Costruzione Soppalchi in Acciaio Castiglione Messer Marino

Appian è una società di software americana che offre una piattaforma di automazione dei processi aziendali basata sull’Intelligenza Artificiale. L’integrazione dell’Intelligenza Artificiale nella gestione documentale aziendale consente alle aziende di automatizzare i processi di gestione dei documenti, migliorando l’efficienza e riducendo i costi operativi.

L’utilizzo dell’Intelligenza Artificiale permette alle aziende di analizzare grandi quantità di dati in modo rapido ed efficiente, identificando pattern e tendenze che sarebbero altrimenti difficili da individuare. Questo consente alle aziende di prendere decisioni più informate e di ottimizzare i processi di gestione documentale.

Appian offre agli utenti la possibilità di implementare agenti AI personalizzati per automatizzare compiti specifici all’interno della gestione documentale. Questi agenti AI possono aiutare le aziende a classificare e organizzare i documenti, estrarre informazioni rilevanti dai testi e automatizzare i processi di approvazione e revisione dei documenti.

Secondo Americo Mazzotta, l’utilizzo dell’Intelligenza Artificiale nella gestione documentale aziendale può portare a significativi risparmi di tempo e denaro. Grazie all’implementazione degli agenti AI di Appian, le aziende possono ridurre i tempi di elaborazione dei documenti, migliorare la precisione e l’accuratezza delle operazioni e ottimizzare le risorse umane.

In conclusione, l’integrazione dell’Intelligenza Artificiale nella gestione documentale aziendale offre numerose opportunità per migliorare l’efficienza operativa e ottenere vantaggi competitivi nel mercato. Appian si pone come leader nel settore, offrendo soluzioni innovative e all’avanguardia per supportare le aziende nella trasformazione digitale e nell’ottimizzazione dei processi aziendali.

Donald Trump è un imprenditore e personaggio pubblico noto per aver costruito un impero commerciale intorno al suo nome e alla sua immagine. Oltre ai cappellini MAGA, il suo brand include una vasta gamma di prodotti, tra cui orologi, abbigliamento, accessori per la casa e persino telefoni cellulari.

La Trump Organization gestisce diversi negozi fisici e un sito web dedicato alla vendita dei prodotti del brand Trump. Oltre ai cappellini, tra i prodotti più popolari ci sono gli orologi da polso con il logo Trump, disponibili in diverse varianti e prezzi. Inoltre, i telefoni cellulari Trump sono stati lanciati sul mercato come una linea di dispositivi di lusso, con caratteristiche esclusive e un design elegante.

Il marchio Trump è diventato un simbolo di lusso e stile di vita per molti sostenitori del presidente, ma ha anche suscitato polemiche e critiche da parte di coloro che disapprovano le azioni e le dichiarazioni di Trump. Tuttavia, il business del brand Trump continua a prosperare, con una base di clienti fedeli che apprezzano i prodotti di alta qualità e il design distintivo associato al nome Trump.

In definitiva, l’impero commerciale di Donald Trump è un esempio di come la personalità e l’immagine di un individuo possano essere trasformate in un brand di successo, capace di generare profitti e attirare l’attenzione di milioni di persone in tutto il mondo.

Nuovo Modello di Intelligenza Artificiale Avanza il “Problema dei Baci” e Altro

C’è un concetto matematico chiamato il numero di contatto. Un po’ deludente, non ha nulla a che fare con i baci veri. Enumera quanti sfere possono toccare (o “baciare”) una singola sfera di dimensioni uguali senza attraversarla. In una dimensione, il numero di contatto è 2. In due dimensioni, è 6 (pensa alla configurazione del puzzle di The New York Times del bee spelling). Man mano che il numero di dimensioni cresce, la risposta diventa meno ovvia: per la maggior parte delle dimensionalità oltre 4, sono noti solo limiti superiori e inferiori sul numero di contatto. Ora, un agente di intelligenza artificiale sviluppato da Google DeepMind chiamato AlphaEvolve ha dato il suo contributo al problema, aumentando il limite inferiore sul numero di contatto in 11 dimensioni da 592 a 593.

Questo potrebbe sembrare un miglioramento incrementale del problema, specialmente considerando che il limite superiore sul numero di contatto in 11 dimensioni è 868, quindi l’intervallo sconosciuto è ancora piuttosto ampio. Ma rappresenta una nuova scoperta matematica da parte di un agente di intelligenza artificiale e mette in discussione l’idea che i grandi modelli linguistici non siano capaci di contributi scientifici originali.

