Intelligenza Artificiale
L'intelligenza artificiale, o semplicemente IA, potrebbe essere definita come una tecnologia che consente alle macchine di simulare l'apprendimento, la comprensione, la risoluzione dei problemi, il processo decisionale, la creatività e l'autonomia degli esseri umani.
Al di là di questa introduzione, non esiste una definizione univoca e semplice di intelligenza artificiale, poiché gli strumenti di intelligenza artificiale sono in grado di eseguire attività in circostanze variabili e imprevedibili senza una significativa supervisione umana e possono imparare dall'esperienza e migliorare le prestazioni quando esposti a set di dati.
LogicalDOC contiene un motore a scopo generico di intelligenza artificiale con il quale è possibile risolvere anche problematiche non strettamente legate alla gestione documentale, ma con il vantaggio di poter sfruttare tutte le potenzialità di un Sistema di gestione dei documenti per gestire grandi volumi di dati necessari alla formazione.
Modelli
I modelli di intelligenza artificiale sono programmi che implementano un algoritmo progettato per risolvere un problema nello stesso modo in cui farebbe un cervello umano; è possibile considerarli anche come cervelli artificiali che consentono ai sistemi di apprendere dai dati e di eseguire attività come analisi, previsioni e generazione di contenuti.
Al momento della stesura di questo documento, LogicalDOC supporta questo set di modelli:
- Rete neurale: utile per predire la categoria o la natura di un oggetto sulla base dei dati di input.
- Classificatore: utilizza l'elaborazione del linguaggio naturale (NLP) per catalogare un testo scritto in modo naturale.
- Rilevatore di token: utilizza l'elaborazione del linguaggio naturale (NLP) per estrarre token da un testo scritto in modo naturale.
Campionatori
I modelli non possono fare nulla senza essere stati addestrati: come i bambini, devono imparare dall'esperienza per "capire" come risolvere un dato problema.
Nell'intelligenza artificiale, questa esperienza si costruisce attraverso un processo chiamato addestramento, che sostanzialmente presenta al modello un enorme set di dati di esempi. La dimensione e la qualità del set di dati influiscono sulla capacità del modello di identificare pattern nei dati e quindi di comprendere il problema.
I campionatori sono quegli oggetti responsabili del recupero dei dati utilizzati nell'addestramento dei modelli.