Si è svolta la mattina dell’8 giugno, la sessione d’esame scritta della 29esima edizione del Master Anti-Money Laundering & CFT Diploma. Sono 25 i candidati che negli otto mesi di frequenza hanno terminato tutte le attività di studio previste, tra lezioni frontali, studio e-learning, lavori di gruppo e test di verifica in itinere.
Il 20 giugno si terrà la seconda parte dell’esame con la discussione delle tesi di Project work in presenza della commissione.
A tutti i candidati impegnati nelle prove d’esame va il nostro in bocca al lupo!
Ringraziamo tutte le aziende che investono con Scuola Italiana Antiriciclaggio & Compliance e European School of Banking Management, nella formazione Certificata AML.

L’ANI è anche nota come AI debole (weak AI) o ristretta (narrow AI). Questa tecnologia può eseguire un’attività specifica, imparando da un set di dati coerente con tale finalità. Alcuni esempi di ANI comprendono il riconoscimento facciale, il gioco automatico degli scacchi, le auto a guida automatica.

L’Intelligenza artificiale ristretta ha funzionalità limitate ed è per questo che viene classificata come “debole”. L’AI ristretta non ha una forma di intelligenza genuina e conseguentemente in nessun modo può essere paragonata all’intelligenza umana. Ma il suo valore sta nel raggiungere specifici obiettivi in modo efficiente ed efficace (ad esempio applicazioni ingegneristiche di automazione industriale).

Il sistema di Intelligenza artificiale ristretta di solito viene addestrato su un set di dati specifico (definito training set) in modo che possa sviluppare una comprensione del problema da affrontare e risolvere. Una volta raggiunto l’obiettivo, ANI può utilizzare la conoscenza del processo decisionale, finalizzato alla previsione dei risultati e l’esecuzione dell’azione per la quale è stata progettata.

Ad esempio, se si vuole addestrare un sistema di intelligenza artificiale ristretto per identificare numeri scritti a mano in un testo, è necessario addestrarlo con un set di dati che contengono una grande quantità di esempi di numeri scritti da diverse persone. Dopo l’addestramento, ANI sarà in grado di identificare i caratteri in nuovi testi.

Man mano che consideriamo forme più forti di AI, come AGI e ASI, l’incorporazione di comportamenti di tipo umano diventa più importante, comprendendo ad esempio la capacità di interpretare toni ed emozioni. I “chatbot” e gli assistenti virtuali, come Siri, se pur molto evoluti, sono considerati ancora esempi di ANI.

L’intelligenza generale artificiale (AGI) è la rappresentazione completa delle capacità cognitive umane che, di fronte a un compito non familiare, risulta in grado di sostituire l’approccio umano nel trovare una soluzione razionale e prevedibile. Ne risulta che l’obiettivo di un sistema AGI è quello di eseguire qualsiasi compito cognitivo di cui un essere umano è capace nella sfera di razionalità.

Le definizioni di AGI variano, perché esperti di diversi campi definiscono l’intelligenza umana secondo diverse prospettive. Gli informatici spesso misurano l’intelligenza umana in termini di capacità di raggiungere obiettivi. Gli psicologi, d’altra parte, spesso definiscono l’intelligenza generale in termini di adattabilità o sopravvivenza.

Nonostante l’accelerazione del progresso tecnologico si è ancora comunque lontani dall’AGI per come viene comunemente recepito, infatti questo include le seguenti capacità: pensiero astratto, buon senso, interpretazione di relazioni di causa ed effetto e capacità di tarsferire l’apprendimento ad altri agenti.

A livello fantascientifico un sistema ASI (o super intelligence) dovrebbe addirittura superare le capacità cognitive umane.

I metodi di apprendimento specifici per sistemi ANI sono rappresentati da numerosi algoritmi di Machine Learning, che consentono di accrescere la conoscenza appresa dal sistema tramite dati. In funzione del particolare obiettivo richiesto e dalla numerosità del campione a disposizione, si sceglie la procedura ritenuta più congrua allo scopo.

Qualora si avessero a disposizione una grande quantità di dati significativi e si richiedesse un livello molto approfondito di conoscenza del sistema, a fronte di un tempo di addestramento significativo, si può ricorrere a modelli di Deep learning.

Chiarite le differenze terminologiche tra Intelligenza artificiale, Machine Learning e Deep Learning, il prossimo articolo della rubrica sarà focalizzato a presentare la differenza tra un algoritmo tradizionale e uno che implementa i paradigmi propri dell’apprendimento automatico.

Nel 1626, Francis Bacon in “New Atlantis” concepì un luogo ideale in cui l’organizzazione sociale
era armonizzata con la conoscenza derivata dalla scienza, dalla comprensione e dall’uso
vantaggioso e rispettoso della natura e dei suoi principi. Possiamo considerare le frontiere
dell’intelligenza artificiale una continuazione ideale di tale utopia che si sta scoprendo giorno dopo
giorno sempre più reale.