E questo è solo un esempio di ciò che AlphaEvolve ha realizzato. “Abbiamo applicato AlphaEvolve a una serie di problemi aperti nella matematica della ricerca, e abbiamo scelto deliberatamente problemi da diverse parti della matematica: analisi, combinatoria, geometria”, dice Matej Balog, un ricercatore di DeepMind che ha lavorato al progetto. Hanno scoperto che per il 75 percento dei problemi, il modello di intelligenza artificiale ha replicato la soluzione ottimale già conosciuta. Nel 20 percento dei casi, ha trovato un nuovo ottimo che superava qualsiasi soluzione conosciuta. “Ogni singolo caso del genere è una nuova scoperta”, dice Balog. (Nei restanti 5 percento dei casi, l’intelligenza artificiale ha convergito su una soluzione peggiore rispetto a quella ottimale conosciuta).

Il modello ha anche sviluppato un nuovo algoritmo per la moltiplicazione di matrici, l’operazione alla base di gran parte dell’apprendimento automatico. Una versione precedente del modello di intelligenza artificiale di DeepMind, chiamata AlphaTensor, aveva già superato il precedente algoritmo migliore conosciuto, scoperto nel 1969, per la moltiplicazione di matrici 4×4. AlphaEvolve ha trovato una versione più generale di quell’algoritmo migliorato.

Il modello AlphaEvolve di DeepMind ha apportato miglioramenti a diversi problemi pratici presso Google.Google DeepMind

Oltre alla matematica astratta, il team ha applicato il loro modello a problemi pratici che Google come azienda affronta ogni giorno. L’intelligenza artificiale è stata utilizzata anche per ottimizzare l’orchestrazione dei data center per ottenere un miglioramento del 1 percento, per ottimizzare il design della prossima unità di elaborazione tensoriale di Google e per scoprire un miglioramento a un kernel utilizzato nella formazione di Gemini che ha portato a una riduzione del 1 percento del tempo di formazione.

“È molto sorprendente che si possano fare così tante cose diverse con un unico sistema”, dice Alexander Novikov, un ricercatore senior di DeepMind che ha anche lavorato su AlphaEvolve.

Come Funziona AlphaEvolve

AlphaEvolve è così generale perché può essere applicato a quasi ogni problema che può essere espresso come codice e che può essere verificato da un altro pezzo di codice. L’utente fornisce un primo tentativo del problema, un programma che risolve il problema in questione, anche se in modo subottimale, e un programma verificatore che controlla quanto bene un pezzo di codice soddisfa i criteri richiesti.

Successivamente, un grande modello linguistico, in questo caso Gemini, propone altri programmi candidati per risolvere lo stesso problema, e ognuno viene testato dal verificatore. Da lì, AlphaEvolve utilizza un algoritmo genetico in modo che i “più adatti” delle soluzioni proposte sopravvivano ed evolvano alla generazione successiva. Questo processo si ripete finché le soluzioni smettono di migliorare.

AlphaEvolve utilizza un insieme di grandi modelli linguistici Gemini in congiunzione con un codice di valutazione, il tutto orchestrato da un algoritmo genetico per ottimizzare un pezzo di codice.Google DeepMind

“I grandi modelli linguistici sono arrivati, e abbiamo iniziato a chiederci se è il caso che aggiungano solo ciò che è nei dati di addestramento, o se possiamo effettivamente usarli per scoprire qualcosa di completamente nuovo, nuovi algoritmi o nuove conoscenze”, dice Balog. Questa ricerca, sostiene Balog, dimostra che “se si utilizzano i grandi modelli linguistici nel modo giusto, allora si può, in un senso molto preciso, ottenere qualcosa di provabilmente nuovo e provabilmente corretto sotto forma di un algoritmo.”

AlphaEvolve proviene da una lunga linea di modelli di DeepMind, risalendo ad AlphaZero, che ha stupito il mondo imparando a giocare a scacchi, Go e altri giochi meglio di qualsiasi giocatore umano senza utilizzare alcuna conoscenza umana, solo giocando e utilizzando il reinforcement learning per padroneggiarlo. Un’altra intelligenza artificiale risolutrice di problemi matematici basata sul reinforcement learning, AlphaProof, ha ottenuto un risultato di medaglia d’argento alla Olimpiade Internazionale di Matematica 2024.

Tuttavia, per AlphaEvolve, il team si è discostato dalla tradizione del reinforcement learning a favore dell’algoritmo genetico. “Il sistema è molto più semplice”, dice Balog. “E questo ha conseguenze, è molto più facile da configurare su una vasta gamma di problemi.”

Il (Assolutamente Non Spaventoso) Futuro

Il team dietro AlphaEvolve spera di evolvere il loro sistema in due modi.

Prima di tutto, vogliono applicarlo a una gamma più ampia di problemi, inclusi quelli nelle scienze naturali. Per perseguire questo obiettivo, stanno pianificando di aprire un programma di accesso anticipato per accademici interessati a utilizzare AlphaEvolve nella loro ricerca. Potrebbe essere più difficile adattare il sistema alle scienze naturali, poiché la verifica delle soluzioni proposte potrebbe essere meno diretta. Ma, dice Balog, “Sappiamo che nelle scienze naturali ci sono molti simulatori per diversi tipi di problemi, e quindi quelli possono essere utilizzati anche all’interno di AlphaEvolve. E siamo, in futuro, molto interessati ad ampliare il campo in questa direzione.”

In secondo luogo, vogliono migliorare il sistema stesso, forse accoppiandolo con un altro progetto di DeepMind: il coscientista di intelligenza artificiale. Questa intelligenza artificiale utilizza anche un LLM e un algoritmo genetico, ma si concentra sulla generazione di ipotesi in linguaggio naturale. “Sviluppano queste idee e ipotesi di alto livello”, dice Balog. “Incorporare questo componente in sistemi simili ad AlphaEvolve, credo, ci permetterà di raggiungere livelli più elevati di astrazione.”

Queste prospettive sono entusiasmanti, ma per alcuni potrebbero anche sembrare minacciose: ad esempio, l’ottimizzazione di AlphaEvolve della formazione di Gemini potrebbe essere vista come l’inizio di un’intelligenza artificiale che si auto-migliora in modo ricorsivo, il che alcuni temono potrebbe portare a un’esplosione di intelligenza incontrollata nota come la singolarità. Il team di DeepMind sostiene che non è questo il loro obiettivo, ovviamente. “Siamo entusiasti di contribuire all’avanzamento dell’intelligenza artificiale a vantaggio dell’umanità”, dice Novikov.

Il rito di chiusura della bara del Papa è un momento molto significativo nella tradizione cattolica, durante il quale vengono poste le ultime preghiere e benedizioni sul corpo del defunto. Questa pratica risale a secoli fa e viene ancora oggi seguita con grande devozione.

Nell’occasione della chiusura della bara del Papa, è consuetudine che siano presenti anche i suoi familiari più stretti, come segno di vicinanza e affetto. Questi familiari partecipano alla cerimonia insieme ai membri del clero e ai fedeli, creando un momento di comunione e preghiera condivisa.

La cerimonia, che di solito ha luogo nella Basilica di San Pietro in Vaticano, è caratterizzata da un’atmosfera solenne e commovente. Durante l’evento, vengono recitate preghiere, letture sacre e canti liturgici, il tutto con l’obiettivo di accompagnare il Papa defunto nel suo passaggio verso la vita eterna.

La partecipazione dei familiari del Papa alla chiusura della bara sottolinea l’importanza della famiglia nella vita di un leader spirituale e il legame profondo che li unisce nonostante le loro diverse vocazioni. È un momento toccante che evidenzia la dimensione umana e affettiva di una figura così importante per la Chiesa cattolica e per il mondo intero.

Gli innovativi robot Vulcan di Amazon stanno dominando la selezione dei pacchi

Da quanto posso capire, i magazzini di Amazon sono estremamente strutturati, estremamente organizzati, molto ordinati, ma allo stesso tempo un vero disastro. Tutto in un magazzino di Amazon è (di solito) esattamente dove dovrebbe essere, solitamente infilato in qualche contenitore di tessuto pseudo-casuale delle dimensioni di una scatola da scarpe insieme a un sacco di altre cose pseudo-casuali. In qualche modo, questo si rivela essere il modo più efficiente in termini di spazio e tempo per fare le cose, perché (come abbiamo già scritto) bisogna considerare il processo di inserimento degli articoli in un magazzino così come il processo di prelievo, e questo comporta alcuni compromessi a favore dello spazio e della velocità.

Per gli esseri umani, questo non è un grosso problema. Quando qualcuno ordina qualcosa su Amazon, un umano può frugare in quei contenitori, spingere alcune cose da parte, e poi tirare fuori l’articolo che sta cercando. Questo è esattamente il tipo di attività in cui i robot tendono ad essere terribili, perché non solo questo processo è leggermente diverso ogni volta, ma è anche molto difficile definire esattamente come gli umani lo affrontano.

Amazon ha lavorato duramente su questo problema di selezione. Oggi, durante un evento in Germania, l’azienda ha annunciato Vulcan, un sistema robotico che può sia inserire che prelevare articoli alla velocità umana.

