OBIETTIVI FORMATIVI

L'insegnamento  illustra i concetti avanzati dell’analisi dei dati attraverso tecniche di Intelligenza Artificiale orientate alla modellistica di tipo predittivo e prescrittivo. Durante il corso si approfondiranno le normative internazionali alla base della cosiddetta "IA affidabile" e le principali tecniche per progettare e applicare algoritmi di apprendimento automatico che siano robusti, equi, preservino la privacy e il cui funzionamento può essere spiegato agli utenti finali. Il corso è arricchito dalla presentazione di diversi casi di studio in ambito industriale, gestionale ed economico.

OBIETTIVI FORMATIVI (DETTAGLIO) E RISULTATI DI APPRENDIMENTO

Comprensione dei concetti fondamentali e dei metodi avanzati per il progetto di sistemi basati su machine learning, la sicurezza dell’apprendimento automatico e dell’intelligenza artificiale e delle loro applicazioni al “pattern recognition”. Capacità di rispondere a domande aperte con libri chiusi, risolvere esercizi numerici, utilizzare librerie software open source per il progetto di sistemi basati su machine learning.

PREREQUISITI

Questo insegnamento è rivolto a studenti che abbiano già frequentato corsi di base (o abbiano una conoscenza di base/intermedia) di machine learning e intelligenza artificiale e abbiano una conoscenza di base/intermedia dei linguaggi di programmazione (in particolare il linguaggio Python).

MODALITA' DIDATTICHE

Lezioni frontali nelle quali il docente utilizzerà diapositive. Copie delle diapositive saranno fornite agli studenti. Laboratori con uso di librerie e piattaforme software per il progetto di sistemi di machine learning.

PROGRAMMA/CONTENUTO

1. Introduzione ai sistemi di machine learning: panoramica dei sistemi di machine learning; quando utilizzare l'apprendimento automatico nell'industria e nelle applicazioni commerciali.

2. Casi d'uso di Machine Learning: machine learning nella ricerca e nella produzione industriale; apprendimento automatico rispetto ai sistemi software tradizionali.

3. Progettazione di sistemi di apprendimento automatico: requisiti, ingegneria dei dati, feature engineering, training, labelling, data augmentation, model development ed evaluation, continual learning, monitoring e testing in production.

4. Sicurezza del Machine Learning: attacchi e difese per il machine learning

5. Explainable AI: metodi di spiegabilità. Metodi globali e locali. Metodi modello-specifici e modello-agnostici.

6. Equità e privacy del machine learning: equità, minacce e difese relative alla privacy.

7. Normativa IA: la legge europea IA. Linee guida etiche europee per un'IA affidabile. Regolamenti AI nel mondo.

8. Sessioni pratiche. Esercitazioni di laboratorio sulla progettazione di sistemi di machine learning.

TESTI/BIBLIOGRAFIA

• Chip Huyen, Designing Machine Learning Systems, O’Reilly, 2022
• A. Joseph, B. Nelson, B. Rubinstein, D. Tygar, Adversarial machine learning, Cambridge University Press, 2018