Corso di laurea magistrale in Informatica

Il corso di Istituzioni di Sistemi Intelligenti offerto nell’ambito delle Laurea Magistrale di Informatica è mutuato dal corso di Sistemi Intelligenti della laurea Triennale in Informatica. Poichè Istituzioni di Sistemi Intelligenti è un corso introduttivo agli argomenti di Intelligenza Artificiale, le competenze attese in ingresso riguardano competenze nel settore informatico. In particolare:

• conoscenza di algoritmi su alberi e grafi con relative nozioni di complessità
• esperienza di programmazione con particolare riferimento a programmazione ad oggetti (organizzazione in classi e sottoclassi, ereditarietà)
• nozioni di logica (calcolo proposizionale e calcolo dei predicati del primo ordine)
• nozioni di modelli semantici dei dati nelle basi dati.

Gli studenti che sono iscritti al corso di laurea di Informatica di Torino acquisiscono le competenze in ingresso sopra elencate seguendo gli insegnamenti di:

• “Algoritmi e strutture dati”,
• “Programmazione I e II”,
• “Basi di dati”,
• “Matematica Discreta e Logica” (e sostenendo i relativi esami).

Insegnamenti propedeutici (forniscono le competenze attese in ingresso): L'insegnamento fornisce competenze di base di intelligenza artificiale e costituisce un fondamento di tutti gli insegnamenti di intelligenza artificiale della laurea magistrale

Il corso si propone di fornire una introduzione generale alle problematiche nel settore dell'Intelligenza Artificiale, con particolare attenzione a come sia possibile costruire un sistema dotato di capacità autonome di risoluzione di problemi, di ragionamento e di apprendimento quando abbia a disposizione una rappresentazione simbolica del mondo. Il corso si articola in tre parti principali:

• Risoluzione automatica di problemi
• Rappresentazione della conoscenza e ragionamento
• Nozione di agente intelligente che agisce, ragiona ed apprende

Data la natura introduttiva del corso e la durata del corso, molte problematiche avanzate di Intelligenza Artificiale trovano collocazione nei corsi  della laurea magistrale in intelligenza artificiale Pietro Torasso. L'insegnamento di Istituzioni di Sistemi Intelligenti è propedeutico per Intelligenza Artificiale e Laboratorio, e può essere di grande utilità per gli insegnamenti di Agenti Intelligenti,  Apprendimento Automatico e Reti Neurali e Deep Learning.

.

  CONOSCENZA E CAPACITÀ DI COMPRENSIONE: Dal punto di vista della acquisizione di contenuti metodologici, gli studenti conosceranno le principali strategie di ricerca per la risoluzione automatica di problemi, i fondamenti della rappresentazione della conoscenza mediante formalismi logici e approcci strutturati (ontologie) e relativi meccanismi inferenziali. Avranno inoltre acquisito le nozioni di base su architettura di un agente intelligente e su apprendimento automatico di conoscenza a partire da esempi. 

CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE: l'esposizione dei contenuti del corso utilizza numerosi esempi sia di problemi artificiali, finalizzati a evidenziare determinate complessità,sia di contesti reali. In entrambi i casi i partecipanti sono incoraggiati a ragionare sulla possibilità e sulle conseguenze dell'applicazione di algoritmi e approcci.

AUTONOMIA DI GIUDIZIO: acquisizione di una prima forma di consapevolezza sulla necessità di fare dei trade-off (in termini di qualità della soluzione e costo computazionale). tra strategie e metodologie alternative che risolvono la stessa classe di problemi. 

ABILITÀ COMUNICATIVE: L’esame orale richiede inoltre l'acquisizione di una buona capacità espositiva unita all’uso corretto della terminologia del settore (e più in generale dell’informatica).

CAPACITÀ DI APPRENDIMENTO: acquisizione di capacità autonome di apprendimento e di autovalutazione.

Come già detto l'insegnamemnto è una introduzione ai concetti basilari di Intelligenza articiaicile e si articola in tre parti strettamente connesse. Parte 1) RISOLUZIONE AUTOMATICA DI PROBLEMI In questa parte si affronta la problematica di come definire il concetto di problema e di soluzione, di distinguere tra soluzione e soluzione ottima. Sono studiati tre approcci alla risoluzione di problemi: ricerca nello spazio degli stati, ricerca in spazi con avversario (giochi ad informazione completa), risoluzione di problemi mediante soddisfacimento di vincoli. Per ciascun approccio si discutono le principali strategie di ricerca: ampiezza, profondità, iterative deepening (per le ricerche cieche nello spazio degli stati), A* e Recursive Best First Strategy (per le ricerche euristiche), Min-Max e Alfa-beta (per i giochi con avversario), backtracking, forward propagation e arc consistency per meccanismi basati su soddisfacimento di vincoli. Particolare attenzione viene data alla garanzie offerte dalle diverse strategie in termini di qualità della soluzione e di complessità computazionale. Parte 2) RAPPRESENTAZIONE DELLA CONOSCENZA E RAGIONAMENTO Il problema della rappresentazione della conoscenza e dei relativi meccanismi inferenziali viene affrontato studiando due principali famiglie di approcci alla rappresentazione della conoscenza: formalismi logici e rappresentazioni strutturate. Per quanto riguarda i formalismi logici si vede come sia il calcolo proposizionale che il calcolo dei predicati del primo ordine possano essere utilizzati per rappresentare conoscenza sul mondo e si vede come i meccanismi inferenziali (modus ponens, resolution, etc.) possano essere adoperati per fornire servizi utili (es. risposta a domande, verifica consistenza, ecc.). Si analizza anche come una rappresentazione a regole permetta meccanismi di ragionamento più efficienti (forward e backward chaining). Notevole attenzione viene data alla rappresentazione della conoscenza strutturata introducendo tassonomie, classi, individui, ereditarietà singola e multipla, inferenze specializzate. Queste nozioni vengono analizzate ed esemplificate mediante uso del linguaggio ontologico OWL2 (proposto e supportato da W3C). Parte 3 ) AGENTI E APPRENDIMENTO AUTOMATICO In questa parte conclusiva si introduce la nozione di agente intelligente che opera in un ambiente e si fa vedere come l’agente possa avere sia comportamenti reattivi che deliberativi a seconda del compito assegnato. Si illustra come agente debba avere capacità di risoluzione automatica di problemi e di ragionamento sullo stato del mondo e sul suo stato. Si descrive brevemente come l’apprendimento automatico sia una delle caratteristiche essenziali per ottenere un agente intelligente. Vengono introdotte solo nozioni elementari con particolare riguardo all'apprendimento da esempi (in particolare apprendimento di alberi di decisione). Viene infine fatta una introduzione alle reti neuronali come strumento per passare dal livello sub simbolico a quello simbolico.

Oltre alle lezione tipiche in cui il docente illustra gli aspetti metodologici, nell’insegnamento numerose ore sono dedicate ad esempi ed esercitazioni (svolte dal docente). Vengono anche illustrati alcuni esempi significativi di strumenti software e di applicazioni di Intelligenza artificiale a problemi complessi del mondo reale. Vengono anche messe in evidenza possibili problematiche etiche. 

L'esame consiste in una interrogazione individuale sugli argomenti trattati nel corso, comprendente un insieme di domande a risposta chiusa e domande a risposta aperta. Sarà possibile, compatibilmente con la disponibilità delle strutture, la predisposizione di prove di esonero, sostitutive di parte dell'esame orale. Tipicamente una delle domande richiede la capacità di applicare una metodologia/strategia per risolvere un semplice problema simile a quelli illustrati a lezione. Pertanto nell’esame orale, oltre a verificare la conoscenza dei concetti e delle metodologie, si intende verificare la capacità di applicazione dei concetti e metodologie a problemi specifici. Sarà inoltre verificata la chiarezza di esposizione e l’uso corretto della terminologia. Un contributo alla valutazione finale è dato dal risultato degli esoneri svolti.