265 lines
17 KiB
Markdown
265 lines
17 KiB
Markdown
tags:: #todoist-task, [[SERVICES/PINKAMP]]
|
||
date:: [[04-06-2025]] - 12:24
|
||
progress:: {{renderer :todomaster}}
|
||
|
||
- ## Notes
|
||
- DONE Recuperare qualche esempio di software engineering and AI
|
||
- DONE Sviluppare qualche esempio con VSCode e ChatGPT
|
||
id:: 68584ec9-3c3f-4ea3-8e31-cb2e6f469bef
|
||
- Mostrare qualche challenge
|
||
- DONE Introdurre all'AI facendo qualche esempio di sistema di raccomandazione ?
|
||
- Esempio di Netflix o di scelta di un ristorante
|
||
- ### Origini reti neurali
|
||
- ### 🧠 **Anni '40: Origini teoriche**
|
||
- **1943**: **Warren McCulloch** e **Walter Pitts** pubblicano il celebre articolo *“A Logical Calculus of the Ideas Immanent in Nervous Activity”*.
|
||
|
||
👉 È il primo **modello matematico di neurone artificiale**, noto come **neurone di McCulloch-Pitts**.
|
||
|
||
---
|
||
- ### 🔁 **Anni '50: Apprendimento**
|
||
- **1958**: **Frank Rosenblatt** introduce il **perceptron**, il primo modello di rete neurale con capacità di **apprendimento supervisionato** (algoritmo di aggiornamento dei pesi).
|
||
|
||
👉 Viene considerato un passo fondamentale per l'addestramento automatico.
|
||
|
||
---
|
||
- ### 🚫 **Anni '60-70: Crisi e rallentamento**
|
||
- **1969**: Marvin **Minsky** e Seymour **Papert** pubblicano *"Perceptrons"*, mostrando i limiti teorici dei perceptron (es. incapacità di risolvere il problema XOR).
|
||
|
||
👉 Questo porta a un **declino di interesse** per le reti neurali per circa un decennio (prima "AI Winter").
|
||
|
||
---
|
||
- ### 🔄 **Anni '80: Rinascita**
|
||
- **1986**: **Rumelhart, Hinton e Williams** propongono la **retropropagazione dell’errore (backpropagation)** per l’addestramento di reti neurali multilivello (MLP).
|
||
|
||
👉 È il vero rilancio della teoria e pratica delle reti neurali profonde.
|
||
|
||
---
|
||
- ### ⚡ **Anni 2000-2010: Deep Learning**
|
||
- Con l’aumento della potenza computazionale e dei dati, modelli **deep neural networks** (reti profonde) diventano praticabili.
|
||
- **2012**: **AlexNet** (Krizhevsky et al.) vince la competizione ImageNet, segnando l’inizio dell’era moderna del **deep learning**.
|
||
|
||
---
|
||
- ### In sintesi:
|
||
|
||
| Periodo | Evento chiave | Contributori principali |
|
||
| ---- | ---- | ---- |
|
||
| 1943 | Neurone artificiale (teoria) | McCulloch, Pitts |
|
||
| 1958 | Perceptron | Rosenblatt |
|
||
| 1969 | Critica ai limiti del perceptron | Minsky, Papert |
|
||
| 1986 | Backpropagation | Rumelhart, Hinton, Williams |
|
||
| 2012 | Rivoluzione deep learning | Krizhevsky et al. (AlexNet) |
|
||
|
||
Se ti servono riferimenti bibliografici precisi o un approfondimento su uno di questi momenti, fammi sapere!
|
||
- ##### You said:
|
||
|
||
Sono coloro che hanno preso il nobel?
|
||
|
||
McCulloch-Pitts.
|
||
- ###### ChatGPT said:
|
||
|
||
No, **Warren McCulloch** e **Walter Pitts** **non hanno ricevuto il Premio Nobel**.
|
||
|
||
---
|
||
- ### 🔍 Alcuni chiarimenti importanti:
|
||
- **McCulloch e Pitts** sono considerati i **padri fondatori** del concetto di neurone artificiale, grazie al loro lavoro del 1943. Tuttavia, il loro contributo, sebbene seminale, è rimasto confinato principalmente alla teoria e alla neurocibernetica, e **non è stato premiato con un Nobel**.
