My Cookie Mix

Per ora c’è il nome: spazi di prova dell’intelligenza artificiale . E l’obiettivo: creare un collegamento tra chi sviluppa sistemi di AI e chi li usa , o la vuole usare, e valutare l'impatto di questi sistemi. A cominciare dal mondo dell’università e della ricerca da un lato, e quello delle imprese e degli enti pubblici dall'altro. Il resto è in fase di costruzione, dentro l’Agenzia per l’Italia digitale (Agid), l’ente preposto alla digitalizzazione della pubblica amministrazione, e che in tandem con l’Agenzia per la cybersicurezza nazionale (Acn), nei piani del governo, avrà la supervisione delle regole sull’AI. A menzionare questi spazi di prova è stato proprio il direttore di Agid, Mario Nobile, nel corso dell’AI Forum che l’Associazione italiana per l’intelligenza artificiale (Aixia) e The Innovation group hanno organizzato in Borsa italiana il 4 aprile. “Vogliamo avviare degli spazi di prova. Partendo dal lato della pubblica amministrazione, la nostra proiezione è di mont

Today, we are excited to introduce DBRX, an open, general-purpose LLM created by Databricks. Across a range of standard benchmarks, DBRX sets a new state-of-the-art for established open LLMs. Moreover, it provides the open community and enterprises building their own LLMs with capabilities that were previously limited to closed model APIs; according to our measurements, it surpasses GPT-3.5, and it is competitive with Gemini 1.0 Pro. It is an especially capable code model, surpassing specialized models like CodeLLaMA-70B on programming, in addition to its strength as a general-purpose LLM. ... The weights of the base model ( DBRX Base ) and the finetuned model ( DBRX Instruct ) are available on Hugging Face under an open license. Starting today, DBRX is available for Databricks customers to use via APIs, and Databricks customers can pretrain their own DBRX-class models from scratch or continue training on top of one of our checkpoints using the same tools and science we used to build i

Finalmente (anche se il video è di qualche anno fa) un'applicazione veramente utile dell'IA: migliorare la birra. :) Questa breve intervista tocca in realtà diversi punti interessanti: l'IA a supporto dell'innovazione di prodotto, i modelli di start-up in Europa e negli USA, cosa significa avviare (scusate il gioco di parole) una start-up. E qui sotto un intervento più recente:

Secondo Jensen Huang l’intelligenza artificiale generativa porterà via il posto agli sviluppatori e non servirà più studiare programmazione. Pensavamo fosse una sciocchezza, ma il primo AI Software Engineer ha fatto vacillare le nostre certezze. Leggi tutto:  https://www.dday.it/redazione/48796/devin-lai-software-engineer-che-da-ragione-al-ceo-di-nvidia-meglio-studiare-biologia-che-coding

In an era where global giants have been defined by data abundance, small businesses must embrace a strategic approach to data utilization, one that prioritizes intelligence and agility. By leveraging advanced analytics, artificial intelligence, and robust data management practices, businesses can extract actionable insights, fuel digital transformation, and enhance customer experiences. Leggi tutto:  https://techeconomy.ng/whats-the-worth-of-your-small-business-data/

"A me piace parlare di quella che chiamo intelligenza artificiale ‘noiosa’ – conclude Quintarelli -. L’AI è balzata agli onori della cronaca per capacità di generare testi, immagini, video eccetera. Ma non è l’unica AI che esiste. Se io penso alla ricerca nella produzione delle sementi, al lavoro nelle grandi piantagioni per la semina, alla raccolta dei pomodori, alla selezione dei pomodori di buona qualità o bassa qualità, alla logistica, al loro trasporto, alla determinazione del prezzo per metterlo sullo scaffale, fino alla persona che cerca la ricetta, so che dietro ci sono molti sistemi di intelligenza artificiale, quindi l’AI è già con noi ogni volta che mangiamo un pomodoro, solo che non la vediamo. Questa è l’AI noiosa che però è anche quella che produce effetti maggiormente significativi sulla bottom line delle aziende, quella che dovrebbe essere adottata di corsa. La parte dell’AI generativa è sì, interessante, ma sbaglia ancora molto, mentre questa parte dell’AI è già m

