Intelligenza artificiale e sistemi cognitivi, cosa sono e possibili applicazioni

L’intelligenza artificiale può essere vista come l’abilità di un sistema computazionale di svolgere compiti, attività e di risolvere problemi tipici della mente e dell’abilità umana.

La disciplina nasce come ramo dell’informatica, con l’obiettivo di realizzare macchine:

• “sia parte hardware che parte software”;
• in grado di agire autonomamente in tutte quelle situazioni in cui si possa pensare che solo un essere umano sia in grado di comprendere il contesto e agire di conseguenza.

Nel corso degli anni, l’intelligenza artificiale ha spesso acceso il dibattito filosofico per dare risposte sulla possibilità di sostituire l’essere umano con la macchina… è possibile ? 

A tal riguardo possiamo individuare due correnti di pensiero:

• Intelligenza artificiale debole
• Intelligenza artificiale forte

Si parla di intelligenza artificiale debole (Weak Artificial Intelligence) quando lo scopo non è quello di realizzare sistemi che abbiano un’intelligenza paragonabile a quella umana. Ma sistemi che possano agire con successo in una o più attività complesse umane, come può essere ad esempio la traduzione automatica dei testi. 

In questi casi il software, nello svolgere il compito per il quale è stato programmato, agisce come se fosse un soggetto intelligente, ma per i fini del risultato non ha nessuna importanza che lo sia davvero o meno. 

Si parla quindi di intelligenza artificiale debole in tutti quei casi in cui la macchina non è in grado di pensare in maniera autonoma, ma è comunque in grado di simulare un’intelligenza. 

Questo tipo di IA si applica nei casi in cui comprendere i processi cognitivi dell’uomo non sia rilevante ai fini del risultato ultimo. 

Si parla di Intelligenza Artificiale forte quando la macchina dotata di intelligenza artificiale non è soltanto uno “strumento”. 

Se sviluppata in maniera opportuna diventa essa stessa una mente pensante, con una capacità cognitiva non distinguibile da quella umana. 

In questa filosofia l’idea è che alcune forme di intelligenza artificiale possano veramente ragionare e risolvere problemi come farebbe un essere umano, pertanto distinguere i risultati della macchina o dell’uomo sarebbe impossibile.

Con il termine Machine Learning (apprendimento automatico) si intende un insieme di meccanismi appartenenti al mondo dell’intelligenza artificiale.

Questi meccanismi permettono ad una macchina intelligente di migliorare le proprie capacità e prestazioni nel tempo, imparando automaticamente con l’esperienza a svolgere determinati compiti migliorando sempre di più le proprie prestazioni nel tempo. 

Un esempio è AlphaGo, software di Machine Learning che è stato istruito osservando milioni di mosse prese da giocatori di Go durante diverse partite, e facendo giocare la macchina contro sé stessa, col risultato che è stata in grado di battere quello che era ritenuto il migliore giocatore del mondo di questo gioco. 

Le tre principali categorie dell’apprendimento automatico sono:

• Apprendimento supervisionato: il sistema riceve degli esempi etichettati in base all’output che si vuole ottenere e, a partire da questi dati di training, deve estrarre una regola generale che associ ad ogni nuovo input l’etichetta corretta;
• Non supervisionato: non esistono dati etichettati, è il sistema che, a partire dagli input, deve trovare una struttura nei dati;
• Apprendimento per rinforzo:: l sistema riceve input dall’ambiente e attua delle azioni. Il sistema prova ad attuare delle azioni allo scopo di ricevere delle ricompense. Il sistema cercherà di attuare le azioni che ottimizzano la ricompensa a seconda dello stato dell’ambiente circostante.

Potrebbe interessarti anche: Cos’è la Data Science e il ruolo del Data Scientist

Il Deep Learning è una sottocategoria del Machine Learning, cioè famiglia di metodi appartenenti all’intelligenza artificiale ispirati alla struttura e alla funzione del cervello: ovvero le reti neurali artificiali (Artificial Neural Network).

Queste architetture vengono applicate in diversi contesti:

• Computer Vision
• riconoscimento audio e della lingua parlata
• elaborazione del linguaggio naturale
• bioinformatica

Caratteristiche del Deep Learning rispetto ad altre tecniche di A.I.:

• Si tratta di algoritmi che usano vari livelli di unità non lineari. Questi livelli vengono utilizzati in cascata per svolgere compiti che possono essere classificati come problemi di trasformazione di caratteristiche estratte dai dati; ciascun livello utilizza l’uscita del livello precedente come input;
• Questi algoritmi rientrano nella più ampia classe di algoritmi di apprendimento della rappresentazione dei dati all’interno dell’apprendimento automatico;
• Sono formati da livelli multipli di rappresentazione che possono essere intesi come differenti livelli di astrazione, in grado di formare una gerarchia di concetti.

Il Deep Learning agisce con gli stessi meccanismi del cervello, la macchina impara autonomamente come nel Machine Learning, ma lo fa in modo più “profondo” come farebbe anche il cervello umano. Per profondo si intende “su più livelli concettuali”. 

Potrebbe sembrare che la forte richiesta di capacità computazionali possa rappresentare un limite, ma la scalabilità del Deep Learning all’aumento dei dati disponibili e degli algoritmi è ciò che lo differenzia dal Machine Learning: 

• i sistemi di Deep Learning migliorano le proprie prestazioni all’aumentare dei dati
• le applicazioni di Machine Learning una volta raggiunto un certo livello di performance non sono più scalabili. 

Per istruire un sistema di Deep Learning solitamente si etichettano i dati.

Per esempio, nell’ambito del riconoscimento visivo si può inserire il meta tag “gatto” all’interno delle immagini che contengono un gatto e, senza spiegare al sistema come riconoscerlo, sarà il sistema stesso, attraverso livelli gerarchici multipli, a intuire cosa caratterizza un gatto (le zampe, la coda, il pelo, ecc.) e quindi a imparare a riconoscerlo. 

I dati non strutturati possono essere analizzati da un modello di apprendimento profondo una volta formato e raggiunto un livello accettabile di accuratezza, ma non per la fase di training iniziale.

Il Deep Learning oggi è già applicato in diversi ambiti:

• auto senza conducente fisico
• droni e robot impiegati per la consegna di pacchi o per la gestione delle emergenze
• riconoscimento e sintesi vocale per chatbot e robot di servizio
• riconoscimento facciale per sorveglianza
• manutenzione predittiva

Cognitive computing

Implementando le più avanzate tecnologie hardware, e utilizzando algoritmi di autoapprendimento quali:

• data mining
• big data analytics
• riconoscimento di pattern
• elaborazione del linguaggio naturale
• signal processing

vengono realizzate piattaforme tecnologiche che cercano di imitare il cervello umano, partendo da attività più semplici per arrivare a elaborazioni sempre più complesse.

Un segnale è una variazione temporale dello stato fisico di un sistema o di una grandezza fisica che serve per rappresentare e trasmettere messaggi, cioè informazione a distanza, quindi l’analisi dei segnali è una componente che supporta il cognitive computing.

Google Deepmind, e Baidu Minwa sono i più famosi esempi oggi disponibili.

Per non parlare dello storico IBM Watson, il primo supercomputer commerciale di questo tipo.

Ercole Palmeri: Innovation addicted