML più comuni e come si rapportano con i modelli empirici.
  • Quali sono le migliori prassi per costruire rapidamente modelli predittivi esplicativi.
  • Come avviare iniziative di apprendimento automatico o integrarle nei programmi esistenti.
  • Cosa automatizzare e cosa no.

Back to Top