People often pick standard models like ARIMA (Auto Regressive Integrated Moving Average), Exponential Smoothing, and Seasonal Decomposition of Time Series (STL) for time series analysis. They’re good because they’re easy to understand, sturdy against data assumptions, and based on strong theory. This is why they’re top choices for future predictions. As machine learning advances, we see a big increase in their use for predicting time series data. Tools like bagging and boosting stand out because they show great ability to spot tricky patterns and unusual links in time series data. Their unique feature is learning directly from raw data. They can deal with massive amounts of data and make accurate guesses. The following article is an experimental study that uses both statistical forecasts and machine learning-based forecasts to predict the future for a practical use case. The study then proceeds to compare the forecasts based on certain accuracy metrics in order to judge if the mach

 Oggi è stata pubblicata la versione aggiornata del Piano Triennale per l'Informatica nella Pubblica Amministrazione, edizione 2024-2026. Il capitolo 5 è interamente si focalizza su "Dati e Intelligenza Artificiale", riconoscendo che: "La valorizzazione del patrimonio informativo pubblico è un obiettivo strategico per la Pubblica Amministrazione per affrontare efficacemente le nuove sfide dell’economia basata sui dati (data economy), supportare gli obiettivi definiti dalla Strategia europea in materia di dati, garantire la creazione di servizi digitali a valore aggiunto per cittadini, imprese e, in generale, per tutti i portatori di interesse e fornire ai vertici decisionali strumenti data-driven da utilizzare nei processi organizzativi e/o produttivi. La ingente quantità di dati prodotti dalla Pubblica Amministrazione, se caratterizzati da un’alta qualità, potrà costituire, inoltre, la base per una grande varietà di applicazioni come, per esempio, quelle riferite al

Rosaria Silipo, PhD, now VP of data science evangelism at KNIME, has spent 25+ years in applied AI, predictive analytics and machine learning at Siemens, Viseca, Nuance Communications, and private consulting. Sharing her practical experience in a broad range of industries and deployments, including IoT, customer intelligence, financial services, social media, and cybersecurity, Rosaria has authored 50+ technical publications, including her recent books: “Guide to Intelligent Data Science” (Springer) and “Codeless Deep Learning with KNIME” (Packt). Recently, in an exclusive interview with Digital First Magazine, Rosaria shared her professional trajectory, roles and responsibilities as Head of Data Science Evangelism at KNIME, insights on the future of data science, personal hobbies and interest, future plans, pearls of wisdom, and much more. The following excerpts are taken from the interview. Leggi tutto:  https://www.digitalfirstmagazine.com/driving-value-and-making-an-impact-with-da

In questa intervista Claire Bramley, CFO di Teradata, spiega come i dati e l'analisi predittiva possono supportare le decisioni strategiche, finanziarie e di assunzione del rischio in un'azienda: «Agility requires early indicators: we call them “trip wires.” It’s the information that allows you to say, “Hang on a minute. This isn’t progressing the way we anticipated. Is this a trend, or is it a one-time situation?” We continue to evolve our thinking and decision making based on the new data that we get every day.» Leggi tutto:  https://www.mckinsey.com/capabilities/strategy-and-corporate-finance/our-insights/data-analytics-and-decisions-an-interview-with-teradatas-cfo

Hai mai provato a descrivere la tua giornata usando i dati invece delle parole? È quello che hanno fatto due designer scrivendosi cartoline per un anno. Giorgia Lupi e Stefanie Posavec si sono conosciute anni fa a un festival di arte e hanno scoperto di avere una passione in comune: la raccolta delle informazioni. Vivono in due città diverse, ma hanno deciso di rimanere in contatto e diventare “amiche di penna”, cioè due persone che si scrivono regolarmente. Ma invece di descrivere le loro giornate a parole, hanno cominciato a disegnare le loro esperienze. Le loro cartoline sono diventate un importante progetto artistico contenuto nel libro Dear data, che significa “cari dati”. Leggi tutto:  https://www.internazionale.it/notizie/elizabeth-pagel-hogan/2024/01/24/passione-dati-dear-data Per approfondire il progetto:  https://www.dear-data.com/theproject

