FonteUfficiale.it “ Cos’è l’intelligenza artificiale? „

L’intelligenza artificiale (IA) è l’abilità di una macchina di mostrare capacità umane (quali “ragionamento”, “apprendimento”, “pianificazione” e “creatività”)

Cos’è l’intelligenza artificiale? L’Intelligenza Artificiale è un ramo dell’informatica che permette la progettazione di sistemi (sia hardware che software) che permettono di dotare le macchine di determinate caratteristiche considerate tipicamente umane (quali, ad esempio, le percezioni visive, spazio-temporali e decisionali).

Quindi, non solo intelligenza intesa come capacità di calcolo o di conoscenza di dati astratti, ma soprattutto di tutte quelle differenti forme di intelligenza che hanno lo scopo di ricreare le caratteristiche “umane“.

Cos’è l’intelligenza artificiale?

L’intelligenza artificiale (IA) è l’abilità di una macchina di mostrare capacità umane (quali il ragionamento, l’apprendimento, la pianificazione e la creatività). La macchina (il computer) riceve i dati (già preparati o raccolti tramite sensori, come una videocamera), li processa e risponde. Lo fa adattando il proprio comportamento analizzando gli effetti delle azioni precedenti e lavorando in autonomia. Quindi, l’intelligenza artificiale permette alla macchina di capire il proprio ambiente, mettersi in relazione con quello che percepisce, risolvere problemi, e agire verso un obiettivo specifico.

Tipi di intelligenza artificiale:

• Software: assistenti virtuali, software di analisi di immagini, motori di ricerca, sistemi di riconoscimento facciale e vocale;
• Intelligenza incorporata: robot, veicoli autonomi, droni, l’internet delle cose;

Ci sono tante applicazioni che già oggi utilizzano l’intelligenza artificiale nella vita di tutti i giorni:

• E’ usata per fornire suggerimenti basati su acquisti precedenti, su ricerche e su altri comportamenti registrati online;
• E’ usata nel commercio al dettaglio, per ottimizzare gli inventari e organizzare i rifornimenti e la logistica;
• I motori di ricerca imparano da un grande numero di dati (forniti dagli utenti) per offrire i risultati di ricerca pertinenti;
• Gli assistenti virtuali rispondono alle domande, forniscono suggerimenti e aiutano a organizzare l’agenda di tantissimi possessori di smartphone;
• I software di traduzione automatica usano l’intelligenza artificiale per fornire e migliorare le traduzioni;
• Un altro uso di intelligenza artificiale sono i sottotitoli automatici dei video;
• I termostati intelligenti imparano i nostri comportamenti per ottimizzare energia;
• L’intelligenza artificiale può servire nelle città per migliorare la viabilità e ridurre gli ingorghi;
• Le automobili che guidiamo hanno già alcune funzioni di sicurezza che usano l’intelligenza artificiale;
• I sistemi di intelligenza artificiale possono aiutare a riconoscere e combattere gli attacchi e le minacce informatiche;
• Ci sono applicazioni in grado di individuare fake news e disinformazione, analizzando i contenuti dei social media e identificando le parole e le espressioni sospette, perché sensazionalistiche o allarmanti.

Gli utilizzi futuri dell’intelligenza artificiale:

• Alcuni ricercatori stanno studiando come usare l’intelligenza artificiale per analizzare grandi quantità di dati medici e scoprire corrispondenze e modelli per migliorare le diagnosi e la prevenzione;
• Grazie all’uso della guida autonoma, l’intelligenza artificiale potrebbe migliorare la sicurezza, la velocità e l’efficienza del traffico ferroviario;
• L’utilizzo dei robot potrebbe aiutare i produttori a essere più efficienti;
• Minimizzando l’uso di fertilizzanti, pesticidi e irrigazione, aiutando la produttività e riducendo l’impatto ambientale, l’intelligenza artificiale potrebbe aiutare a produrre cibo più sano;
• L’IA potrebbe fornire un sistema di allerta per i disastri naturali, riconoscendone i primi segni sulla base di esperienze passate.

Origine dell’Intelligenza Artificiale

Alcuni tipi di intelligenza artificiale esistono da tantissimi anni, ma solo negli ultimi anni ci sono stati grandi passi in avanti (grazie ai progressi nella potenza dei computer, la disponibilità di enormi quantità di dati e lo sviluppo di nuovi algoritmi).

