AI (Artificial Intelligence)

menu icon

AI (Artificial Intelligence)

L'AI consente ai computer e alle macchine di imitare la percezione, l'apprendimento e le capacità di problem-solving e decisionali della mente umana.

Cos'è l'intelligenza artificiale (AI)?

In informatica, il termine intelligenza artificiale (AI) si riferisce a qualsiasi intelligenza simile a quella umana esibita da un computer, robot o altra macchina. Nell'uso popolare, l'intelligenza artificiale si riferisce alla capacità di un computer o di una macchina di imitare le capacità della mente umana - imparare da esempi ed esperienze, riconoscere oggetti, comprendere e rispondere al linguaggio, prendere decisioni, risolvere problemi - e combinare queste e altre capacità di eseguire funzioni che un essere umano potrebbe svolgere, come salutare un ospite di un hotel o guidare un'auto.

Dopo decenni in cui è stata relagata alla fantascienza, oggi, l'AI fa parte della nostra vita quotidiana. L'impennata nello sviluppo dell'AI è resa possibile dall'improvvisa disponibilità di grandi quantità di dati e dal corrispondente sviluppo e ampia disponibilità di sistemi informatici in grado di elaborare tali dati più velocemente e in modo più accurato di quanto possano fare gli esseri umani. L'AI è in grado di completare le nostre parole mentre le digitiamo, fornire indicazioni stradali quando le chiediamo, pulire i pavimenti con l'aspirapolvere e fornire consigli sui prodotti da acquistare o sui programmi televisivi da seguire. Inoltre, gestisce le applicazioni - ad esempio, quelle per l'analisi delle immagini mediche - che consentono ai professionisti di eseguire importanti attività più rapidamente e con maggiori possibilità di successo.

Per quanto l'AI sia abbastanza diffusa al giorno d'oggi, la comprensione dell'AI e della relativa terminologia può essere difficile, perché molti termini vengono utilizzati in modo intercambiabile; e mentre sono realmente intercambiabili in alcuni casi, in altri ciò non avviene. Qual è la differenza tra intelligenza artificiale e machine learning? Tra machine learning e deep learning? Tra riconoscimento vocale ed elaborazione del linguaggio naturale? Tra AI debole e AI forte? Questo articolo cercherà di spiegare questi ed altri termini ed illustrare il funzionamento di base dell'AI.

Intelligenza artificiale, machine learning e deep learning

Il modo più semplice per comprendere il rapporto tra intelligenza artificiale (AI), machine learning e deep learning è il seguente:

  • Pensa all'intelligenza artificiale come all'intero universo della tecnologia di calcolo che mostra qualsiasi cosa assomigli lontanamente all'intelligenza umana. I sistemi AI possono includere qualsiasi cosa da un sistema esperto - un'applicazione di problem solving che prende decisioni basate su regole complesse o sulla logica if/then - a qualcosa simile al personaggio Wall-E della Pixar, un computer che sviluppa l'intelligenza, la libera volontà e le emozioni di un essere umano.  
  • Il machine Learning è un sottoinsieme di applicazioni AI in grado di imparare da solo. In realtà, si riprogramma da solo, man mano che vengono inseriti più dati, per eseguire il compito specifico per cui è stato progettato con una precisione sempre maggiore. 
  • Il deep learning è un sottoinsieme di applicazioni di machine learning che insegna a se stesso come svolgere un compito specifico con una precisione sempre maggiore, senza l'intervento umano.
Diagramma della relazione tra AI, machine learning e deep learning

Esaminiamo più attentamente il machine learning e il deep learning e le relative differenze.

