Intelligenza artificiale: cos’è e come può aiutarci?

Introduzione e storia

L’intelligenza artificiale sta trovando sempre più applicazioni pratiche nella vita di ogni giorno. L’ultima novità riguarda l’introduzione della AI nei chip e nelle applicazioni per smartphone. Lo sviluppo di questa tecnologia è iniziato negli anni cinquanta con il progetto Dartmouth Summer Research Project sull’intelligenza artificiale al Dortmouth College negli Stati Uniti.

In realtà, se vogliamo dirla tutta, gli inizi si rifanno all’ancora precedente opera di Alan Turing, creatore del noto test di Turing, di Allen Newell e di Herbert A. Simon. L’attenzione del pubblico di tutto il mondo è stata focalizzata sull’AI ben più tardi da IBM con il suo computer per scacchi Deep Blue che è stato in grado per la prima volta di battere l’allora campione del mondo di scacchi Garri Kasparov. In più gli algoritmi AI sono stati utilizzati per anni nei mainframe e nei datacenter.

Definizione di AI

La definizione di intelligenza artificiale si riferisce ad una branca dell'informatica che si occupa dell'automazione del comportamento intelligente. La difficoltà è che, poiché la definizione dell'intelligenza stessa non può essere scritta con precisione, l'intelligenza artificiale non può essere delimitata.

Generalmente, il termine è usato per descrivere i sistemi che sono progettati per simulare con le macchine l'intelligenza e il comportamento umano. Questo può essere fatto con semplici algoritmi e schemi già pronti, ma può anche essere molto più complesso.

Diversi tipi di AI

L'AI simbolica (o di elaborazione dei simboli) funziona con simboli astratti, che vengono utilizzati come rappresentazione della conoscenza. Questa è considerata come la più classica delle AI, che persegue l'idea che il pensiero umano possa essere ricostruito da un livello logico sovraordinato. Le informazioni vengono elaborate dall'alto, lavorando con simboli, connessioni astratte e conclusioni logiche.

L'Intelligenza Artificiale neurale divenne popolare nella scienza alla fine degli anni '80. La conoscenza non è qui rappresentata dal simbolismo, ma da neuroni artificiali e la loro connessione: una sorta di imitazione del cervello. Le conoscenze raccolte sono suddivise in piccoli pezzi, i neuroni, e poi messe in rete e costruite in gruppi. Questo approccio viene definito come un metodo dal basso verso l'alto. A differenza di una AI simbolica, un sistema neurale deve essere formato e stimolato in modo che le reti neurali possano raccogliere e far crescere l'esperienza, in altre parole, accumulare maggiori conoscenze.

Le reti neurali sono organizzate in strati che sono collegati tra loro tramite linee simulate. Il livello superiore è il livello di input, che funziona come un sensore, cattura le informazioni da elaborare e le trasferisce verso il basso. Seguono ora almeno due livelli, in sistemi di grandi dimensioni più di venti, che sono gerarchicamente sovrapposti l'uno all'altro, passano attraverso e classificano le informazioni sulle connessioni. Lo strato di uscita, che di solito ha il minor numero di neuroni artificiali, si trova sul fondo. Fornisce i dati determinati in forma leggibile a una macchina, ad esempio: "immagine di un cane di giorno con un' auto rossa".

Metodologie e strumenti

Esistono vari strumenti e metodologie per sfruttare l'intelligenza artificiale in scenari reali. Questi strumenti a volte possono essere utilizzati in parallelo.

La base di tutto è il Machine Learning. Ciò caratterizza i sistemi che costruiscono le conoscenze sulla base dell'esperienza. Con questo processo il sistema è in grado di riconoscere i modelli e le regolarità, questo con velocità e precisione in costante aumento. Sia l'AI simbolica che quella neurale utilizzano il machine learning.

Il Deep Learning è una sottospecie sempre più importante di Machine Learning. Qui si usa solo l'AI neurale, chiamate anche reti neurali. Il Deep Learning è la base per la maggior parte delle attuali applicazioni di AI. Grazie alla capacità di espandere continuamente la struttura delle reti neurali e di renderle più complesse ed efficienti con nuovi livelli, il Deep Learning è ben scalabile e adattabile a molte applicazioni.

