Home » Blog
Blog
Intelligenza Artificiale nel Marketing
Persuadere le persone a compiere un’azione, acquistare un prodotto o accedere ad un servizio (in altre parole, rispondere a una “call to action”), rendendo ancora più efficaci Programmatic Advertising, Marketing Automation e Customer Care. Ecco cos’è e a cosa serve l’Intelligenza Artificiale nel Marketing.
HBIM: Ricostruzioni 3D degli edifici antichi
HBIM, acronimo di Heritage o Historic Building Information Modeling, è una tecnologia basata su dati che mira a catturare e rappresentare le caratteristiche architettoniche, strutturali e storiche degli edifici storici in un ambiente digitale tridimensionale. A differenza del BIM tradizionale, l’HBIM considera gli edifici storici come entità complesse, prendendo in considerazione anche gli elementi culturali e storici. I modelli 3D ottenuti non solo rappresenteranno l’edificio di interesse ma forniranno una ricca fonte di informazione di tutti i suoi elementi.
Deep learning: storie di successo
Il deep learning e l’intelligenza artificiale hanno invaso la nostra vita quotidiana. La testimonianza che queste tecniche sono così diffuse è sotto i nostri occhi grazie a delle storie di successo, quali gli assistenti digitali e le macchine a guida autonoma.
Deep learning: gli sviluppi del XXI secolo
Le tecniche di deep learning affondano le loro radici nei secoli precedenti. Negli ultimi decenni ci sono state delle evoluzioni veramente importanti che hanno portato agli algoritmi che oggi usiamo. Scopriamo le evoluzioni che hanno portato alla tecnologia di oggi.
Deep learning: le radici
Negli ultimi anni sono state sviluppate diverse metodologie e algoritmi che fanno parte del deep learning. Ma queste tecniche sono effettivamente così moderne? Analizziamo un pò di storia, partendo dal medioevo e arrivando ai nostri giorni, per capire le radici del deep learning e dell’intelligenza artificiale.
Deep learning: unsupervised e reinforcement learning
I metodi supervisionati richiedono che i nostri dati di esempio ci forniscano anche le etichette che dovremmo predirre. Tuttavia questi metodi di apprendimento sono limitati. In alcuni casi non sappiamo cosa stiamo cercando oppure l’ambiente stesso ci può fornire indicazioni su come il nostro modello si dovrà evolvere. I metodi di unsupervised e reinforcement learning indirizzano questi tipi di problemi.