Machine Learning

Le applicazioni di machine learning (chiamate anche modelli di machine learning) si basano su una rete neurale, ovvero una rete di calcoli algoritmici che tenta di imitare la percezione e il processo di pensiero del cervello umano. Nella sua forma più elementare, una rete neurale è composta da:

  • Un livello di input, in cui dati entrano nella rete.
  • Almeno un livello nascosto, in cui gli algoritmi di machine learning elaborano gli input e applicano pesi, distorsioni e soglie agli input.
  • Un livello di output, in cui emergono varie conclusioni, in cui la rete ha vari gradi di fiducia.
Diagramma di una rete neurale di base.

I modelli di machine learning che non sono modelli di deep learning si basano su reti neurali artificiali con un solo livello nascosto. Questi modelli vengono alimentati con dati etichettati - dati potenziati con tag che ne identificano le caratteristiche in un modo che aiuta il modello a identificare e comprendere i dati. Sono in grado di eseguire l'apprendimento con supervisione (un tipo di apprendimento che richiede la supervisione umana), come la regolazione periodica degli algoritmi nel modello.

Deep learning

I modelli di deep learning i modelli si basano su reti neurali profonde - reti neurali con più livelli nascosti, ognuno dei quali perfeziona ulteriormente le conclusioni del livello precedente. Questo movimento di calcoli attraverso i livelli nascosti fino al livello di output è definito propagazione in avanti. Un altro processo, denominato retropropagazione, identifica gli errori nei calcoli, assegna loro un peso e li restituisce ai livelli precedenti per perfezionare o addestrare il modello.

Diagramma di una rete neurale profonda.

Mentre alcuni modelli di deep learning funzionano con i dati etichettati, molti possono funzionare con dati non etichettati - e sono moltissimi. I modelli di deep learning sono anche in grado di eseguire l'apprendimento senza supervisione- rilevando caratteristiche e pattern nei dati con un livello minimo di supervisione umana.

Una semplice illustrazione della differenza tra deep learning e altri tipi di machine learning è la differenza tra gli assistenti Siri di Apple o Alexa di Amazon (che riconosce i comandi vocali senza addestramento) e le applicazioni vocali di un decennio fa, che richiedevano agli utenti di "addestrare" il programma (ed etichettare i dati) pronunciando parole al sistema prima dell'uso. Ma i modelli di deep learning alimentano applicazioni molto più sofisticate, tra cui sistemi di riconoscimento delle immagini in grado di identificare gli oggetti quotidiani in modo più rapido e preciso rispetto agli esseri umani.

Per un'analisi più approfondita delle differenze sfumate tra queste tecnologie, leggi "AI, Machine learning, Deep learning, Reti neurali: Qual è la Differenza?"

Tipi di intelligenza artificiale - AI debole e AI forte

L'AI debole AI - chiamata anche Narrow AI o Artificial Narrow Intelligence (ANI) - è un'AI addestrata e concentrata per svolgere compiti specifici. L'AI debole gestisce la maggior parte dell'AI che ci circonda oggi. Il termine 'Narrow' è un descrittore più accurato per questa AI, che è tutt'altro che debole; consente infatti di eseguire alcune applicazioni davvero impressionanti, tra cui Siri di Apple e Alexa di Amazon, il computer IBM Watson che ha sconfitto i concorrenti umani in Jeopardy e le auto a guida autonoma.

L'AI forte, chiamata anche Artificial General Intelligence (AGI), è un'AI che replica in modo più completo l'autonomia del cervello umano - AI in grado di risolvere molti tipi o classi di problemi e addirittura scegliere i problemi che desidera risolvere senza l'intervento umano. L'AI forte è ancora interamente teorica, senza esempi pratici nell'uso quotidiano. Tuttavia, questo non significa che i ricercatori di AI non stiano anche esplorando (con cautela) la super intelligenza artificiale (ASI), ovvero un'intelligenza artificiale superiore alla capacità o all'intelligenza umana. Un esempio di ASI potrebbe essere HAL, l'assistente informatico superumano (e alla fine incontrollabile) in 2001: Odissea nello spazio.

Applicazioni di intelligenza artificiale

Come notato in precedenza, l'intelligenza artificiale è ovunque oggi, ma una parte di essa esiste da molto più tempo di quanto non si creda. Ecco solo alcuni degli esempi più comuni:

  • Riconoscimento vocale: anche chiamato speech to text (STT), il riconoscimento vocale è la tecnologia AI che riconosce le parole pronunciate e le converte in testo digitato. Il riconoscimento vocale è la funzionalità che gestisce il software di dettatura del computer, i telecomandi vocali dei televisori, i sistemi di messaggistica e GPS ed i menu vocali della segreteria telefonica.
  • Elaborazione del linguaggio naturale (Natural language processing, NLP): la funzione NLP consente a un'applicazione software, un computer o una macchina di comprendere, interpretare e generare testo umano. La NLP è l'AI che gestisce assistenti digitali (come Siri e Alexa), chatbot e altri sistemi di assistenza virtuale basata su testo. Alcune NLP utilizzano l'analisi dei sentimenti per rilevare l'umore, l'atteggiamento o altre qualità soggettive nel linguaggio.
  • Riconoscimento delle immagini (visione artificiale o sistemi di visione artificiale): tecnologia AI che può identificare e classificare oggetti, persone, scrivere e addirittura azioni all'interno di immagini fisse o in movimento. Generalmente gestito da reti neurali profonde, il riconoscimento delle immagini viene utilizzato per i sistemi di identificazione delle impronte digitali, le app di deposito di assegni mobili, l'analisi delle immagini video e mediche, le auto a guida autonoma e molto altro.
  • Consigli in tempo reale i siti Web di intrattenimento e vendita al dettaglio utilizzano le reti neurali per consigliare ulteriori acquisti o supporti che potrebbero attirare un cliente in base alle attività eseguite del cliente o di altri clienti e a molti altri fattori, tra cui l'ora del giorno e le condizioni meteo. Una ricerca ha rilevato che i consigli online possono aumentare le vendite ovunque dal 5% al 30%.
  • Prevenzione di virus e spam: precedentemente gestito da sistemi esperti basati su regole, il software di rilevamento di virus e spam di oggi impiega reti neurali profonde che possono imparare a rilevare nuovi tipi di virus e spam con la stessa velocità con cui i criminali informatici possono immaginarli.
  • Trading azionario automatizzato: progettate per ottimizzare i portafogli azionari, le piattaforme di trading ad alta frequenza gestite dall'AI eseguono migliaia o addirittura milioni di transazioni al giorno senza l'intervento umano.
  • Servizi di ridesharing: Uber, Lyft e altri servizi di ridesharig utilizzano l'AI per abbinare i passeggeri ai conducenti di veicoli per ridurre al minimo i tempi di attesa e le deviazioni, fornire ETA affidabili e addirittura eliminare la crescita dei prezzi durante i periodi di traffico elevato.
  • Robot domestici: l'aspirapolvere Roomba di iRobot utilizza l'intelligenza artificiale per determinare le dimensioni di una stanza, identificare ed evitare gli ostacoli e imparare il percorso più efficiente per pulire un pavimento. Una tecnologia simile gestisce i tagliaerba robotici e gli apparecchi per la pulizia delle piscine.
  • Tecnologia di pilotaggio automatico: questa tecnologia ha consentito l'utilizzo di aerei commerciali e militari per decenni. Oggi, i piloti automatici utilizzano una combinazione di sensori, tecnologia GPS, riconoscimento delle immagini, tecnologia di prevenzione delle collisioni, robotica ed elaborazione del linguaggio naturale per guidare un aereo in sicurezza e aggiornare i piloti umani in base alle necessità. In base alle persone a cui viene richiesto, i piloti commerciali di oggi trascorrono appena tre minuti e mezzo pilotando manualmente un aereo.

Storia dell'intelligenza artificiale: date e nomi principali

L'idea di 'una macchina che pensa' risale all'antica Grecia. Ma dall'avvento dell'informatica (e in relazione ad alcuni degli argomenti trattati in questo articolo) tra gli eventi importanti e le pietre miliari nell'evoluzione dell'intelligenza artificiale è necessario ricordare:

  • 1950: Alan Turing pubblica Computing Machinery e Intelligence. Nel documento Turing - famosa per aver decifrato il codice ENIGMA dei nazisti durante la seconda guerra mondiale - propone di rispondere alla domanda 'Le macchine possono pensare?' e introduce il Test di Turing (link esterno a IBM) per determinare se un computer può dimostrare la stessa intelligenza (o i risultati della stessa intelligenza) di un umano. Il valore del test di Turing è stato da sempre oggetto di discussione.
  • 1956: John McCarthy utilizza il termine 'intelligenza artificiale' alla prima conferenza sull'AI al Dartmouth College. (McCarthy avrebbe successivamente inventato il linguaggio Lisp). Nello stesso anno, Allen Newell, J.C. Shaw e Herbert Simon creano il Logic Theorist, il primo programma software AI eseguito.
  • 1967: Frank Rosenblatt crea il Mark 1 Perceptron, il primo computer basato su una rete neurale che 'apprende' tramite prove ed errori. Solo un anno più tardi, Marvin Minsky e Seymour Papert pubblicano un libro intitolato Perceptrons, che diventa tanto il lavoro di riferimento sulle reti neurali quanto, almeno per un periodo, un argomento contro i futuri progetti di ricerca sulle reti neurali.
  • Anni '80: le reti neurali che utilizzano la retropropagazione - algoritmi per l'addestramento della rete - vengono ampiamente utilizzate nelle applicazioni AI.
  • 1997: Deep Blue di IBM batte poi il campione del mondo di scacchi Garry Kasparov, in una partita a scacchi (con rivincita).
  • 2011: IBM Watson batte i campioni Ken Jennings e Brad Rutter a Jeopardy!
  • 2015: il supercomputer Minwa di Baidu utilizza uno speciale tipo di rete neurale profonda chiamata rete neurale convoluzionale per identificare e categorizzare le immagini con una velocità di precisione superiore rispetto alla media umana.
  • 2016: il programma AlphaGo di DeepMind, basato su rete neurale profonda, batte Lee Sodol, il campione del mondo di Go, in un match di cinque partite. La vittoria è significativa dato l'enorme numero di mosse possibili man mano che il gioco progredisce (oltre 14,5 trilioni dopo appena quattro mosse). Successivamente, Google ha acquistato DeepMind per 400 milioni di dollari USA.

Intelligenza artificiale e IBM Cloud

IBM è stata leader nel progresso delle tecnologie basate sull'AI per le imprese e ha tracciato la strada per il futuro dei sistemi di machine learning per più settori. Sulla base di decenni di ricerca sull'AI, anni di esperienza di lavoro con organizzazioni di tutte le dimensioni e insegnamenti da oltre 30.000 impegni di IBM Watson, IBM ha sviluppato l'AI Ladder per le distribuzioni di intelligenza artificiale di successo:

  • Raccolta: semplificazione della raccolta dei dati e dell'accessibilità.
  • Analisi: creazione di sistemi scalabili ed affidabili gestiti dall'AI.
  • Integrazione: integrazione e ottimizzazione dei sistemi in tutto il framework aziendale.
  • Modernizzazione: spostamento dei sistemi e delle applicazioni AI nel cloud.

IBM Watson fornisce alle imprese gli strumenti AI necessari per trasformare i propri flussi di lavoro e sistemi aziendali, migliorando notevolmente l'automazione e l'efficienza. Per ulteriori informazioni su come IBM può aiutarti a completare il tuo percorso verso l'AI, esplora il portfolio IBM di servizi e soluzioni gestiti

Registrati per un IBMid e crea il tuo account IBM Cloud.