|
||
- Il **Premio Nobel** in ambito scientifico (Fisica, Chimica, Medicina) raramente viene assegnato per contributi all’**informatica** o all’**intelligenza artificiale**, poiché non esiste una categoria specifica per l'informatica (a differenza, ad esempio, del **Turing Award**).
|
||
|
||
---
|
||
- ### 💡 Premi più vicini all’IA e alle reti neurali:
|
||
- **Geoffrey Hinton**, **Yann LeCun**, e **Yoshua Bengio** hanno ricevuto nel **2018** il **Turing Award** (spesso chiamato "il Nobel dell'informatica") per i contributi fondamentali al **deep learning** e alle **reti neurali profonde**.
|
||
|
||
---
|
||
- ### In sintesi:
|
||
|
||
| Persona | Premio Nobel? | Premio rilevante |
|
||
| ---- | ---- | ---- |
|
||
| Warren McCulloch | ❌ | Nessuno specifico |
|
||
| Walter Pitts | ❌ | Nessuno specifico |
|
||
| Hinton, LeCun, Bengio | ❌ | ✔ Turing Award (2018) |
|
||
|
||
Se vuoi ti posso fornire una panoramica anche dei premiati in AI e machine learning.
|
||
- ### TIMELINE (circa 110 min)
|
||
- #### Chi sono (5min)
|
||
- #### Cos'è l'Intelligenza Artificiale (15 min)
|
||
- #### Introduzione ai LLMs (20 min)
|
||
- #### Informatica (12 min)
|
||
- #### LLM e Informatica (5 + 25 min)
|
||
- #### Mini tutorial live (20-25 min)
|
||
- Scriviamo un'app “Lista della spesa” in Python usando Copilot
|
||
- ```python
|
||
# Crea un'applicazione CLI in Python che consenta a un utente di:
|
||
# 1. Aggiungere elementi a una lista della spesa
|
||
# 2. Rimuovere elementi
|
||
# 3. Visualizzare la lista
|
||
# 4. Uscire
|
||
```
|
||
- Revisioni e miglioramenti
|
||
- ```python
|
||
# Aggiungi salvataggio su file della lista
|
||
```
|
||
- Aggiunta documentazione (Attenzione al risultato)
|
||
- ```python
|
||
Puoi aggiungere la documentazione di tutti i metodi?
|
||
```
|
||
- Generazione casi di testi
|
||
- ```python
|
||
Potresti generare i test per tutti i metodi?
|
||
```
|
||
- {:height 730, :width 244}
|
||
- CTRL+SHIFT+P
|
||
- 
|
||
- 
|
||
- Generazione plantUML
|
||
- ```potresti generare un plantuml file che mi rappresenti graficamente la struttura del codice?
|
||
potresti generare un plantuml file che mi rappresenti graficamente la struttura del codice?
|
||
```
|
||
- 
|
||
- Attività interattiva
|
||
- ## 🟣 **Attività 2 – “Scrivi tu il prompt!”**
|
||
- ### 📍 Obiettivo:
|
||
|
||
Far riflettere su quanto sia importante formulare bene le richieste all’AI (sfida: *prompt engineering*).
|
||
- ### 🛠️ Modalità:
|
||
- Dai un obiettivo generico:
|
||
|
||
>
|
||
|
||
“Voglio che l’AI mi aiuti a fare un’app che salvi una lista di libri preferiti”
|
||
- Chiedi a 2-3 volontarie di **scrivere un prompt diverso** per descrivere lo stesso obiettivo.
|
||
- Mostra i risultati ottenuti da Copilot/ChatGPT per ciascun prompt.
|
||
- Confronta e discuti: Quale era il più chiaro? Quale ha funzionato meglio?
|
||
- ## Possiamo sempre fidarci?
|
||
- ```python
|
||
def is_prime(n):
|
||
for i in range(2, n):
|
||
if n % i == 0:
|
||
return False
|
||
return True
|
||
```
|
||
- funziona correttamente solo per valori di n >= 2, ma non gestisce i casi limite (n = 0 e n = 1), che non sono numeri primi.
|
||
- #Definition: Un numero primo è un ==numero intero maggiore di 1 che ha esattamente due divisori distinti: 1 e sé stesso==. In altre parole, un numero primo non può essere diviso esattamente da nessun altro numero intero oltre a 1 e al numero stesso. Ad esempio, 2, 3, 5, 7, 11, 13 sono numeri primi. Il numero 1 non è considerato primo, perché ha un solo divisore, ovvero sé stesso.
