Durata: 1 ora e 45
Scadenza fruizione: 10/09/2026
Relatore:
Mariangela Di Biase, Avvocato penalista, iscritta all’Ordine degli Avvocati di Campobasso.
Esercita la professione occupandosi prevalentemente di contenzioso penale e consulenza e gestione di pratiche nel campo del diritto delle nuove tecnologie, con particolare riferimento ai sistemi di IA, al sistema blockchain, tokenizzazione aziendale, criptovalute, NFT, Metaverso, DeFi, sistema Kyc, quantum computing e Cybersecurity
L’evento riconosce i seguenti crediti utili alla formazione professionale continua: 1 credito formativo
Programma:
Parte 1 - Fondamenti tecnici dell’IA
1. Che cos’è l’Intelligenza Artificiale?
- Definizione tecnica: Sistemi in grado di percepire, ragionare, apprendere e agire.
- Classificazioni principali:
- IA debole (narrow AI) vs IA forte (general AI)
- IA simbolica vs IA subsimbolica
- Breve storia dell’IA:
- Dalle reti neurali di McCulloch-Pitts (1943) all’IA moderna basata su deep learning.
2. Architettura e componenti dell’IA moderna
2.1. Machine Learning (ML)
- Concetto chiave: Algoritmi che apprendono da dati.
- Tipi principali:
- Apprendimento supervisionato (es. classificazione)
- Apprendimento non supervisionato (es. clustering)
- Apprendimento per rinforzo (es. giochi, robotica)
2.2. Deep Learning
- Reti neurali artificiali: Neuroni, pesi, funzioni di attivazione
- Reti profonde (deep): Architetture multilivello come MLP, CNN, RNN
- Trasformatori (Transformers): L’evoluzione moderna che ha portato a ChatGPT e simili
3. Tecniche e algoritmi fondamentali
3.1. Algoritmi di classificazione
- Regressione logistica
- Support Vector Machines (SVM)
- Decision Trees e Random Forests
3.2. Reti neurali artificiali
- Struttura di un neurone artificiale
- Funzione di attivazione (ReLU, Sigmoid, Softmax)
- Propagazione in avanti e backpropagation
3.3. NLP (Natural Language Processing)
- Tokenizzazione, embeddings (Word2Vec, BERT)
- Modelli linguistici e generativi (GPT, LLaMA, Claude)
- Prompt engineering: come dialogano i modelli
4. Etica, limiti e rischi tecnici dell’IA
- Bias nei dati e nelle decisioni automatizzate
- Spiegabilità e interpretabilità dei modelli
- Robustezza e vulnerabilità (es. attacchi adversariali)
- Sicurezza e controllo dei modelli generativi
Parte 2 - Applicazioni, strumenti e scenari
5. Strumenti pratici e ambienti di sviluppo
5.1. Framework principali
- Scikit-learn: ML tradizionale, facile da usare
- TensorFlow e PyTorch: Deep learning, alto livello di controllo
- Hugging Face: Modelli pre-addestrati e API
5.2. Dataset e training
- Dataset pubblici (MNIST, COCO, IMDB, Common Crawl)
- Addestramento vs fine-tuning
- Hardware richiesto (GPU, TPU, cloud computing)
6. Casi d’uso reali
6.1. Settore legale e fiscale
- Contrattualistica automatica e ricerca giuridica
- Analisi predittiva (es. esiti giudiziari, rischi fiscali)
- Compliance automatizzata e audit documentale
6.2. Sanità
- Diagnosi assistita da immagini (radiografie, TAC)
- Modelli predittivi per epidemiologia e triage
6.3. Industria e marketing
- Sistemi di raccomandazione (Amazon, Netflix)
- Chatbot intelligenti e assistenti virtuali
- Ottimizzazione logistica e manutenzione predittiva
7. Prospettive future
- Verso l’IA generale? Pro e contro dell’automazione cognitiva avanzata
- IA e lavoro umano: Complementarità o sostituzione?
- Regolamentazione e standard etici: UE AI Act, AI governance
Corso di formazione a distanza, di tipo on-demand, relativo a Intelligenza Artificiale.
Cogli l'occasione di seguire il webinar on-demand.
Accedi/Registrati
Conto OPEN