L’Intelligenza Artificiale nasce con l’avvento dei computer. La data precisa sarebbe il 1956. In questa data, infatti, si parlò per la prima volta di Intelligenza Artificiale durante un convegno che si tenne negli Stati Uniti e che vide la partecipazione di alcuni dei più importanti nomi di quella che sarebbe successivamente stata definita “Intelligenza Artificiale“, ma che allora venne denominata “Sistema Intelligente”.

Durante questo convegno, furono presentati alcuni programmi capaci di effettuare alcuni ragionamenti logici (in particolar modo legati alla matematica). Ad esempio, il programma “Logic Theorist“, sviluppato dai ricercatori informatici Allen Newell e Herbert Simon, era in grado di dimostrare alcuni teoremi di matematica partendo da determinate informazioni.

Successivamente, università e aziende informatiche (tra cui l’IBM), puntarono alla ricerca e allo sviluppo di nuovi programmi e software in grado di pensare e agire come esseri umani. Nacque, così, Lisp, il primo linguaggio di programmazione che per oltre 30 anni fu alla base dei software di Intelligenza Artificiale.

Un nuovo impulso alla ricerca sull’Intelligenza Artificiale venne dal campo biologico. Nel 1969, infatti, alcuni studenti e ricercatori del Carnegie Institute of Technology realizzarono un programma, denominato DENDRAL, in grado di ricostruire una molecole semplice a partire dalle informazioni ottenute dallo spettrometro di massa.

La ricerca trovò, così, la sua prima applicazione in un campo innovativo e permise di trovare un nuovo impulso verso quella che sarebbe stata la rinascita dell’Intelligenza Artificiale, basata sui cosiddetti “sistemi esperti“.

I “sistemi esperti“, a differenza di quanto realizzato prima del software del team del Carnegie Institute of Technology, erano in grado di trovare soluzioni specifiche per determinati scenari.

La nuova era dell’Intelligenza Artificiale si aprì con l’utilizzo di un algoritmo che, già ideato alla fine degli anni ’60, non aveva trovato la massima applicazione a causa delle carenze dovute ai sistemi di apprendimento dei primi programmi di Intelligenza Artificiale. Si tratta dell’algoritmo che permetteva l’apprendimento per “reti neurali“, le cui sperimentazioni coprirono i campi informatici e psicologici.

Il primo successo dell’Intelligenza Artificiale fuquello che vide il confronto tra “Deep Blue” (una macchina realizzata dalla IBM) e l’allora campione di scacchi in carica Garry Kasparov. Anche se i primi incontri furono vinti da Kasparov, i continui miglioramenti apportati al sistema di apprendimento di Deep Blue permisero, in successive partite, di assicurare la vittoria alla macchina. Una vittoria che fu data dal fatto che la macchina aveva raggiunto un livello di creatività così elevato che andava oltre le conoscenze del giocatore stesso.

Intelligenza Artificiale e Problem solving

L’uso delle “reti neurali” e degli algoritmi in grado di riprodurre ragionamenti tipici degli esseri umani nelle differenti situazioni, hanno permesso ai sistemi intelligenti di migliorare sempre di più le diverse capacità di comportamento.

Per poter realizzare ciò, la ricerca si è concentrata non solo sullo sviluppo di algoritmi sempre nuovi, ma soprattutto su algoritmi sempre più numerosi, che potessero imitare i diversi comportamenti a seconda degli stimoli ambientali.

Tali algoritmi complessi, inseriti all’interno di sistemi intelligenti, sono in grado di “prendere decisioni” (ossia di effettuare scelte a seconda dei contesti in cui sono inseriti).

Per realizzare algoritmi sempre più precisi e complessi, è sorta un vero e proprio settore specifico, definito “rappresentazione della conoscenza“, che studia tutte le possibilità di ragionamento dell’uomo e, soprattutto, tutte le possibilità di rendere tale conoscenza comprensibile alle macchine tramite un linguaggio e dei comandi sempre più precisi e dettagliati.

Tali informazioni vengono fornite alla macchina tramite diverse modalità, le più importanti delle quali sono quelle che si basano sulla “Teoria dei Linguaggi Formali” e sulla “Teoria delle Decisioni“.

