L’intelligenza artificiale è già parte integrante e ormai facilmente fruibile della nostra vita quotidiana, come dimostra ormai il suo utilizzo costante in più di metà delle grandi aziende italiane.
Basti pensare alle auto senza guidatore o agli assistenti vocali come Cortana di Microsoft, Siri di Apple, o Alexa di Amazon, per citare i più noti. Non è difficile, infatti, accorgersi che ogni giorno abbiamo a che fare con algoritmi intelligenti in grado di auto-apprendere e di aiutarci nella vita quotidiana in tantissimi modi:
- rispondendo alle nostre richieste circa prodotti da acquistare, film o brani musicali corrispondenti alle nostre preferenze
- suggerendo indicazioni via chat
- riconoscendo il volto di una persona per abilitare un accesso o processare documenti
Sono inoltre già numerosi gli esempi di come l’Intelligenza artificiale abbia avuto un impatto positivo rispetto alle procedure aziendali o della pubblica amministrazione, automatizzando, riducendo errori o permettendo lo sviluppo di nuovi prodotti e servizi.
In questo articolo approfondiremo alcuni aspetti dell’intelligenza artificiale, in particolare quelli relativi al deep neural network, e chiederemo il parere autorevole di Piero Poccianti, presidente dell’Associazione Italiana per l’Intelligenza Artificiale.
COS’È L’INTELLIGENZA ARTIFICIALE
Prima di addentrarci nell’ambito del deep neural network è necessario dare una definizione di intelligenza artificiale.
Secondo quella fornita dal Politecnico di Milano, “l’Artificial Intelligence è il ramo della computer science che studia lo sviluppo di sistemi hardware e software dotati di capacità tipiche dell’essere umano ed in grado di perseguire autonomamente una finalità definita prendendo delle decisioni che, fino a quel momento, erano solitamente affidate agli esseri umani”.
Non esiste tuttavia una definizione univoca di IA e le interpretazioni possono essere di vario genere, a seconda dell’ambito di interesse. Ci si può concentrare sui processi interni di ragionamento, ad esempio, o piuttosto sul comportamento esterno dei sistemi, partendo sempre dalla somiglianza di reazioni e risultati rispetto al comportamento umano.
Ad oggi, la comunità scientifica definisce due differenti tipi di intelligenza artificiale: la cosiddetta debole e la cosiddetta forte. Il punto di partenza tiene conto di come le capacità umane, per caratteristica innata, riguardino la comprensione e l’elaborazione del linguaggio naturale e delle immagini, l’apprendimento, il ragionamento e la capacità di pianificazione, ma anche l’interazione con persone, macchine e ambiente esterno.
Tracciamo subito una linea di demarcazione: a differenza dei software tradizionali, un sistema IA non si basa semplicemente sulla programmazione realizzata da sviluppatori che scrivono il suo codice di funzionamento, ma su tecniche di progressivo apprendimento, ossia sulla definizione di algoritmi che, elaborando un’enorme quantità di dati, portano il sistema stesso a rivalutare e fare progredire le proprie capacità di comprensione e ragionamento.
Il tentativo di simulare il ragionamento umano con l’intelligenza artificiale apre diversi scenari di riflessione dal punto di vista etico.
DA MACHINE LEARNING A DEEP NEURAL NETWORK
Da un punto di vista tecnologico e metodologico, quella che definiamo intelligenza artificiale è intesa come processo di apprendimento che genera un compito o azione. Distinguiamo ad oggi due modelli di apprendimento: Machine Learning e Deep Learning.
Nel primo caso si tratta di sistemi funzionali ad abituare il software a correggere gli errori, affinché possa imparare e poi eseguire autonomamente un’attività: pensiamo ad esempio a una mano meccanica che esegue un taglio di altissima precisione attraverso un algoritmo di controllo.
Il Machine Learning sta progredendo tuttavia sull’uso di reti neurali organizzate in più livelli di profondità, per questo detto Deep Learning: parliamo di processi di apprendimento sviluppati relativamente recente (successivi al 2010), ispirati alla struttura e al funzionamento delle reti neuronali umane.
Chiaramente, in quest’ottica, il Deep Learning necessita di reti neurali artificiali progettate appositamente, che chiamiamo deep artificial neural networks, e di conseguenza di una capacità computazionale ed energetica estremamente potente per “reggere” differenti strati di calcolo e analisi. Senza spinte troppo immaginifiche, si tratta di sistemi già in uso ad esempio nel riconoscimento di pattern, nel riconoscimento vocale e delle immagini e nei sistemi di Natural Language Processing.
L’INTERVISTA A PIERO POCCIANTI: FIN DOVE PUÒ SPINGERSI L’INTELLIGENZA ARTIFICIALE?
“Era e resta ancora una domanda tanto antica quanto difficile” afferma Piero Poccianti, presidente dell’Associazione Italiana per l’Intelligenza Artificiale (AIxIA), perché il dibattito nel merito è in atto da moltissimo tempo e riguarda soprattutto le possibilità della General artificial intelligence, ossia le possibilità dei sistemi di svolgere più compiti diversi.
“Non abbiamo alcuna base scientifica per affermare se mai o in quanto tempo l’IA potrà raggiungere le capacità umane, non certo in settori caratteristici, dove già la supera, come il calcolo, ma piuttosto nella complessità di ragionamenti creativi, trasversali o che implicano l’astrazione” spiega Poccianti.
Pensiamo ad esempio come la mente umana concepisca di base quattro categorie: percepire, vedere, sapere ascoltare, sapere riconoscere un oggetto o il mondo che ci sta attorno.
“La percezione implica il riconoscimento di configurazioni, quindi anche la possibilità di riconoscere qualcosa di anomalo in un’ecografia è un esempio di come può essere applicata l’Intelligenza Artificiale, che ha anche la capacità di imparare in base agli eventi precedenti – continua Poccianti. – Anche la quarta capacità è in fase iniziale già sperimentata, ma quella sulla quale si giocano la sfida e l’interrogativo di fondo resta la capacità di astrarre, nella quale l’uomo esprime ad esempio analogie rispetto a processi simili già sperimentati in vari ambiti e che replica adottando anche creatività o modifiche, ad esempio”.
In questo aspetto dunque, abbinato poi all’eventuale capacità di costruzione autonoma di nuove strategie, si concentrerà la possibilità di risposta alla grande domanda di fondo: capire come, se e quanto le cosiddette macchine riusciranno in qualche modo a incrociare le categorie citate, aggiungendo il grande tassello mancante relativo alla capacità di intuizione dalla capacità di astrazione.
CONSIDERAZIONI FINALI
Le considerazioni appena citate sono riflessioni sulle quali i centri di ricerca ICT si soffermano ogni giorno, nell’ambito dello sviluppo dell’intelligenza artificiale. Inoltre può essere affermato che, sebbene alla domanda posta a Piero Poccianti sul fin dove possa arrivare l’intelligenza artificiale non ci siano ancora risposte certe, è proprio questa “incertezza” a fungere da stimolo per un impegno sempre maggiore nel campo.
Per maggiori approfondimenti sullo stato della ricerca ICT in Italia puoi dare un’occhiata a questo articolo.
Cerchi un partner per progetti di ricerca ICT? Compila il modulo qui in basso per entrare in contatto con PMF Research.