 In a new analysis, IMF staff examine the potential impact of AI on the global labor market. Many studies have predicted the likelihood that jobs will be replaced by AI. Yet we know that in many cases AI is likely to complement human work. The IMF analysis captures both these forces. The findings are striking: almost 40 percent of global employment is exposed to AI. Historically, automation and information technology have tended to affect routine tasks, but one of the things that sets AI apart is its ability to impact high-skilled jobs. As a result, advanced economies face greater risks from AI—but also more opportunities to leverage its benefits—compared with emerging market and developing economies. In advanced economies, about 60 percent of jobs may be impacted by AI. Roughly half the exposed jobs may benefit from AI integration, enhancing productivity. For the other half, AI applications may execute key tasks currently performed by humans, which could lower labor demand, leading to

L'Intelligenza Artificiale (IA) ha il potenziale per rimodellare l'economia globale, soprattutto nel campo del mercato del lavoro. Le economie avanzate sperimenteranno i benefici e le insidie dell'IA prima delle economie emergenti e in via di sviluppo, soprattutto a causa del loro modello occupazionale, basato su ruoli ad alta intensità cognitiva. Si possono individuare alcune costanti per quanto riguarda l'esposizione all'IA, con le donne e le persone con un'istruzione universitaria più esposte ma anche più pronte a raccogliere i benefici dell'IA, e i lavoratori più anziani potenzialmente meno capaci di adattarsi alla nuova tecnologia. La disuguaglianza del reddito da lavoro può aumentare se la complementarità tra l'IA e i lavoratori ad alto reddito è forte, mentre i rendimenti del capitale aumenteranno la disuguaglianza della ricchezza. Tuttavia, se gli aumenti di produttività saranno sufficientemente elevati, i livelli di reddito potrebbero aumentare

Despite huge investments in data science initiatives, 94% of organizations face a list of challenges that prevent them from developing and implementing the data science projects that are needed to improve operational efficiency. Top of the list is a lack of skilled talent. And here’s the thing: This lack won’t be filled simply by having more data scientists coming out of universities. The degree in data science proves a baseline qualification in that specific field, but a lot of organizations aren’t only looking for “pure” data scientists. To implement more data science projects, companies also need their existing workforce to gain data science skills. That’s because these people already have valuable on-the-job experience and business understanding that enables them to recognize when something in the data looks off. Leggi tutto:  https://www.knime.com/blog/can-i-get-into-data-science-with-no-experience Ci sono almeno un paio di punti interessanti in questo post: le competenze di data

Growth in the availability and variety of real-world data (RWD) is creating new opportunities for real-world evidence (RWE) at a pace not seen before. Nonhealth data, such as consumer credit-card spending, geospatial data, and web-harvested data (as used in an appropriate context and adhering to stringent privacy standards) also present new possibilities in RWE to gain a more holistic under­standing of patient behaviors and outcomes (see sidebar “Types and sources of real-world data). This wealth of data underpins the ability of life sciences companies to move ahead on a number of key issues, such as increasing patient centricity, accelerating the pace of scientific innovation, addressing rising development costs, and intensify­ing their focus on value. Using advanced analytics, opportunities exist to incorporate RWD along the pharma value chain—for example, to inform research decisions, support market access, sharpen product strategy, improve pharmacovigilance, and enable adherence. A

Uncover the transformative power of generative AI within the operations value chain—shaping C-suite discussions across industries. In this episode of McKinsey Talks Operations, host Christian Johnson sits down with senior partner Nicolai Müller and partner Marie El Hoyek from McKinsey’s Operations Practice. Together, they discuss the game-changing potential of generative AI. From automating complex processes to unprecedented opportunities across industries, discover insights on productivity boosts, system considerations, and the vital capabilities organizations need for successful integration. Their conversation has been edited for clarity. Leggi tutto:  https://www.mckinsey.com/capabilities/operations/our-insights/generative-ai-in-operations-capturing-the-value

