AI Act...ion

Veljko Massimo Plavsic

Deep dive trough the AI risk standards and regolamentation

集數

  1. FMEA for Humanoid Robots: Reliability in intelligent systems

    6月10日

    FMEA for Humanoid Robots: Reliability in intelligent systems

    The Anatomy of Robotic Failure: A Student’s Guide to Humanoid Reliability 1. Introduction: The Humanoid as an Ultra-Complex Organism In modern systems engineering, the humanoid robot—exemplified by cutting-edge platforms like Tesla Optimus, Boston Dynamics Atlas, and Engineered Arts Ameca—is no longer a theoretical exercise. It is a deeply integrated convergence of four distinct layers that must operate with biological-level synchronization. Unlike stationary industrial arms, these "ultra-complex organisms" operate in unstructured, human-centric environments. Consequently, a failure in one layer does not remain isolated; it cascades across the entire architecture, potentially resulting in catastrophic physical or financial loss. To maintain these systems, we utilize the "System Core" model, defining the humanoid through four critical layers: Hardware Layer: The physical chassis, including high-torque actuators, complex joints, power systems, and structural materials.Software Layer: The nervous system, comprising the Real-Time Operating System (RTOS), low-level control loops, and firmware.AI and Cognition Layer: The higher brain functions responsible for perception, real-time inference, decision-making, and learning algorithms.Human-Machine Interaction (HMI) Layer: The social and safety interface, managing proximity protocols, expressive communication, and collaborative response.To understand how we keep these machines healthy and avoid the staggering costs of failure, we must first understand the mechanics of how they break.

    23 分鐘
  2. Machine Unlearning: Fondamenti, Metodologie e Sfide Future

    5月18日

    Machine Unlearning: Fondamenti, Metodologie e Sfide Future

    Il "Machine Unlearning" (MU) rappresenta un paradigma trasformativo nell'intelligenza artificiale, focalizzato sulla capacità dei modelli di dimenticare intenzionalmente informazioni specifiche senza compromettere le prestazioni globali. A differenza dell'apprendimento automatico tradizionale, che mira all'accumulo di conoscenza, l'unlearning risponde a esigenze critiche di privacy, conformità normativa (come il GDPR) e adattabilità in ambienti dinamici. Le metodologie si dividono principalmente in unlearning esatto, che garantisce la rimozione totale dell'influenza dei dati tramite ricalcoli algoritmici, e unlearning approssimativo, che ottimizza le risorse riducendo l'impatto dei dati target. Nonostante il potenziale per rafforzare la fiducia degli utenti e l'efficienza dei sistemi, il settore affronta sfide significative, tra cui l'elevato costo computazionale, la difficoltà di valutazione e i rischi legati al "dual-use". La ricerca futura si sta orientando verso algoritmi più efficienti, garanzie certificate e un maggiore controllo da parte dell'utente sui processi di rimozione dei dati Prospettive Future Il campo della ricerca è in rapida evoluzione con diverse direzioni promettenti: Efficienza Algoritmica: Sviluppo di algoritmi che permettano una rimozione dei dati più rapida e meno onerosa (es. evoluzioni dell'infinitesimal jackknife).Certificazione e Garanzie: Ricerca di algoritmi di unlearning certificati che bilancino l'efficienza della memoria con prove verificabili di rimozione, ispirandosi alla privacy differenziale.Unlearning Interattivo e Controllato: Creazione di strumenti che offrano agli utenti un controllo granulare e interpretabile sulle informazioni rimosse dai modelli.Mitigazione dei Rischi Contestuali: Strategie per navigare i trade-off tra utilità e oblio, garantendo che l'unlearning non comprometta le conoscenze essenziali del sistema.

    46 分鐘

簡介

Deep dive trough the AI risk standards and regolamentation