• Teoria dei Linguaggi Formali: si basa sull’utilizzo di diversi approcci (approccio generativo, riconoscitivo, denotazionale, algebrico e trasformazionale) che si rifanno alle teorie delle Stringhe e ai loro utilizzi. Le stringhe rappresentano dei veri e propri linguaggi formali le cui proprietà variano a seconda dell’approccio utilizzato. Si può, quindi, decidere di puntare su un approccio o sull’altro a seconda dei risultati che si intende ottenere.
• Teoria delle Decisioni: si basa su un albero di decisione, che permette di valutare per ogni azione/decisione le possibili conseguenze (prendendo, quindi, la decisione più conveniente). A seconda delle impostazioni e dello scopo del programma il sistema potrà prendere la decisione che meglio ottimizza il risultato che si vuole ottenere.

Intelligenza Artificiale e apprendimento automatico

Uno dei principali passi avanti nella storia dell’Intelligenza Artificiale è stata fatta quando si sono potuti ricreare degli algoritmi specifici, in grado di far migliorare il comportamento della macchina imparando dai propri errori. Sviluppare algoritmi in grado di imparare dai propri errori è fondamentale per realizzare sistemi intelligenti che operano in contesti per i quali i programmatori non possono prevedere tutte le possibilità di sviluppo e i contesti in cui il sistema si trova a operare.

L’apprendimento automatico è stato reso possibile dallo sviluppo delle “reti neurali artificiali” (un particolare modello matematico che, ispirandosi ai “neuroni” e alle “reti neurali umane”, punta alla soluzione dei diversi problemi a seconda delle possibilità di conoscere gli input e i risultati ottenuti a seconda delle scelte effettuate).

Il nome “rete neurale” deriva dal fatto che questo modello matematico è caratterizzato da una serie di interconnessioni tra tutte le diverse informazioni necessarie per i diversi calcoli. Inoltre, proprio come le “reti neurali biologiche“, anche la “rete neurale artificiale” ha la caratteristica di essere adattativa (ossia di saper variare la sua struttura adattandola alle specifiche necessità derivanti dalle diverse informazioni ottenute nelle diverse fasi di apprendimento).

Dal punto di vista matematico, una “rete neurale” può essere definita come una “funzione composta” (ossia dipendente da altre funzioni a loro volta definibili in maniera differente a seconda di ulteriori funzioni dalle quali esse dipendono). Quindi, all’interno di una “rete neurale” nulla può essere lasciato al caso: ogni azione del sistema intelligente è sempre il risultato dell’elaborazione di calcoli volti a verificare i parametri e a definire le incognite che definiscono le funzioni stesse.

Tramite l’apprendimento automatico (o machine learning), una macchina è in grado di imparare a svolgere una determinata azione anche se tale azione non è mai stata programmata tra le azioni possibili.

La complessità dell’apprendimento automatico ha, però, portato a dover suddividere 3 differenti possibilità (a seconda delle richieste di apprendimento che vengono fatte alla macchina): “Apprendimento supervisionato“, “Apprendimento non supervisionato” e “Apprendimento per rinforzo“.

• Apprendimento supervisionato: alla macchina vengono forniti degli esempi di obiettivi da raggiungere, mostrando le relazioni tra input, output, e risultato. Dall’insieme dei dati mostrati, la macchina deve essere in grado di estrapolare una regola generale, che possa permettere, ogni volta che venga stimolata con un determinato input, di scegliere l’output corretto per il raggiungimento dell’obiettivo.
• Apprendimento non supervisionato: la macchina deve essere in grado di effettuare scelte senza essere stato prima ‘educato’ alle differenti possibilità di output a seconda degli input selezionati. In questo caso, il computer non ha un maestro che gli permetta un apprendimento ma impara esclusivamente dai propri errori.
• Apprendimento per rinforzo: le macchine si trovano ad avere un’interazione con un ambiente nel quale le caratteristiche sono variabili. Si tratta, quindi, di un ambiente dinamico, all’interno del quale la macchina dovrà muoversi per portare a termine un obiettivo non avendo nessun tipo di indicazione se non, alla conclusione della prova, la possibilità di sapere se è riuscita o meno a raggiungere lo scopo iniziale.

Potrebbero interessarti anche questi articoli: