MATEMATICA PER L'INTELLIGENZA ARTIFICIALE (M.I.A.)
Corso di Laurea Magistrale in Matematica
NEW CURRICULUM OPENING: 2022/2023
|
Matematica per l'AI: un nuovo curriculum che permette allo studente di orientarsi in modo razionale e consapevole nell'universo dei Big Data, acquisendo, insieme alla formazione matematica, competenze sulla modellizzazione e la comprensione delle Reti Neurali e del Machine Learning.
SCARICA IL POSTER: DOWNLOAD HERE. SCARICA LA BROCHURE: DOWNLOAD HERE. |
Perché iscriversi al percorso MIA?
Nonostante l'AI nella nostra società "stia esplodendo" in questi anni, in realtà questa è una disciplina con origini ataviche e profonde, ben radicate nella Matematica e nell'Informatica e se si vuole sancire (in una certa misura arbitrariamente) un momento di nascita dell'AI, molti ricercatori lo fanno coincidere con il periodo in cui due illustri matematici, Alan Turing e John Von Newmann (padri dei moderni computers o "macchine di Turing"),coltivavano insieme la passione per la Matematica a Princeton negli anni '30 dello scorso secolo. Per capire concretamente quanto -e quanto velocemente- l'Intelligenza Artificiale (AI) stia dilagando nella nostra società basti pensare che quattro delle prime cinque professioni maggiormente richieste nel mondo del lavoro nel 2022 hanno a che fare proprio con l'Intelligenza Artificiale e la Data Science (classifica Forbes 2022): un'ingente domanda di figure professionali specializzate in AI è lungi dall'essere saturata al momento.
Per supplire a questa improvvisa carenza di figure scientifiche formate specificatamente in AI, i Dipartimenti di Matematica stanno tempestivamente riorganizzando le proprie offerte formative (si veda a tal proposito il comunicato stampa -riportato in copia in questa pagina- che il Dipartimento di Matematica e Fisica dell'Università del Salento ha rilasciato di recente): nonostante si contino ancora sulle dita delle mani i percorsi specializzanti in Intelligenza Artificiale/Data Science erogati da Matematici e Fisici in Italia, questi iniziano ad essere fruibili in diversi Atenei, e.g. a Roma in Sapienza, a Milano alla Bocconi, etc. ed anche il Salento vuole rispondere prontamente a questa urgente esigenza culturale e societale aprendo dal prossimo anno accademico questo curriculum M.I.A.: Matematica per l'AI.
In particolare, lasciando ad Ingegneri e Computer Scientists la costruzione dell'hardware (i.e., le reti neurali) e lo sviluppo del software (i.e. il machine learning), da Matematici e Fisici ci si aspetta proprio la costruzione di una "teoria dell'AI", a dire un quadro logico all'interno del quale ci si possa orientare razionalmente (largamente preferibile rispetto al prontuario di ricette algoritmiche, che sono ormai all'atto pratico infinite e di comprensibilità spesso limitata): al momento ci sono ad oggi due vie maestre salienti, per Matematici e Fisici, verso una comprensione teorica della processazione d'informazione nelle reti neurali artificiali, lo "statistical learning theory" e la "meccanica statistica delle reti neurali" -propaggine della "meccanica statistica dei sistemi complessi", felice cornucopia che è valsa a Giorgio Parisi il premio Nobel per la Fisica nel 2021- e queste discipline, affinché siano comprese al meglio, devono innestarsi su una base di matematica ed informatica di alto livello al fine di produrre nello studente un'impronta matura dello stato dell'arte in Intelligenza Artificiale Teorica. Entrambe queste "anime teoriche dell'AI" sono rappresentate in larga misura nel percorso formativo offerto dal Dipartimento di Matematica e Fisica dell'Università del Salento (la prima impartita nel corso di Machine Learning, la seconda nel corso di Metodi Matematici per l'AI) e saranno inoltre messe in pratica -per formare gli studenti anche "davanti al calcolatore"- con laboratori mirati, in primis il laboratorio computazionale di Intelligenza Artificiale ed il laboratorio computazionale di Analisi Numerica.
Inoltre, per quanto concerne le basi classiche (e.g. Teoria dei Giochi, Complessità Computazionale, Statistica Applicata, Data Mining, etc.), queste sono da sempre stabilmente espletate nel Corso di Laurea Magistrale in Matematica che, ad oggi, offre in Intelligenza Artificiale Teorica una formazione specializzante di frontiera e di sommo livello culturale.
Nello specifico, l'offerta formativa viene divisa in un primo anno di studi, un secondo anno di studi ed (annesso) un lavoro di stesura tesi magistrale (possibilmente corredato da un tirocinio specializzante) come approfondito a seguire.
Nonostante l'AI nella nostra società "stia esplodendo" in questi anni, in realtà questa è una disciplina con origini ataviche e profonde, ben radicate nella Matematica e nell'Informatica e se si vuole sancire (in una certa misura arbitrariamente) un momento di nascita dell'AI, molti ricercatori lo fanno coincidere con il periodo in cui due illustri matematici, Alan Turing e John Von Newmann (padri dei moderni computers o "macchine di Turing"),coltivavano insieme la passione per la Matematica a Princeton negli anni '30 dello scorso secolo. Per capire concretamente quanto -e quanto velocemente- l'Intelligenza Artificiale (AI) stia dilagando nella nostra società basti pensare che quattro delle prime cinque professioni maggiormente richieste nel mondo del lavoro nel 2022 hanno a che fare proprio con l'Intelligenza Artificiale e la Data Science (classifica Forbes 2022): un'ingente domanda di figure professionali specializzate in AI è lungi dall'essere saturata al momento.
Per supplire a questa improvvisa carenza di figure scientifiche formate specificatamente in AI, i Dipartimenti di Matematica stanno tempestivamente riorganizzando le proprie offerte formative (si veda a tal proposito il comunicato stampa -riportato in copia in questa pagina- che il Dipartimento di Matematica e Fisica dell'Università del Salento ha rilasciato di recente): nonostante si contino ancora sulle dita delle mani i percorsi specializzanti in Intelligenza Artificiale/Data Science erogati da Matematici e Fisici in Italia, questi iniziano ad essere fruibili in diversi Atenei, e.g. a Roma in Sapienza, a Milano alla Bocconi, etc. ed anche il Salento vuole rispondere prontamente a questa urgente esigenza culturale e societale aprendo dal prossimo anno accademico questo curriculum M.I.A.: Matematica per l'AI.
In particolare, lasciando ad Ingegneri e Computer Scientists la costruzione dell'hardware (i.e., le reti neurali) e lo sviluppo del software (i.e. il machine learning), da Matematici e Fisici ci si aspetta proprio la costruzione di una "teoria dell'AI", a dire un quadro logico all'interno del quale ci si possa orientare razionalmente (largamente preferibile rispetto al prontuario di ricette algoritmiche, che sono ormai all'atto pratico infinite e di comprensibilità spesso limitata): al momento ci sono ad oggi due vie maestre salienti, per Matematici e Fisici, verso una comprensione teorica della processazione d'informazione nelle reti neurali artificiali, lo "statistical learning theory" e la "meccanica statistica delle reti neurali" -propaggine della "meccanica statistica dei sistemi complessi", felice cornucopia che è valsa a Giorgio Parisi il premio Nobel per la Fisica nel 2021- e queste discipline, affinché siano comprese al meglio, devono innestarsi su una base di matematica ed informatica di alto livello al fine di produrre nello studente un'impronta matura dello stato dell'arte in Intelligenza Artificiale Teorica. Entrambe queste "anime teoriche dell'AI" sono rappresentate in larga misura nel percorso formativo offerto dal Dipartimento di Matematica e Fisica dell'Università del Salento (la prima impartita nel corso di Machine Learning, la seconda nel corso di Metodi Matematici per l'AI) e saranno inoltre messe in pratica -per formare gli studenti anche "davanti al calcolatore"- con laboratori mirati, in primis il laboratorio computazionale di Intelligenza Artificiale ed il laboratorio computazionale di Analisi Numerica.
Inoltre, per quanto concerne le basi classiche (e.g. Teoria dei Giochi, Complessità Computazionale, Statistica Applicata, Data Mining, etc.), queste sono da sempre stabilmente espletate nel Corso di Laurea Magistrale in Matematica che, ad oggi, offre in Intelligenza Artificiale Teorica una formazione specializzante di frontiera e di sommo livello culturale.
Nello specifico, l'offerta formativa viene divisa in un primo anno di studi, un secondo anno di studi ed (annesso) un lavoro di stesura tesi magistrale (possibilmente corredato da un tirocinio specializzante) come approfondito a seguire.
Primo AnnoGettare le basi concettuali per una conoscenza matura delle tecniche matematiche e computazionali in AI
|
Secondo AnnoTrasformare la conoscenza in produzione con estensivi Laboratori Computazionali per diventare noi stessi protagonisti in AI
|
Tesi MagistraleSuggellare il percorso con un tirocinio mirato ed una tesi di frontiera svolta in un vero Centro di Ricerca
|
|
In figura alcune reti neurali studiate al Fiorini: nello specifico di sinistra, una generalizzazione della Restricted Boltzmann machine che è in grado di rilevare segnali anche a rapporto segnale/rumore irrisorio (l'architettura neurale trae ispirazione dagli input sensoriali umani: l'informazione arriva -identica- al layer di neuroni "visible" e a quello "mirror", questa ridondanza di rappresentazione le permette di operare in quel regime). Ricerca disponibile a questo link. Nel ritaglio di destra una rete ricorrente di Hopfield che, a differenza del passato, riesce a dormire quando "stanca" e trarre ingenti giovamenti dal ristoro in termini di capacità di storage dell'informazione e dimensioni del training-set. Ricerca disponibile a questo link.
|
News: stiamo organizzando il prossimo workshop all'Alan Turing Institute a Londra a Gennaio 2023: info here.
Approfondimento: Matematica per l'Intelligenza Artificiale, M.I.A.: qualche sigla, TAI, XAI e OAI.
TAI: Theoretical Artificial Intelligence e le sue due branche XAI e OAI
Questo curriculum magistrale in Matematica per l'Intelligenza Artificiale (AI) è altamente specializzante e brama formare nuove generazioni di matematici che sappiano progredire nello sviluppo dell'Intelligenza Artificiale Teorica tanto al fine di massimizzarne gli usi ed i profitti nelle aziende private quanto di contribuirne allo sviluppo nei laboratori di ricerca pubblici e privati.
Tale formazione teorica è oltremodo benvenuta al giorno d'oggi poiché, mentre assistiamo ad un ingente percolazione dell'Intelligenza Artificiale sostanzialmente in tutte le branche del sapere (in particolar modo nelle diramazioni applicative della ricerca -dall'economia, alla medicina, passando per la fisica, la chimica e la biologia), al momento una comprensione cristallina dei modi operandi degli algoritmi di machine learning che la definiscono è ancora insoddisfacente e supplire a questa carenza -a dire, erigere una teoria dell'AI, una disciplina che naturalmente prende l'appellativo di "Intelligenza Artificiale Teorica" (TAI)- costituisce oggigiorno un'imperativa urgenza in tutte le agende delle principali Accademie, a tutto tondo nel globo, poiché una maggiore comprensione dell'AI ne implica a cascata un utilizzo sicuro, una migliore gestione ed un'auspicata ottimizzazione: è in questa cascata di conseguenze che gemmano gli altri due acronimi, XAI e OAI, come succintamente riportiamo in calce.
XAI: eXplainable Artificial Intelligence
Come sovente accade durante le rivoluzioni scientifiche, il progresso ed i benefici che l'impiego di una nuova tecnologia porta alla società che ne fa uso è manifesto e lo si preferisce anche al costo di una mancata comprensione profonda dei motivi di tale progresso, che di norma sono destinati a future spiegazioni: si pensi ad esempio allo sviluppo dei primi motori basati sul ciclo di Carnot nell'800 o allo sviluppo dei transistor nei primi anni '50 dello scorso secolo: nonostante una comprensione matura della termodinamica fuori dall'equilibrio fosse in larga misura assente nel primo caso ed una comprensione della meccanica quantistica relativamente minimale nel secondo, lo sviluppo di motori e microprocessori è continuato -in perenne espansione- fino ai nostri giorni e, nel mentre, la termodinamica dei motori e la progettazione di microprocessori sono diventati argomenti regolarmente impartiti nelle Università, risultando in corsi molto gettonati. Questo perché una comprensione teorica dei principi di funzionamento di un sistema complesso -quale che esso sia, dal motore al chip- aiuta enormemente la controparte empirica che in concreto li realizza, ed anzi proprio questa conoscenza soggiace alla base del perenne sviluppo dei nostri mezzi di trasporto e dei nostri computer: comprendere i principi di funzionamento dell'AI, "spiegare come mai" una rete neurale artificiale abbia preso una data decisione piuttosto che un'altra è fare "eXplainable AI" (XAI), disciplina che costituisce un ramo centrale della TAI.
OAI: Opzimized Artificial Intelligence
Inoltre, come parimenti ci si aspetta accada di prassi durante le rivoluzioni scientifiche, nelle ultime due decadi sono stati prodotti sterminati algoritmi per il machine learning e parimenti infinite varianti sul tema per quanto concerne le architetture neurali, ma un vero razionale dietro queste scelte è quasi totalmente assente al momento con il risultato abbastanza atteso dell'avere un'algoritmica in larga misura non ottimizzata ed una progettazione di architetture neurali che opera il più delle volte interamente "per tentativi" con un consumo energetico proibitivo per l'ambiente (si veda a tal proposito un recente articolo divulgativo del MIT o la sua versione tecnica).
Chiaramente questo costituisce un problema enorme quando si vuole estendere l'impiego di un dato algoritmo di machine learning o di una data architettura neurale fuori dal mondo della ricerca: si pensi ad esempio agli algoritmi di machine learning che costellano lo sviluppo della Medicina di Precisione ("Personalized Medicine"). Affinché questi possano entrare a regime nei nostri ospedali (i.e. su vasta scala) è imperativo che gli stessi siano ottimizzati, a dire, che l'algoritmo esegua il suo compito nel numero minore di operazioni possibile e parimenti l'architettura neurale che lo ospita sia ottimale per il dato problema in esame: per inferire la portata del progresso papabile in vista si pensi nuovamente alla genesi dei primi motori o dei primi transistor e li si paragoni ai moderni motori o ai moderni microprocessori...): come "ottimizzare" l'AI, fare "Optimized Artificial Intelligence" (OAI) è un altro pilastro cardine della TAI.
Vuoi approfondire maggiormente? Leggi il volume che Ithaca (la rivista -tecnica ma divulgativa- che viene stampata dal nostro Dipartimento) ha dedicato all'Intelligenza Artificiale Teorica.
TAI: Theoretical Artificial Intelligence e le sue due branche XAI e OAI
Questo curriculum magistrale in Matematica per l'Intelligenza Artificiale (AI) è altamente specializzante e brama formare nuove generazioni di matematici che sappiano progredire nello sviluppo dell'Intelligenza Artificiale Teorica tanto al fine di massimizzarne gli usi ed i profitti nelle aziende private quanto di contribuirne allo sviluppo nei laboratori di ricerca pubblici e privati.
Tale formazione teorica è oltremodo benvenuta al giorno d'oggi poiché, mentre assistiamo ad un ingente percolazione dell'Intelligenza Artificiale sostanzialmente in tutte le branche del sapere (in particolar modo nelle diramazioni applicative della ricerca -dall'economia, alla medicina, passando per la fisica, la chimica e la biologia), al momento una comprensione cristallina dei modi operandi degli algoritmi di machine learning che la definiscono è ancora insoddisfacente e supplire a questa carenza -a dire, erigere una teoria dell'AI, una disciplina che naturalmente prende l'appellativo di "Intelligenza Artificiale Teorica" (TAI)- costituisce oggigiorno un'imperativa urgenza in tutte le agende delle principali Accademie, a tutto tondo nel globo, poiché una maggiore comprensione dell'AI ne implica a cascata un utilizzo sicuro, una migliore gestione ed un'auspicata ottimizzazione: è in questa cascata di conseguenze che gemmano gli altri due acronimi, XAI e OAI, come succintamente riportiamo in calce.
XAI: eXplainable Artificial Intelligence
Come sovente accade durante le rivoluzioni scientifiche, il progresso ed i benefici che l'impiego di una nuova tecnologia porta alla società che ne fa uso è manifesto e lo si preferisce anche al costo di una mancata comprensione profonda dei motivi di tale progresso, che di norma sono destinati a future spiegazioni: si pensi ad esempio allo sviluppo dei primi motori basati sul ciclo di Carnot nell'800 o allo sviluppo dei transistor nei primi anni '50 dello scorso secolo: nonostante una comprensione matura della termodinamica fuori dall'equilibrio fosse in larga misura assente nel primo caso ed una comprensione della meccanica quantistica relativamente minimale nel secondo, lo sviluppo di motori e microprocessori è continuato -in perenne espansione- fino ai nostri giorni e, nel mentre, la termodinamica dei motori e la progettazione di microprocessori sono diventati argomenti regolarmente impartiti nelle Università, risultando in corsi molto gettonati. Questo perché una comprensione teorica dei principi di funzionamento di un sistema complesso -quale che esso sia, dal motore al chip- aiuta enormemente la controparte empirica che in concreto li realizza, ed anzi proprio questa conoscenza soggiace alla base del perenne sviluppo dei nostri mezzi di trasporto e dei nostri computer: comprendere i principi di funzionamento dell'AI, "spiegare come mai" una rete neurale artificiale abbia preso una data decisione piuttosto che un'altra è fare "eXplainable AI" (XAI), disciplina che costituisce un ramo centrale della TAI.
OAI: Opzimized Artificial Intelligence
Inoltre, come parimenti ci si aspetta accada di prassi durante le rivoluzioni scientifiche, nelle ultime due decadi sono stati prodotti sterminati algoritmi per il machine learning e parimenti infinite varianti sul tema per quanto concerne le architetture neurali, ma un vero razionale dietro queste scelte è quasi totalmente assente al momento con il risultato abbastanza atteso dell'avere un'algoritmica in larga misura non ottimizzata ed una progettazione di architetture neurali che opera il più delle volte interamente "per tentativi" con un consumo energetico proibitivo per l'ambiente (si veda a tal proposito un recente articolo divulgativo del MIT o la sua versione tecnica).
Chiaramente questo costituisce un problema enorme quando si vuole estendere l'impiego di un dato algoritmo di machine learning o di una data architettura neurale fuori dal mondo della ricerca: si pensi ad esempio agli algoritmi di machine learning che costellano lo sviluppo della Medicina di Precisione ("Personalized Medicine"). Affinché questi possano entrare a regime nei nostri ospedali (i.e. su vasta scala) è imperativo che gli stessi siano ottimizzati, a dire, che l'algoritmo esegua il suo compito nel numero minore di operazioni possibile e parimenti l'architettura neurale che lo ospita sia ottimale per il dato problema in esame: per inferire la portata del progresso papabile in vista si pensi nuovamente alla genesi dei primi motori o dei primi transistor e li si paragoni ai moderni motori o ai moderni microprocessori...): come "ottimizzare" l'AI, fare "Optimized Artificial Intelligence" (OAI) è un altro pilastro cardine della TAI.
Vuoi approfondire maggiormente? Leggi il volume che Ithaca (la rivista -tecnica ma divulgativa- che viene stampata dal nostro Dipartimento) ha dedicato all'Intelligenza Artificiale Teorica.