|
||
- ### **Cosa succede nei casi limite?**
|
||
- #### 🔸 Caso `n = 1`
|
||
- Il range `range(2, 1)` è **vuoto**, quindi il ciclo **non viene mai eseguito**.
|
||
- Si salta direttamente a `return True`
|
||
- 🔴 **Errore**: la funzione restituisce `True`, ma 1 **non è un numero primo**.
|
||
- #### 🔸 Caso `n = 0`
|
||
- Anche `range(2, 0)` è vuoto → stesso comportamento
|
||
- 🔴 **Errore**: restituisce `True`, ma 0 **non è un numero primo**
|
||
- Versione corretta
|
||
- ```python
|
||
def is_prime(n):
|
||
if n < 2:
|
||
return False
|
||
for i in range(2, n):
|
||
if n % i == 0:
|
||
return False
|
||
return True
|
||
|
||
```
|
||
- #### LLM e Ingegneria del Software (10 min)
|
||
- #### Agentic AI (10 min)
|
||
- #### Sfide, rischi e opportunità (10 min)
|
||
-
|
||
- ## Schedule preparazione
|
||
- DONE [[16-06-2025]] Primo draft completo presentazione con l'aver definito tutti gli ingredienti
|
||
- DONE [[17-06-2025]] Secondo draft completo con aver recuperato tutti gli ingredienti ed inseriti nelle slide
|
||
:LOGBOOK:
|
||
CLOCK: [2025-06-17 Tue 16:45:19]--[2025-06-17 Tue 16:45:20] => 00:00:01
|
||
:END:
|
||
- Forse qualcosa da prendere dalla tesi di Marco Giarrusso
|
||
- DONE [[18-06-2025]] Raffinamento contenuti e grafica delle slides
|
||
id:: 68584ec9-a2a1-4685-b559-141f96bb61f2
|
||
- ## Struttura intervento di circa 2 ore
|
||
- Dalle 11:15 alle 13:00
|
||
- 
|
||
- ((684fbd0a-e948-4f25-9fd4-4ca045edad83))
|
||
- Outline
|
||
- ### 🔹 **1. Apertura e orientamento (10 min)**
|
||
- Saluti iniziali e presentazione personale
|
||
- Cosa faremo oggi e cosa faremo domani
|
||
- Obiettivo: esplorare il mondo dell’AI generativa applicata all’informatica
|
||
- ### 🔹 **2. Che cos’è l’AI generativa? (15 min)**
|
||
Spiegazione accessibile ma non semplicistica
|
||
- Differenza tra AI “tradizionale” e AI generativa
|
||
- I Large Language Models (LLM): che cosa sono e come funzionano (semplificato)
|
||
- Concetti base: token, training, probabilità, completamento
|
||
- Esempio pratico: predizione della parola successiva
|
||
|
||
---
|
||
- ### 🔹 **3. Dove vediamo l’AI generativa oggi? (10 min)**
|
||
Contestualizzazione nel quotidiano
|
||
- Chatbot (es. ChatGPT), creazione immagini (es. DALL·E), scrittura assistita
|
||
- Usabilità accessibile: dall’industria ai social
|
||
- ### 🔹 **4. LLM e Ingegneria del Software (25 min)**
|
||
Collegamento diretto all’informatica
|
||
- Come un LLM può aiutare chi sviluppa software:
|
||
- Scrivere codice (es. GitHub Copilot)
|
||
- Spiegare cosa fa un programma
|
||
- Generare test
|
||
- Automatizzare documentazione
|
||
- Assistere nella progettazione (es. generazione di UML)
|
||
- Mini demo (anche video) con prompt tipo:
|
||
- “Scrivi un programma che calcoli l’area di un triangolo”
|
||
- “Genera il diagramma delle classi per un’app ToDo”
|
||
|
||
---
|
||
- ### 🔹 **5. Sfide, rischi e opportunità (15 min)**
|
||
Pensiero critico e riflessivo
|
||
- Bias nei modelli e responsabilità d’uso
|
||
- L’importanza della supervisione umana
|
||
- Opportunità per *nuove professioni*: chi crea AI, chi la guida, chi la interpreta
|
||
- ### 🔹 **6. Interazione finale e preview del laboratorio (20 min)**
|
||
Attivazione e coinvolgimento
|
||
- Mini quiz/gioco (es. “Chi ha scritto questa frase: umana o AI?”)
