INTELLIGENZA ARTIFICIALE
Obiettivi formativi
Il laboratorio è il terzo insegnamento della complessiva struttura didattica di Informatica Giuridica del corso di laurea magistrale a ciclo unico in Giurisprudenza della LUISS, che si compone di cinque laboratori propedeutici ed un corso distribuiti sui primi tre anni. Tali insegnamenti costituiscono un percorso unitario e progressivo secondo un itinerario logico studiato al fine di implementare la sensibilità dello studente per la reciproca interazione fra l’informatica ed il diritto.
L’intento è quello di formare un giurista realmente pronto ad affrontare le sfide legali della dimensione digitale, sempre più pervasiva e trasversale in ogni settore professionale, e delle applicazioni informatiche nell’ambito legale.
A tal fine lo studente dovrà acquisire conoscenze anche puramente tecniche ed informatiche per comprendere a fondo i fenomeni tecnologici dei quali potrà essergli/le richiesto di valutare risvolti ed effetti giuridici.
È questo un obiettivo strategico che il Dipartimento di Giurisprudenza si è prefisso, non potendosi contemplare la figura di un giurista che oggi non possieda piena dimestichezza anche degli strumenti digitali e non sappia analizzare l’impatto delle applicazioni tecnologiche più dirompenti sulla società, sul diritto, sui mercati e sulle istituzioni a livello globale.
L’innovazione travolgente ed incentivata dalle politiche pubbliche nazionali ed europee esige figure professionali versatili, capaci di applicare le categorie tradizionali del diritto a fenomeni tecnologici inediti, o addirittura di costruirne di nuove meglio in grado di regolare il presente.
Per far ciò si richiede una comprensione dell’architettura di base delle reti, nonché dei linguaggi della matematica e della logica degli algoritmi, per poterli quindi leggere nelle forme del diritto.
Il Laboratorio di Intelligenza artificiale, nello specifico, intende fornire agli studenti le nozioni fondamentali di una disciplina che ha assunto assoluta centralità nel dibattito scientifico e giuridico. Per poter comprenderne appieno le implicazioni giuridiche però, gli studenti devono preliminarmente acquisire dimestichezza con il linguaggio e la logica degli algoritmi inferenziali probabilistici e statistici, nonché delle loro applicazioni pratiche.
Inoltre, gli studenti affronteranno il tema dell’apprendimento automatico e della simulazione algoritmica delle reti neurali.
Risultati di apprendimento attesi
Laboratorio di informatica giuridica.
Contenuti Del Corso
I. Introduzione all’intelligenza artificiale
II. Algoritmi
III. Machine learning
Testi Di Riferimento
Il materiale didattico è costituito dal contenuto delle lezioni impartite dal docente, relative dispense e altri materiali condivisi su Luiss Learn.
G.D’Acquisto – Intelligenza artificiale, Giappichelli
Letture consigliate:
Jerry Kaplan, Intelligenza artificiale. Guida al futuro prossimo, Luiss University Press
Metodologie Didattiche
Apprendimento: lezioni frontali, podcast e quiz online
Pratica: ospiti esperti, studio di casi e simulazioni
Indagine: analisi di idee e informazioni fra una gamma di materiali e risorse, utilizzando le banche dati giuridiche per raccogliere e analizzare dati e confrontare testi
Collaborazione: lavori in piccoli gruppi, discussione dei risultati altrui e proposta di risultati comuni
Discussione: seminari, discussioni di gruppo in classe, forum online e discussioni sincrone e asincrone
Produzione: saggi, relazioni, presentazioni e blog
Modalità di verifica dell'apprendimento
Il voto finale, espresso in 30/trentesimi deriverà dalla valutazione delle seguenti voci per la rispettiva quota percentuale:
20% frequenza
10% partecipazione attiva in aula
50% valutazioni delle prove intermedie
20% esame finale (scritto e orale)
N.B. Il voto conseguito all’esito dell’esame del presente Laboratorio parteciperà per 1/7 al voto finale che sarà attribuito all’esito dell’esame del corso di Macchine intelligenti e diritto (MID1) e che rientra regolarmente nella media curriculare dello studente.
Criteri per l’assegnazione dell’elaborato finale
La valutazione sarà basata su una prova scritta e orale. Il 50% della valutazione verrà data parte di teoria, il 50% della valutazione verrà dato dalla parte pratica.
Settimana 1
I. Introduzione all’intelligenza artificiale
1. Cognitivismo e comportamentismo (Turing v. Searle)
2. Definizioni essenziali
• Ragionamento induttivo
• Ragionamento deduttivo
• Forme di bias
Lezione frontale, simulazione, presentazione
Settimana 2
II. Algoritmi
1. Inferenza logica
• Inferenze elementari
• Teoremi della deduzione
Lezione frontale, simulazione, presentazione
Settimana 3
II. Algoritmi
2. Inferenza probabilistica
• Elementi di base del calcolo delle probabilità
• Teorema di Bayes
Lezione frontale, simulazione, presentazione
Settimana 4
II. Algoritmi
3. Inferenza bayesiana
• Filtri antispam
• Robot inferenziale
• Correlazioni spurie
Lezione frontale, simulazione, presentazione
Settimana 5
II. Algoritmi
4. Operatività delle diverse tipologie di algoritmo
4.1. Algoritmi di ricerca
• Algoritmo DFS
• Algoritmo BFS
Lezione frontale, simulazione, presentazione
Settimana 6
II. Algoritmi
4.2. Algoritmi equitativi
4.3. Algoritmi predittivi
• Djikstra algorithm
• A* Algorithm
Lezione frontale, simulazione, presentazione
Settimana 7
III. Machine learning
1. Apprendimento supervisionato
• Regressioni
• Classificazioni
2. Apprendimento non supervisionato
• Clustering
Lezione frontale, simulazione, presentazione
Settimana 8
III. Machine learning
3. Bias
• Underfitting vs. overfitting
Lezione frontale, simulazione, presentazione
Settimana 9
III. Machine learning
4. Reti neurali
4.1. Percettrone
Lezione frontale, simulazione, presentazione
Settimana 10
III. Machine learning
4.2. Regressioni lineari
Lezione frontale, simulazione, presentazione
Settimana 11
III. Machine learning
4.3. Deep learning
Lezione frontale, simulazione, presentazione
Settimana 12
III. Machine learning
4.4. Applicazione ai linguaggi naturali
Lezione frontale, simulazione, presentazione