My Cookie Mix

F. Consulich, M. Maugeri, C. Milia, T.N. Poli, G. Trovatore Quaderno giuridico n. 29 - maggio 2023 Il testo affronta la distinzione tra sistemi di AI deboli e forti nel contesto del mercato finanziario. I sistemi di AI deboli dipendono dalle istruzioni prestabilite di produttori, programmatori o utenti, mentre i sistemi di AI forti sono dotati di capacità di auto-apprendimento e producono output autonomi e imprevedibili rispetto agli input iniziali. La diffusione di queste tecnologie nel mercato finanziario pone interrogativi sulla tenuta del quadro normativo e sull'imputazione degli illeciti finanziari compiuti con l'aiuto di questi sistemi, in particolare per i sistemi di AI forti, che richiedono criteri di imputazione della responsabilità innovativi. Inoltre, i sistemi di AI forti sembrano incrinare l'applicazione del principio di neutralità tecnologica nella regolamentazione del settore finanziario. Il testo propone tre possibili soluzioni per reprimere le condotte

Negli anni cinquanta i computer sono bestioni molto più ingombranti che intelligenti. Eppure, già allora il matematico inglese Alan Turing, parlando in un programma radiofonico della Bbc, propone la visione di un futuro in cui computer intelligenti superano “le nostre deboli forze” e prendono il controllo. Sembra null’altro che la suggestione distopica di una mente visionaria, anche perché, nei decenni successivi (di tutto ciò racconta un precedente articolo di questa serie), le prestazioni dei computer migliorano sì, ma lentamente e in ambiti ristretti, i finanziamenti sono ridotti e la maggior parte dei centri di ricerca si occupa d’altro. Poi, nel 2012 succede qualcosa che cambia tutto il resto: con il deep learning basato su grandi reti neurali artificiali, rapidissimamente i computer diventano capaci non più solo di eseguire, ma anche di imparare. E diventano capaci perfino di imparare da soli: cioè senza supervisione umana. Leggi tutto:  https://www.internazionale.it/opinione/an

American painter John Singer Sargent intended this advice for artists working in traditional media like wood, paint, or charcoal. It also applies to data visualization practitioners. After all, we too are artists, simply working in a slightly different medium—information. Whenever I’m unsure of how to display my data, I start sketching to generate ideas and gain clarity. I sit at my whiteboard or grab my tablet and draw a handful of charts that could work for my dataset—allowing myself to be curious and free from the constraints of my graphing tool. Read more:  https://www.storytellingwithdata.com/blog/unsure-of-how-to-graph-data-sketch-it

In the dynamic world of soccer, success hinges on a myriad of factors – talent, tactics, team spirit, and, increasingly, data. Welcome to the era of 'Soccer Analytics: How Data is Changing the Game.' The fusion of soccer and data analytics is revolutionizing the sport, providing profound insights into player performance, team strategies, and talent scouting. In this era, where every kick, pass, and run is meticulously analyzed, data is the unseen game-changer, the 12th player on the pitch, silently influencing decisions that impact the outcome of the game. The advent of data analytics in soccer marks a paradigm shift from traditional decision-making based on intuition and observation to an evidence-based approach grounded in statistical analysis. From the physical data detailing a player's speed and distance covered, to the technical data illuminating pass accuracy and shot efficiency, to the tactical data revealing player positions and heat maps, the power of data is now

Bring Sydney Back was created by Cristiano Giardina, an entrepreneur who has been experimenting with ways to make generative AI tools do unexpected things. The site puts Sydney inside Microsoft’s Edge browser and demonstrates how generative AI systems can be manipulated by external inputs. [...] Giardina created the replica of Sydney using an indirect prompt-injection attack. This involved feeding the AI system data from an outside source to make it behave in ways its creators didn’t intend. A number of examples of indirect prompt-injection attacks have centered on large language models (LLMs) in recent weeks, including OpenAI’s ChatGPT and Microsoft’s Bing chat system. Read more:  https://www.wired.co.uk/article/chatgpt-prompt-injection-attack-security