Ci sono tre metodi di apprendimento per la formazione delle reti neurali: supervisionati, non supervisionati e apprendimento per rinforzo. In questo modo è possibile regolare in diversi modi come un ingresso diventi l'uscita desiderata. Mentre nell'apprendimento supervisionato i valori target e i parametri sono definiti esternamente, in quello non supervisionato il sistema cerca di identificare modelli nell'input che hanno una struttura riconoscibile e riproducibile. Nell’apprendimento per rinforzo la macchina funziona comunque in modo indipendente come nell’apprendimento non supervisionato ma a seconda del successo o del fallimento viene premiata o punita.

Obiettivi

L'intelligenza artificiale è già utilizzata in molti settori, ma non tutte sono immediatamente visibili. Questa selezione di scenari che utilizzano le capacità di questa tecnologia non è pertanto completa.

I meccanismi dell'Intelligenza Artificiale sono adatti per riconoscere, identificare e classificare oggetti e persone su immagini e video. Inoltre, viene utilizzato anche il riconoscimento di pattern semplici, che risulta complesso dal punto di vista computazionale. Una volta decrittate le informazioni dell'immagine in modo da essere leggibili dalla macchina, le foto e i video possono essere facilmente categorizzati, cercati e recuperati. Tale rilevamento è possibile anche per i dati audio.

Il servizio clienti viene sempre più spesso svolto con chatbot. Queste procedure guidate basate sul testo utilizzano parole chiave per identificare ciò che il cliente vuole dire e reagire di conseguenza. A seconda dell'approccio, questi assistenti possono essere più o meno complessi.

L'analisi delle opinioni non è utilizzata solo in politica per le previsioni elettorali, ma anche nel marketing e in molti altri settori. Attraverso l'opinion mining, noto anche come analisi dello stato d’animo, Internet viene setacciato per le espressioni di opinione e, appunto, stato d’animo. In questo modo si può conoscere l’opinione generale in maniera anonima.

Algoritmi di ricerca come quelli di Google sono ovviamente strettamente confidenziali. Il modo in cui i risultati della ricerca vengono determinati, ponderati e ottenuti è determinato in grandi parti da meccanismi che funzionano con il machine learning.

Il controllo ortografico, cioè il controllo grammaticale e dell’ortografia di un testo, è un campo d'applicazione classico e di lunga data per l'AI simbolico. Il linguaggio è definito come una complessa rete di regole e istruzioni che analizza i blocchi di testo in una frase e può identificare e correggere gli errori.

Queste competenze sono utilizzate anche nella sintesi della lingua parlata, che è attualmente sulle bocca di tutti con gli assistenti digitali come Siri, Cortana, Alexa o Google Assistant.

Sui nuovi chip per smartphone, come il Kirin 970 di Huawei, l'intelligenza artificiale è incorporata e si chiama NPU. Il processore farà il suo debutto su Huawei Mate 10 a breve e nei prossimi giorni scoprirete di più sull’utilizzo della tecnologia sullo smartphone Huawei. Qualcomm lavora con il processore Zeroth da due anni su una NPU e il nuovo chip Apple A11 ha un componente simile.

Inoltre, ci sono numerosi progetti di ricerca sull'intelligenza artificiale. Il più importante è probabilmente Watson della IBM. Il programma per computer ha avuto la sua prima apparizione pubblica già nel 2011 nel quiz Jeopardy in duello con due candidati umani. Watson ha vinto chiaramente. Seguirono altre apparizioni pubblicitarie di questo tipo. Da gennaio una compagnia di assicurazioni giapponese utilizza Watson per esaminare le persone assicurate, la loro storia medica e i dati medici, nonché per valutare infortuni e malattie. Secondo l'azienda, Watson sostituisce circa 30 dipendenti.

Prospettiva

L'intelligenza artificiale non è quindi solo un problema recente, ma ora è in procinto di essere finalmente utilizzata per migliorare l’esperienza del consumatore finale. Per questo motivo continueremo quindi ad esaminare intensamente questo tema in futuro.

Quali aspetti dell'intelligenza artificiale vi interessano particolarmente? Ditecelo nei commenti!

Fonte: 1&1, Qualcomm, Machine Learning Mastery