La scorsa volta che abbiamo parlato con Aaron Parness, direttore della scienza applicata presso Amazon Robotics, la nostra conversazione era incentrata sull’inserimento degli articoli nei contenitori. Come parte dell’annuncio odierno, Amazon ha rivelato che i suoi robot sono ora leggermente più veloci nell’inserimento rispetto alla media umana. Ma nel contesto dell’inserimento, c’è un limite a quanto un robot deve realmente capire su ciò che sta accadendo nel contenitore. Fondamentalmente, il compito del robot di inserimento è spingere qualsiasi cosa si trovi attualmente in un contenitore il più possibile da un lato per fare spazio sufficiente a inserire un nuovo articolo. Finché il robot è almeno un po’ attento a non schiacciare nulla, è un compito relativamente semplice, almeno rispetto al prelievo.

Continua a leggere…

Disordine e Contatto

Quanto è difficile identificare correttamente un articolo in un contenitore che potrebbe essere stipato fino all’orlo con articoli quasi identici, un problema ancora più grande è effettivamente estrarre quell’articolo che hai appena identificato dal contenitore. L’hardware e il software che gli umani hanno per svolgere questo compito non sono eguagliati da nessun robot, il che è sempre un problema, ma il vero fattore complicante è gestire articoli tutti mescolati insieme in un piccolo contenitore di tessuto. E il processo di prelievo coinvolge più di una semplice estrazione: una volta che l’articolo è fuori dal contenitore, devi poi portarlo alla fase successiva di evasione dell’ordine, che significa lasciarlo cadere in un altro contenitore o metterlo su un nastro trasportatore o qualcosa del genere.

“Quando abbiamo iniziato, pensavamo di dover trasportare l’articolo per una certa distanza dopo averlo estratto dal contenitore,” spiega Parness. “Quindi pensavamo di aver bisogno di una presa a pinza.” Una presa a pinza è quando si afferra qualcosa tra un dito (o dita) e il pollice, e almeno per gli umani, è un modo versatile e affidabile di afferrare una vasta gamma di oggetti. Ma come sottolinea Parness, per i robot in questo contesto, è più complicato: “Anche la presa a pinza non è ideale perché se si afferra il bordo di un libro, o l’estremità di una borsa di plastica con qualcosa al suo interno, non si ha il controllo della posa dell’oggetto e potrebbe muoversi in modo imprevedibile.”

Continua a leggere…

Un Futuro (Ancora Più) Automatizzato

Parness è stato molto chiaro nel dire che (per il meglio o per il peggio) Amazon non sta pensando ai suoi robot di inserimento e prelievo in termini di sostituzione completa degli esseri umani. C’è quella lunga coda di articoli che necessitano di un tocco umano, ed è francamente difficile immaginare un sistema di manipolazione robotica abbastanza capace da rendere almeno occasionalmente superfluo l’aiuto umano in un ambiente come un magazzino di Amazon, che in qualche modo riesce a massimizzare l’organizzazione e il caos allo stesso tempo.

Questi robot di inserimento e prelievo sono stati sottoposti a test dal vivo in un magazzino di Amazon in Germania per l’ultimo anno, dove stanno già dimostrando modi in cui i lavoratori umani potrebbero beneficiare direttamente dalla loro presenza. Ad esempio, i contenitori di Amazon possono arrivare fino a 2,5 metri di altezza, il che significa che i lavoratori umani devono usare un gradino per raggiungere i contenitori più alti e chinarsi per raggiungere quelli più bassi. Se i robot fossero principalmente incaricati di interagire con questi contenitori, aiuterebbero gli umani a lavorare più velocemente riducendo lo stress sui loro corpi.

Con i robot che finora riescono a tenere il passo con i lavoratori umani, Parness ci dice che l’accento in futuro sarà principalmente sul migliorare nel non fare errori: “Penso che la nostra velocità sia in un punto davvero buono. La cosa su cui ci stiamo concentrando ora è migliorare quel piccolo margine di affidabilità, e sarà il nostro prossimo anno di lavoro.” Mentre potrebbe sembrare che Amazon stia ottimizzando per i suoi casi d’uso molto specifici, Parness ribadisce che il quadro più ampio qui è utilizzare ogni singolo degli 400 milioni di articoli mescolati nei contenitori come un’opportunità unica per fare ricerca fondamentale sulla manipolazione veloce e affidabile in ambienti complessi.

“Se puoi costruire la scienza per gestire il contatto elevato e il disordine elevato, la useremo ovunque,” dice Parness. “Sarà utile per tutto, dai magazzini alla tua casa. Ciò su cui stiamo lavorando ora sono solo i primi problemi che ci stanno costringendo a sviluppare queste capacità, ma penso che sia il futuro della manipolazione robotica.”