Come gestire quindi una nuova modalità di profilazione degli utenti in un ambiente destinato a diventare “cookieless”? Il tema è affrontato nello studio BCG “It’s time to start your AI-led Data Driven Transformation”, che invoca una trasformazione necessaria e urgente per le aziende orientate ad una profonda conoscenza dei consumatori di riferimento. Una personalizzazione efficace avviene attualmente attraverso un monitoraggio costante del consumatore, da un lato attraverso i cookie per i siti web e dall’altro attraverso il mobile advertising identifier (MAID), l’identificativo univoco del dispositivo. La crescente attenzione verso la privacy degli utenti è tuttavia un tema sempre più importante per organizzazioni e istituzioni, e le limitazioni nel tracciamento dell’utente comporteranno una minore visibilità delle preferenze del cliente. Il nuovo orientamento determinerà quindi una minore capacità di personalizzare esperienza, comunicazione e prodotto, con una perdita stimata, per le

Nelle ultime settimane Google ha lanciato strumenti di intelligenza artificiale (Ai) generativa in grado di riassumere i risultati delle ricerche online degli utenti, aiutarli a scrivere saggi e sostituire il cielo nuvoloso con il sole nelle foto di famiglia. Adesso la società vuole dimostrare le potenzialità di strumenti simili anche per la sua attività principale, la vendita di annunci pubblicitari. I nuovi sistemi di Ai generativa di Google rivolti agli inserzionisti saranno capaci ci comporre al volo testi che si abbinano alle ricerche un utente e di creare immagini di prodotti per far risparmiare alle aziende tempo e denaro. Queste funzioni si aggiungono alla schiera di generatori di testo e immagini basati sull'intelligenza artificiale introdotti negli ultimi mesi, da quando cioè le capacità di ChatGpt e Dall-E hanno generato grande entusiasmo in tutto il mondo... Leggi tutto:  https://www.wired.it/article/google-nuove-funzioni-intelligenza-artificiale-pubblicita/

Ho chiesto a ChatGPT di consigliarmi un libro introduttivo all'argomento dell'impiego dell'intelligenza artificiale nell'analisi di borsa, e questa è stata la sua scelta: " Algorithmic Trading: Winning Strategies and Their Rationale " di Ernie Chan , un testo che fornisce una guida pratica sull'utilizzo di algoritmi e tecniche di intelligenza artificiale nell'analisi e nel trading finanziario. Copre argomenti come la modellizzazione statistica, la creazione di strategie di trading, la gestione del rischio e l'ottimizzazione dei portafogli. Sebbene non sia specificamente focalizzato sull'analisi di borsa, fornisce una buona introduzione all'applicazione dell'intelligenza artificiale nel trading finanziario. Tieni presente - ha aggiunto - che l'analisi di borsa è un campo complesso e richiede una conoscenza approfondita di finanza, matematica, statistica e programmazione. Pertanto, oltre a questo libro, potrebbe essere utile studiare

Ecco alcune piattaforme, scelte da ChatGPT, che ti offriranno l'opportunità di partecipare a competizioni di machine learning stimolanti, confrontarti con altri data scientist e affinare le tue competenze: Kaggle ( www.kaggle.com ) è una delle piattaforme più famose per competizioni di machine learning. Offre una vasta gamma di competizioni con premi in denaro, dataset interessanti e un ambiente di sviluppo con strumenti integrati come notebook Jupyter. DrivenData ( www.drivendata.org ) è una piattaforma che mette in contatto scienziati dei dati con problemi socialmente rilevanti. Le competizioni su DrivenData spaziano da problemi di salute pubblica a sostenibilità e forniscono un modo per applicare le tue competenze di machine learning per scopi benefici. CrowdAI ( www.crowdai.org ) è una piattaforma per competizioni di machine learning organizzate da vari partner. Le competizioni su CrowdAI coprono una vasta gamma di argomenti, tra cui visione artificiale, elaborazione del lin

Questo è l'elenco di libri in italiano consigliati da ChatGPT  per approfondire l'argomento del machine learning : Apprendimento automatico , di Roberto Battiti e Mauro Brunato , fornisce una panoramica completa dell'apprendimento automatico, coprendo i principi fondamentali, gli algoritmi più comuni e le loro applicazioni. È un testo adatto sia a studenti che a professionisti. Introduzione all'apprendimento automatico , di Ethem Alpaydin , offre un'introduzione chiara e accessibile all'apprendimento automatico. Copre i concetti di base, gli algoritmi principali e le applicazioni, con numerosi esempi e spiegazioni dettagliate. Machine Learning con Python , di Sebastian Raschka e Vahid Mirjalili , guida i lettori attraverso il processo di apprendimento automatico utilizzando il linguaggio di programmazione Python. Copre diversi argomenti, dalle basi dell'apprendimento automatico all'utilizzo di librerie come scikit-learn e TensorFlow. Deep

Ho chiesto a ChatGpT di indicarmi alcuni siti che potrebbero essermi utili per approfondire il machine learning  e questa è la sua scelta: Coursera ( www.coursera.org ): Coursera offre corsi online di alta qualità su una vasta gamma di argomenti, incluso il machine learning. Puoi seguire corsi come "Machine Learning" di Andrew Ng, che è molto popolare e ben strutturato. Kaggle ( www.kaggle.com ): Kaggle è una piattaforma di data science che ospita competizioni, dataset e risorse di apprendimento. Puoi partecipare alle competizioni di machine learning, collaborare con altri data scientist e accedere a molti tutorial e notebook condivisi. TensorFlow ( www.tensorflow.org ) e PyTorch ( pytorch.org ): Questi sono i due framework di machine learning più popolari e ampiamente utilizzati. I loro siti ufficiali offrono documentazione dettagliata, guide di apprendimento e una vasta gamma di risorse per iniziare con il machine learning. Medium ( medium.com ): Medium è una piattafor

Ho chiesto a ChatGPT di prepararmi un piano di studio per approfondire l'argomento del machine learnign  e questo è il risultato. Non ho ancora le competenze per valutarlo: se avete idee, integrazioni, suggerimenti per migliorarlo vi chiedo di lasciarlo nei commenti. Grazie Fondamenti di matematica e statistica: Algebra lineare: vettori, matrici, operazioni, spazi vettoriali. Calcolo differenziale e integrale: derivate, integrali, regole di calcolo. Statistica: distribuzioni di probabilità, media, deviazione standard, inferenza statistica. Concetti di base del machine learning: Introduzione al machine learning: definizioni, tipi di apprendimento, approcci. Supervised learning: regressione, classificazione, funzioni di costo, algoritmi (regressione lineare, regressione logistica, support vector machines, decision trees, random forests). Unsupervised learning: clustering, riduzione della dimensionalità, algoritmi (K-means, PCA). Valutazione del modello: met

Con un impiego sempre più diffuso dei modelli di Ai generativa, i titolari dei contenuti interessati dallo scraping, la pratica con cui i dati vengono “raschiati” per addestrare i software, si attivano per limitare il libero accesso alle piattaforme di programmazione. Leggi tutto:  https://www.wired.it/article/intelligenza-artificiale-generativa-scraping-addestramento-dati-chatgpt-midjourney/

L'ambito sanitario, in effetti, è tra quelli in cui si prevede un impatto maggiore con lo sviluppo di nuove, e più potenti, intelligenze artificiali. I potenziali benefici sono moltissimi: gli strumenti di elaborazione del linguaggio naturale, di supporto alle decisioni dei medici, le Ai per il riconoscimento delle immagini, la robotica e l'analisi di big data – scrivono gli autori dell'analisi pubblicata sul Bmj – sono destinati a rivoluzionare la pratica clinica, le capacità diagnostiche e lo sviluppo di nuove terapie, e aiuteranno a portare le cure mediche al di fuori degli ospedali e degli ambulatori, direttamente a casa dei pazienti che ne hanno più bisogno. Accanto a questo potenziale rivoluzionario, esistono anche rischi: un errore medico fatto da un'ai è pericoloso come, e più di, quello fatto da un clinico; una diffusione non inclusiva di questi strumenti potrebbe peggiorare le ineguaglianze presenti nel mondo e all'interno delle nostre società; esistono p

La Deloitte Trustworthy AI Survey è stato il primo questionario nazionale ad indagare contemporaneamente le modalità con cui le imprese affrontano l’implementazione delle soluzioni di AI e il governo di esse per rispettare principi etici e requisiti normativi. Questo report ha avuto l’ambizione di contribuire alla promozione dell’importanza del governo dell’AI attraverso un approccio antropocentrico , affidabile e sostenibile. Dalla rilevazione è emerso che le imprese stanno progressivamente dando importanza all’etica dell’AI in relazione al crescente utilizzo. Ne consegue che gli aspetti etici e tecnologici devono essere affrontati contemporaneamente attraverso processi, metodologie e strumenti di cui le imprese, ad oggi, sono soltanto in parte dotate. L’implementazione etica dell’AI, se ben direzionata, può contribuire alla costruzione di un modello circolare che raccorda le necessità aziendali di profittabilità e i principi etici che sono alle fondamenta della società odierna. Sca

Circa 9 aziende italiane su 10 concordano sul fatto che l’implementazione dell’intelligenza artificiale (AI) sarà fondamentale per rimanere competitive nei prossimi 5 anni. Allo stato attuale il 40% delle aziende in Italia dispone di soluzioni AI già in fase di produzione e il 23% soluzioni in fase di sperimentazione. Questo dimostra che le aziende riconoscono e intendono esplorare il potenziale di questa tecnologia, come motore di cambiamento del proprio business. Tuttavia, la gestione dei rischi collegati all’uso di questa tecnologia e la presenza di processi e metodologie per garantire il rispetto dei principi etici appaiono ancora sottovalutate. Queste sono alcune delle evidenze che sono emerse dalla Trustworthy AI Survey, realizzata da Deloitte in collaborazione con ABI Lab, Centro di ricerca per l’innovazione del settore bancario, e SIpEIA, Società Italiana per l’Etica dell’Intelligenza Artificiale, con l’obiettivo di indagare il grado di maturità e la diffusione dell’AI nelle a

Chiunque padroneggi a sufficienza la sua lingua madre è in grado di indovinare, con alte probabilità di successo, quale sia la parola che conclude una determinata frase o periodo. Un large language model (Llm), un modello linguistico ampio (di quelli alla base di strumenti di intelligenza artificiale come ChatGPT) in sintesi estrema, non fa che replicare questa operazione per via informatica, potendola potenzialmente proseguire anche all’infinito. Leggi tutto:  https://www.wired.it/article/intelligenza-artificiale-chatgpt-large-language-model-linguaggio/ Approfondisci l'argomento: "Large Language Model Training in 2023"

Decision Trees (DTs) are commonly used for many machine learning tasks due to their high degree of interpretability. However, learning a DT from data is a difficult optimization problem, as it is non-convex and non-differentiable. Therefore, common approaches learn DTs using a greedy growth algorithm that minimizes the impurity locally at each internal node. Unfortunately, this greedy procedure can lead to suboptimal trees. In this paper, we present a novel approach for learning hard, axis-aligned DTs with gradient descent. The proposed method uses backpropagation with a straight-through operator on a dense DT representation to jointly optimize all tree parameters. Our approach outperforms existing methods on binary classification benchmarks and achieves competitive results for multi-class tasks. Authors: Sascha Marton - Institute for Enterprise Systems, University of Mannheim Stefan Lüdtke - ScaDS.AI, University of Leipzig Christian Bartelt - Institute for Enterprise Systems, Universi

iGenius ha costruito un sistema di intelligenza artificiale che fa sostanzialmente due cose: mette assieme dati e logiche di business da un lato e li usa per mettere assieme una base di conoscenza che può essere interrogata direttamente dagli operatori usando il linguaggio naturale: parlando come con ChatGPT. Il tutto senza esporre i dati all'esterno né utilizzando ovviamente altre informazioni di terzi "che introdurrebbero un bias nei dati",... Leggi tutto:  https://www.wired.it/article/intelligenza-artificiale-big-data-aziende-crystal-igenius-sharka/

During a recent community call, it became apparent that there is a community split over whether or not to use large language models to generate content. While some people expressed that tools like Open AI’s ChatGPT could help with generating and summarizing articles, others remained wary. Read more:  https://www.vice.com/en/article/v7bdba/ai-is-tearing-wikipedia-apart

Geoffrey Hinton was an artificial intelligence pioneer. In 2012, Dr. Hinton and two of his graduate students at the University of Toronto created technology that became the intellectual foundation for the A.I. systems that the tech industry’s biggest companies believe is a key to their future. On Monday, however, he officially joined a growing chorus of critics who say those companies are racing toward danger with their aggressive campaign to create products based on generative artificial intelligence, the technology that powers popular chatbots like ChatGPT. Read more:  https://www.nytimes.com/2023/05/01/technology/ai-google-chatbot-engineer-quits-hinton.html