Struttura del corso
Introduzione all’Intelligenza Artificiale Multimodale
- Comprendere cosa si intende per dati multimodali
- Concetti chiave e definizioni fondamentali
- Storia ed evoluzione dell’apprendimento multimodale
Elaborazione dei dati multimodali
- Raccolta e pre-elaborazione dei dati
- Estrazione delle caratteristiche da ciascuna modalità sensoriale
- Tecniche di fusione dei dati
Apprendimento della rappresentazione multimodale
- Apprendimento delle rappresentazioni comuni tra modalità diverse
- Embedding incrociati tra modali diversi
- Teoria del transfer learning applicata alle varie modalità sensoriali
Allineamento e traduzione multimodale
- Allineamento dei dati provenienti da diverse fonti sensoriali
- Sistemi di recupero d’informazioni incrociati tra modali differenti
- Traduzione automatica tra modalità (ad esempio, da testo a immagini o viceversa)
Ragionamento e inferenza multimodale
- Logica e ragionamento basati su dati provenienti da più fonti sensoriali
- Tecniche di inferenza nell’ambito dell’Intelligenza Artificiale Multimodale
- Applicazioni nel rispondersi a domande complesse e nella presa di decisioni
Modelli generativi nell’Intelligenza Artificiale Multimodale
- Reti Generative Avversarie (GAN) applicate ai dati multimodali
- Autoencoder Variazionali (VAE) utilizzati per la generazione incrociata tra modali differenti
- Applicazioni creative e innovative derivanti dall’utilizzo di tali modelli
Tecniche di fusione dei dati multimodali
- Metodi di fusione anticipata, tardiva e ibrida
- Meccanismi di attenzione applicati alla fusione multimodale
- Impiego della fusione per una percezione e un’interazione più robuste con l’ambiente
Applicazioni dell’Intelligenza Artificiale Multimodale
- Interfaccia uomo-macchina multimodale
- Utilizzo di IA nei veicoli a guida autonoma
- Applicazioni nel settore sanitario (ad esempio, diagnostica e analisi delle immagini mediche)
Aspetti etici e problematiche legate all’utilizzo di dati multimodali
- Pregiudizi e equità nei sistemi basati su più modalità sensoriali
- Problematiche riguardanti la privacy nell’utilizzo di dati provenienti da diverse fonti
- Principi etici nella progettazione e implementazione di sistemi di Intelligenza Artificiale Multimodale
Argomenti avanzati nell’ambito dell’Intelligenza Artificiale Multimodale
- Transformer multimodali
- Apprendimento auto-supervisionato nei contesti di Intelligenza Artificiale Multimodale
- Le prospettive future dello sviluppo della machine learning multimodale
Sintesi finale e prossimi passi
Requisiti
- Conoscenza di base dell’Intelligenza Artificiale e della machine learning
- Buona padronanza del linguaggio di programmazione Python
- Familiarità con le operazioni di gestione e pre-elaborazione dei dati
Destinatari
- Ricercatori in Intelligenza Artificiale
- Data scientist
- Ingegneri di machine learning
Recensioni (1)
Il nostro trainer, Yashank, era incredibilmente competente. Ha modificato il programma per adattarlo a ciò che realmente avevamo bisogno di imparare, e abbiamo avuto un'ottima esperienza di apprendimento con lui. La sua comprensione del settore in cui insegnava era impressionante; ha condiviso intuizioni basate su esperienze reali e ci ha aiutato a risolvere problemi effettivi che stavamo affrontando nel nostro lavoro.
Ahmed Nazeem - Maldives Pension Administration Office
Corso - Multimodal AI for Enhanced User Experience
Traduzione automatica
