Cos'è l'IA? Storia, definizioni e applicazioni

Tutti parlano di intelligenza artificiale, nota anche come IA. Ma di cosa si tratta esattamente? È proprio quello che spiegheremo oggi.

• L'IA significherà la fine della responsabilità personale?
• Cosa significa davvero l'IA nel tuo smartphone

Storia

L'intelligenza artificiale gioca un ruolo sempre maggiore nelle nostre vite, e l'ultimo trend sono i chip IA e le relative applicazioni smartphone. Ma questa tecnologia iniziò a svilupparsi già negli anni '50 con il Dartmouth Summer Research Project on Artificial Intelligence al Dartmouth College negli USA. Le sue origini risalgono ancora prima ai lavori di Alan Turing — a cui dobbiamo il famoso test di Turing —, Allen Newell e Herbert A. Simon, ma l'IA non salì alla ribalta mondiale fino all'arrivo del supercomputer per scacchi Deep Blue di IBM, prima macchina a battere il campione mondiale Garry Kasparov in un match nel 1996. Gli algoritmi IA sono stati usati in data center e grandi computer per anni, ma solo recentemente sono arrivati nell'elettronica di consumo.

Definizione di intelligenza artificiale

La definizione caratterizza l'IA come ramo dell'informatica che si occupa di automatizzare comportamenti intelligenti. Qui sta il difficile: poiché non puoi definire precisamente l'intelligenza per se, nemmeno l'intelligenza artificiale può essere definita esattamente. In generale, il termine descrive sistemi il cui obiettivo è usare macchine per emulare e simulare l'intelligenza umana e il comportamento corrispondente. Questo può essere fatto con semplici algoritmi e pattern predefiniti, ma può diventare molto più complesso.

Vari tipi di IA

IA simbolica o a manipolazione di simboli lavora con simboli astratti usati per rappresentare la conoscenza. È l'IA classica che persegue l'idea che il pensiero umano possa essere ricostruito a livello logico gerarchico. L'informazione è processata dall'alto, lavorando con simboli leggibili dall'uomo, connessioni astratte e conclusioni logiche.

• Le IA vengono allevate sui videogiochi... non per batterci, ma per unirsi a noi

IA neurale divenne popolare in informatica alla fine degli anni '80. Qui la conoscenza non è rappresentata tramite simboli, ma tramite neuroni artificiali e le loro connessioni — una sorta di cervello ricostruito. La conoscenza raccolta è scomposta in piccoli pezzi — i neuroni — e poi connessa e raggruppata. Questo approccio è noto come metodo bottom-up che lavora dal basso. A differenza dell'IA simbolica, un sistema neurale deve essere addestrato e stimolato così che le reti neurali accumulino esperienza e crescano, accumulando maggiore conoscenza.

Reti neurali sono organizzate in strati connessi tramite linee simulate. Lo strato superiore è l'input layer, che funziona come un sensore che accetta l'informazione da processare e la passa sotto. Seguono almeno due — o più di venti in sistemi grandi — strati gerarchicamente sovrapposti che inviano e classificano informazioni via connessioni. In fondo c'è l'output layer, che ha generalmente il minor numero di neuroni artificiali. Fornisce i dati calcolati in forma leggibile dalla macchina, es. "foto di un cane di giorno con un'auto rossa".

Metodi e strumenti

Esistono vari strumenti e metodi per applicare l'IA a scenari reali, alcuni usabili in parallelo.

La base di tutto è il machine learning, definito come sistema che costruisce conoscenza dall'esperienza. Questo processo dà al sistema la capacità di rilevare pattern e leggi — con velocità e precisione crescenti. Nel machine learning si usano sia IA simbolica che neurale.

Deep learning è un sottotipo di machine learning sempre più importante. Qui si usano solo IA neurale, cioè reti neurali. Il deep learning è la base per la maggior parte delle applicazioni IA attuali. Grazie alla possibilità di espandere sempre più il design delle reti neurali rendendole più complesse e potenti con nuovi strati, il deep learning è facilmente scalabile e adattabile a molte applicazioni.

Ci sono tre processi di apprendimento per addestrare reti neurali: supervisionato, non supervisionato e reinforcement learning, fornendo molti modi diversi per regolare come un input diventa l'output desiderato. Mentre nell'apprendimento supervisionato valori target e parametri sono specificati dall'esterno, in quello non supervisionato il sistema tenta di identificare pattern nell'input che abbiano struttura identificabile e riproducibile. Nel reinforcement learning, la macchina lavora indipendentemente ma viene premiata o punita a seconda del successo o fallimento.

Applicazioni

L'intelligenza artificiale è già usata in molti ambiti, ma non tutti sono visibili a prima vista. Quindi selezionare scenari che sfruttano le possibilità di questa tecnologia non è affatto una lista completa.

I meccanismi dell'IA sono eccellenti per rilevare, identificare e classificare oggetti e persone in foto e video. A tal fine si usa il rilevamento pattern semplice ma CPU-intensive. Se l'informazione d'immagine è decrittata e leggibile dalla macchina, foto e video possono essere facilmente categorizzati, cercati e trovati. Tale riconoscimento è possibile anche per dati audio.

Il servizio clienti usa sempre più chatbot. Questi assistenti testuali riconoscono usando parole chiave che il cliente dice e rispondono di conseguenza. A seconda dell'uso, l'assistente può essere più o meno complesso.

L'analisi di opinione non serve solo per prevedere elezioni in politica, ma anche in marketing e molti altri ambiti. L'opinion mining, o sentiment analysis, setaccia internet per espressioni di opinione ed emozione, permettendo la creazione di sondaggi d'opinione largamente anonimizzati.

Gli algoritmi di ricerca come quelli di Google sono naturalmente top secret. Il modo in cui i risultati sono calcolati, misurati e restituiti è largamente determinato da meccanismi che lavorano con machine learning.

L'elaborazione testi, o controllo grammatica e ortografia, è un'applicazione classica di IA simbolica usata da tempo. La lingua è definita come rete complessa di regole e istruzioni che analizza blocchi di testo in una frase e, in certi casi, può identificare e correggere errori.

Queste capacità sono usate anche nella sintesi del linguaggio parlato, attualmente sulla cresta dell'onda con sistemi assistenti come Siri, Cortana, Alexa o Google Assistant.

Nei nuovi chip per smartphone come il Kirin 970, l'intelligenza artificiale è integrata in un proprio componente, la NPU o Neural Processing Unit. Il processore debutta nell'Huawei Mate 10. Ne saprai di più sui ruoli che la tecnologia avrà sullo smartphone Huawei quando avremo modo di sperimentarlo a breve. Qualcomm lavora da due anni su una NPU, il processore Zeroth, e il nuovo chip Apple A11 contiene un componente simile.

Inoltre, numerosi progetti di ricerca sull'IA, il più prominente è Watson di IBM. Il programma aveva debuttato pubblicamente nel 2011 a Jeopardy, dove affrontò due concorrenti umani. Watson vinse, ovviamente, e seguirono altre apparizioni pubblicitarie. Un'assicurazione giapponese usa Watson da gennaio per controllare clienti assicurati, loro storia e dati medici e valutare infortuni e malattie. Secondo l'azienda, Watson ha sostituito circa 30 dipendenti. La perdita di posti per automazione è solo uno degli aspetti etici e sociali attorno all'IA oggetto di ricerca accademica e aziendale.

Proiezione

L'IA non è uscita dal nulla recentemente, ma si sta avvicinando a una svolta nell'elettronica di consumo, più che sufficiente ragione per tutti per tenersi aggiornati su questo tema in futuro.

Quali aspetti dell'intelligenza artificiale trovi eccezionalmente interessanti? Faccelo sapere nei commenti!