A ottobre 2023* è stato creato il primo modello di intelligenza artificiale capace di generalizzazione sistematica, ovvero dotato dell'abilità "di capire e produrre nuove combinazioni (linguistiche, ndr) a partire da componenti note". Rispetto ai modelli consolidati di AI, come quelli alla base dei comuni chatbot come ChatGpt, questa nuova rete neurale artificiale – sviluppata dall' esperto di psicologia e data science Brenden M.Lake, della New York University, e dal linguista italiano Marco Baroni, che lavora all’Università Pompeu Fabra in Spagna – ha dimostrato una maggiore abilità nell'integrare le parole apprese nel suo vocabolario preesistente e nell'utilizzarle in contesti non familiari, come sanno fare fin da piccoli gli esseri umani. Leggi tutto l'articolo su Wired:  https://www.wired.it/article/intelligenza-artificiale-astrazione-umana-generalizzazione-sistematica/ Leggi l' abstract e scarica la ricerca da Nature:  https://rdcu.be/du2fj (*) I

«Gli Amministratori Delegati e i Consigli di Amministrazione riconoscono che la capacità della propria organizzazione di generare insight operativi dai dati, spesso in tempo reale, è di massima importanza strategica. Se ci fossero dubbi su questo punto, la corsa accelerata al digitale dei consumatori nell'anno di crisi appena trascorso li ha dissipati. Per aiutarle a diventare orientate ai dati, le aziende stanno sempre più implementando tecnologie avanzate basate su cloud, compresi strumenti analitici con capacità di apprendimento automatico (ML). Tuttavia, ciò che questi strumenti forniscono avrà un valore limitato senza dati abbondanti, di alta qualità e facilmente accessibili. In questo contesto, una gestione efficace dei dati è uno dei pilastri di un'organizzazione orientata ai dati. Ma gestire i dati in un'impresa è altamente complesso. Con l'introduzione di nuove tecnologie dei dati, il peso dei sistemi legacy e dei silos di dati cresce, a meno che non possano es

As we move into the next era of data-driven decision-making, the field of data visualization is poised for a transformative revolution. With the continuous influx of information and the ever-increasing complexity of data, traditional visualization methods need help to keep pace. Emerging technologies, such as artificial intelligence, machine learning, and augmented reality, are paving the way for a new generation of real time data visualization tools that will enhance our ability to understand complex data and revolutionize how we interact with it. In this article, we will explore the future of data visualization, highlighting key trends and predictions for 2024 and beyond. We will delve into the role of AI and ML in automating data analysis and generating insights, the rise of real-time data visualization, and the increasing adoption of immersive and interactive visualization techniques. We will also discuss the importance of data democratization and the need for tools that empower

In collaborazione con dei ricercatori dell'Università di Yale, Robust Intelligence ha sviluppato un metodo sistematico che utilizza modelli di AI "avversari" per scoprire i prompt in grado di aggirare le protezioni dei modelli linguistici di grandi dimensioni (Llm), tra cui GPT-4 di OpenAI, e indurli a comportarsi in modo scorretto. Mentre si consumava il dramma presso OpenAI, i ricercatori hanno avvertito la società della vulnerabilità, senza però ricevere risposta. "Questo dimostra che c'è un problema di sicurezza sistematico, che non viene affrontato e non viene preso in considerazione – spiega Yaron Singer, amministratore delegato di Robust Intelligence e professore di informatica all'Università di Harvard –. Quello che abbiamo scoperto è un approccio sistematico per attaccare qualsiasi modello linguistico di grandi dimensioni" . Leggi tutto:  https://www.wired.it/article/chatgpt-craccato-intelligenza-artificiale-robust-intelligence/ In inglese: