ARTIFICIAL INTELLIGENCE
Anno accademico 2026/2027 - Docente: MARIO FRANCESCO PAVONERisultati di apprendimento attesi
Conoscenza e capacità di comprensione (knowledge and understanding): saranno acquisite le conoscenze fondamentali dell'Intelligenza Artificiale, con particolare riferimento al paradigma degli agenti intelligenti, alle tecniche di problem solving mediante ricerca e soddisfacimento di vincoli, ai metodi di rappresentazione della conoscenza e ragionamento automatico, alla gestione dell'incertezza e alla pianificazione automatica. Acquisirà inoltre una comprensione di base dei principali paradigmi di apprendimento automatico, dei moderni sistemi basati su Large Language Models e delle problematiche etiche e normative connesse allo sviluppo e all'impiego di sistemi intelligenti.
Capacità di applicare conoscenza e comprensione (applying knowledge and understanding): lo studente sarà in grado di modellare e risolvere problemi mediante tecniche di ricerca, soddisfacimento di vincoli, ragionamento logico e probabilistico, pianificazione e apprendimento automatico.
Autonomia di giudizio (making judgements): lo studente sarà in grado di valutare criticamente l'applicabilità, i vantaggi e i limiti delle diverse tecniche di Intelligenza Artificiale per l'automazione di processi decisionali in diversi ambiti applicativi.
Abilità comunicative (communication skills): saranno acquisite le necessarie capacità di descrivere e discutere con linguaggio appropriato inerente a modelli, algoritmi e applicazioni di Sistemi Intelligenti, e dell'Intelligenza Artificiale in generale.
Capacità di apprendimento (learning skills): lo studente avrà la capacità di approfondire autonomamente nuovi metodi e applicazioni dell'Intelligenza Artificiale, adattando le conoscenze acquisite a contesti e tecnologie emergenti.
Modalità di svolgimento dell'insegnamento
Lezioni frontali in aula. Qualora l'insegnamento venisse impartito in modalità mista o a distanza potranno essere introdotte le necessarie variazioni rispetto a quanto dichiarato in precedenza, al fine di rispettare il programma previsto e riportato nel syllabus.
Prerequisiti richiesti
Il corso presuppone una buona conoscenza di strumenti matematici discreti e continui, ed una conoscenza approfondita di algoritmi e complessità di problemi.
Frequenza lezioni
La frequenza non è obbligatoria ma è fortemente consigliata. Le lezioni permettono di cogliere meglio gli argomenti trattati e l'idea generale che tiene legati i diversi temi e forniscono riferimenti e digressioni utili.
Contenuti del corso
Il corso introduce i principi, i modelli e gli algoritmi fondamentali dell'Intelligenza Artificiale. Saranno studiate le tecniche classiche di rappresentazione della conoscenza, ricerca, ragionamento, pianificazione e apprendimento automatico, evidenziandone il ruolo nei moderni sistemi intelligenti. Il corso fornisce inoltre una panoramica delle più recenti evoluzioni dell'IA, incluse le architetture basate su Large Language Models, gli agenti intelligenti e gli aspetti etici e normativi dell'AI.
Contenuti del corso:
- Fondamenti dell’Intelligenza Artificiale;
- Agenti Intelligenti
- Problem Solving e Ottimizzazione Intelligente
- Giochi e Ricerca Avversariale
- Rappresentazione della Conoscenza e Ragionamento
- Ragionamento in presenza di Incertezza e Decision Making
- Pianificazione e Sistemi Autonomi
- Introduzione all’Apprendimento Automatico
- AI Generativa e Large Language Models
- AI Responsabile
Testi di riferimento
Il Libro di testo adottato è Artificial Intelligence, a modern approach, 4th Edition, S. Russel, P. Norvig. Materiale di supporto verrà indicato e/o fornito dal docente durante la lezione.
Programmazione del corso
| Argomenti | Riferimenti testi | |
|---|---|---|
| 1 | Fondamenti di Intelligenza Artificiale | cap 1, 2 |
| 2 | Agenti Intelligenti | cap 2 |
| 3 | Problem Solving e Ottimizzazione Intelligente: ricerca nello spazio degli stati; constraint satisfaction problems (CSP); euristiche per CSP; ricerca locale e metaeuristiche. | cap. 3, 4, 6 |
| 4 | Giochi e Ricerca Avversariale | cap 5 |
| 5 | Rappresentazione della conoscenza e Ragionamento: logica preposizionale e del primo ordine; ontologie; knowledge graph; AI simbolica e moderna. | cap 7, 8, 9, 16 |
| 6 | Ragionamento in presenza di Incertezza e Decision Making: incertezza nei sistemi intelligenti; probabilità e teorema di Bayes; reti Bayesiane; teoria della decisione; decisioni razionali sotto incertezza | cap. 12, 13, 16, 17 |
| 7 | Pianificazione e Sistemi Autonomi: pianificazione automatica; goal-based reasoning; STRIPS;planning come ricerca; esecuzione e monitoraggio dei piani; applicazioni a sistemi autonomi; relazione tra pianificazione classica e AI Agents | cap. 11; materiale suggerito dal docente. |
| 8 | Introduzione all'Apprendimento Automatico: AI, ML e data-driven AI; apprendimento supervisionato e non-supervisionato; overfitting e underfitting; introduzione al reinforcement learning; concetti di agente, ambiente, reward e policy. | cap. 19, 21; materiale suggerito dal docente |
| 9 | AI Generativa e Large Language Models: foundation models; transformer: concetti fondamentali; LLMs; prompt engineering; RAG; limiti e allucinazioni; impatto dei sistemi generativi sull'AI contemporanea. | cap. 21, 23, 24; material suggerito dal docente |
| 10 | AI Responsabile: interpretabilità, etica e regolamentazione | cap. 27, 28 |
Verifica dell'apprendimento
Modalità di verifica dell'apprendimento
La verifica dell'apprendimento prevede una prova scritta e una prova orale.
La prova scritta è finalizzata a valutare la capacità dello studente di modellare e risolvere problemi mediante le tecniche e gli algoritmi presentati durante il corso.
La prova orale è finalizzata a verificare la comprensione degli aspetti teorici, la capacità di effettuare collegamenti tra gli argomenti trattati e l'uso appropriato della terminologia scientifica.
Le prove sono finalizzate ad ottenere una valutazione complessiva della preparazione dello studente. Il voto finale, congiunto con il modulo di laboratorio, viene attribuito indicativamente secondo il seguente schema:
- Non approvato: lo studente non ha acquisito i concetti di base e non è in grado di rispondere ad almeno il 60% delle domande né di svolgere gli esercizi teorici e pratici.
- 18-20: lo studente dimostra una padronanza appena sufficiente dei concetti base, e/o riesce ad impostare gli esercizi teorico/pratici con molta difficoltà e con vari errori.
- 21-24: lo studente dimostra una padronanza minima dei concetti di base, le sue capacità di collegamento dei contenuti sono modeste, riesce a risolvere semplici esercizi.
- 25-27: lo studente dimostra una buona padronanza dei contenuti del corso, le sue capacità di collegamento dei contenuti sono buone, risolve gli esercizi con pochi errori.
- 28-30 e lode: lo studente ha acquisito tutti i contenuti del corso ed è in grado di padroneggiarli compiutamente e di collegarli con spirito critico; risolve gli esercizi in modo completo e senza errori di particolare rilievo.
La verifica dell’apprendimento potrà essere effettuata anche per via telematica, qualora le condizioni lo dovessero richiedere.
Gli studenti con disabilità e/o DSA dovranno contattare con sufficiente anticipo rispetto alla data dell'esame il docente, il referente CInAP del DMI e il CInAP per comunicare che intendono sostenere l'esame fruendo delle opportune misure compensative.
Per partecipare all'esame finale è necessario avere effettuato la prenotazione sul portale SmartEdu. Per eventuali problemi tecnici relativi alla prenotazione occorre rivolgersi alla Segreteria didattica.