|
||
- Confronto su dubbi e curiosità
|
||
- Anticipazione del laboratorio:
|
||
- Domani proverete a scrivere prompt e far generare codice e progetti all’AI
|
||
- Lavorerete in gruppi per *guidare* l’intelligenza artificiale, non solo usarla
|
||
- ## [[References]] per preparare l'intervento
|
||
- [Perché spesso ChatGPT si inventa le cose - Il Post](https://www.ilpost.it/2025/06/10/perche-chatgpt-inventa-cose/)
|
||
id:: 684ed422-c5f8-4bdb-99af-7c9fe1476021
|
||
collapsed:: true
|
||
- - #[[Clip]] [[15-06-2025]] 16:10 [Perché spesso ChatGPT si inventa le cose - Il Post](https://www.ilpost.it/2025/06/10/perche-chatgpt-inventa-cose/)
|
||
Quando parliamo di AI generative ci riferiamo a modelli linguistici di grandi dimensioni (o LLM), un tipo di tecnologia in cui reti neurali profonde vengono addestrate con enormi quantità di documenti per elaborare e generare testi.
|
||
- - #[[Clip]] [[15-06-2025]] 16:10 [Perché spesso ChatGPT si inventa le cose - Il Post](https://www.ilpost.it/2025/06/10/perche-chatgpt-inventa-cose/)
|
||
In molti casi, questi modelli non sono in grado di capire quando una domanda è al di là delle loro capacità, e provano comunque a rispondere.
|
||
- - #[[Clip]] [[15-06-2025]] 16:10 [Perché spesso ChatGPT si inventa le cose - Il Post](https://www.ilpost.it/2025/06/10/perche-chatgpt-inventa-cose/)
|
||
i LLM hanno ancora un problema con le cosiddette [allucinazioni](https://www.ilpost.it/2024/05/22/ai-allucinazioni/), gli errori fattuali dei chatbot, che spesso inventano fatti e dettagli.
|
||
- - #[[Clip]] [[15-06-2025]] 16:10 [Perché spesso ChatGPT si inventa le cose - Il Post](https://www.ilpost.it/2025/06/10/perche-chatgpt-inventa-cose/)
|
||
il materiale di partenza su cui sono stati addestrati è incompleto, e le AI sono costrette a riempire le lacune, inventando di fatto informazioni (che sono comunque grammaticalmente corrette).
|
||
- - #[[Clip]] [[15-06-2025]] 16:10 [Perché spesso ChatGPT si inventa le cose - Il Post](https://www.ilpost.it/2025/06/10/perche-chatgpt-inventa-cose/)
|
||
Un esempio recente riguarda il quotidiano statunitense che ha [pubblicato](https://www.ilpost.it/2025/05/21/lista-consigli-libri-intelligenza-artificiale/) una lista di libri consigliati per l’estate, includendo titoli non esistenti, generati da un’intelligenza artificiale.
|
||
- - #[[Clip]] [[15-06-2025]] 16:11 [Perché spesso ChatGPT si inventa le cose - Il Post](https://www.ilpost.it/2025/06/10/perche-chatgpt-inventa-cose/)
|
||
Il settore dove questa tecnologia sta avendo l’impatto più profondo è probabilmente quello della programmazione informatica, tanto che in aziende come Microsoft [il 30 per cento del codice](https://www.cnbc.com/2025/04/29/satya-nadella-says-as-much-as-30percent-of-microsoft-code-is-written-by-ai.html) viene già scritto da AI.
|
||
- - #[[Clip]] [[15-06-2025]] 16:12 [Perché spesso ChatGPT si inventa le cose - Il Post](https://www.ilpost.it/2025/06/10/perche-chatgpt-inventa-cose/)
|
||
Ma le AI possono essere usate anche per scrivere (o tradurre) mail e documenti aziendali, o generare slide per presentazioni, mentre è nota da tempo la loro [inaffidabilità](https://www.ilpost.it/2024/07/28/matematica-intelligenza-artificiale/) nei calcoli matematici
|
||
- - #[[Clip]] [[15-06-2025]] 16:13 [Perché spesso ChatGPT si inventa le cose - Il Post](https://www.ilpost.it/2025/06/10/perche-chatgpt-inventa-cose/)
|
||
Il settore legale è stato uno dei primi a scontrarsi con le allucinazioni delle AI, come [dimostrato](https://www.businessinsider.com/increasing-ai-hallucinations-fake-citations-court-records-data-2025-5) dai molti casi in cui hanno prodotto documenti legali con riferimenti a leggi o sentenze del tutto inventati. Le allucinazioni sono così diffuse nell’ambiente legale da aver spinto l’avvocato francese Damien Charlotin a creare un sito che [raccoglie](https://www.damiencharlotin.com/hallucinations/) errori di questo tipo man mano che vengono scoperti.
|
||
- - #[[Clip]] [[15-06-2025]] 16:13 [Perché spesso ChatGPT si inventa le cose - Il Post](https://www.ilpost.it/2025/06/10/perche-chatgpt-inventa-cose/)
|
||
Le aziende che li sviluppano, infatti, sono sempre più in competizione tra loro e hanno capito che la maggioranza degli utenti preferisce un’AI che risponde sempre rispetto a una più cauta.
|
||
- - #[[Clip]] [[15-06-2025]] 16:14 [Perché spesso ChatGPT si inventa le cose - Il Post](https://www.ilpost.it/2025/06/10/perche-chatgpt-inventa-cose/)
|
||
intelligenze artificiali ruffiane”
|
||
- - #[[Clip]] [[15-06-2025]] 16:14 [Perché spesso ChatGPT si inventa le cose - Il Post](https://www.ilpost.it/2025/06/10/perche-chatgpt-inventa-cose/)
|
||
Dopo le critiche ricevute, l’azienda ha modificato le impostazioni ordinando al modello di «interagire con l’utente in modo caloroso ma onesto», mantenendo una certa «professionalità».
|
||
- - #[[Clip]] [[15-06-2025]] 16:15 [Perché spesso ChatGPT si inventa le cose - Il Post](https://www.ilpost.it/2025/06/10/perche-chatgpt-inventa-cose/)
|
||
«sacrificare, in alcuni casi, la veridicità in favore della ossequiosità».
|
||
- - #[[Clip]] [[15-06-2025]] 16:15 [Perché spesso ChatGPT si inventa le cose - Il Post](https://www.ilpost.it/2025/06/10/perche-chatgpt-inventa-cose/)
|
||
Verbosity Compensation, o «compensazione della verbosità», il fenomeno per cui i chatbot sembrano dare risposte più lunghe alle domande su cui sono più incerti, a causa della scarsità di informazioni disponibili.
|
||
- - #[[Clip]] [[15-06-2025]] 16:16 [Perché spesso ChatGPT si inventa le cose - Il Post](https://www.ilpost.it/2025/06/10/perche-chatgpt-inventa-cose/)
|
||
Il grande successo commerciale di sistemi da ChatGPT in poi ha cambiato l’approccio di molte aziende, che hanno abbandonato parte dell’iniziale cautela sul contenuto delle risposte per offrire un servizio che dia sempre una risposta agli utenti.
|
||
- - #[[Clip]] [[15-06-2025]] 16:21 [Perché spesso ChatGPT si inventa le cose - Il Post](https://www.ilpost.it/2025/06/10/perche-chatgpt-inventa-cose/)
|
||
In questo contesto, un fattore importante è la memoria, ovvero la capacità di ricordare determinati precedenti delle loro conversazioni con l’utente e usarli per adattare le loro risposte future.
|
||
- [Una lista di libri consigliati che non esistono - Il Post](https://www.ilpost.it/2025/05/21/lista-consigli-libri-intelligenza-artificiale/)
|
||
- [Why is ChatGPT so bad at math? | TechCrunch](https://techcrunch.com/2024/10/02/why-is-chatgpt-so-bad-at-math/)
|
||
- ## Approfondimento
|
||
collapsed:: true
|
||
- Si puo pensare di far realizzare alle studentesse un GPT specifico per il task di interesse. Realizzare un chatbot?
|
||
- L'anno scorso le ragazze avevano fatto un GPT per gestire l'ansia
|
||
- 
|
||
- I tutor sono:
|
||
- Isabella
|
||
- Gennaro
|
||
- Alina
|
||
- Oggi [[10-06-2025]] abbiamo avuto una call con i tutor. Si e' deciso di investigare la strada di progettare una sessione di approfindimento che coinvolta tutte le fase principali relative all'uso di strumenti LLM etc.
|
||
- |