Che cos'è il ragionamento nell'AI?

Versioni recenti di modelli di ragionamento, tra cui DeepSeek-R1, Gemini 2.0 Flash Thinking di Google, Granite 3.2 di IBM e la serie o1 e o3-mini di OpenAI, hanno messo il ragionamento AI sotto i riflettori. I progressi dell'AI hanno permesso alle sue capacità di evolversi, passando dal seguire regole predefinite all'integrare una forma di ragionamento. E con l'aumento dell'adozione dell'AI, il ruolo di questa tecnologia sta cambiando.

Anziché limitarsi a generare risposte, gli attuali modelli di ragionamento possono riflettere e scomporre la propria analisi passo dopo passo. Questo consente all'AI di affrontare problemi sempre più complessi, guidando gli utenti a intraprendere azioni significative.

Tuttavia, il ragionamento AI non è una funzionalità recente, ma è stata integrata nella tecnologia AI sin dalle sue fasi iniziali, secondo Francesca Rossi, ricercatrice IBM. Le capacità di ragionamento pre-programmate hanno conferito alle previsioni dei modelli AI un grado di certezza su cui poter fare affidamento. Ma i modelli AI più recenti potrebbero non avere la stessa certezza e affidabilità a causa delle loro capacità di ragionamento più dinamiche, afferma Rossi.

E sebbene il ragionamento dell'AI sia progettato per imitare il ragionamento umano, Rossi ha notato che l'AI ha ancora molto lavoro da fare per ragionare davvero come fanno gli umani.

Il ragionamento AI è rappresentato come un sistema tipicamente costituito da due componenti fondamentali:

    ● Base di conoscenza

    ● Motore di inferenza

La base di conoscenza è la spina dorsale di un sistema di ragionamento basato sull'AI. Contiene grafi di conoscenza, ontologie, reti semantiche e altri modelli di rappresentazione della conoscenza. Queste forme strutturate mappano entità del mondo reale, come concetti, informazioni specifiche di settore, eventi, fatti, oggetti, relazioni, regole e situazioni, in una struttura che i modelli AI possono elaborare e comprendere.

Il motore di inferenza agisce come il cervello di un sistema di ragionamento AI. È basato su modelli di machine learning addestrati. Il motore di inferenza implementa i metodi logici e di ragionamento necessari per analizzare i dati della base di conoscenza e prendere una decisione.

Per illustrare il funzionamento di un sistema di ragionamento AI, prendiamo come esempio un robot aspirapolvere autonomo. La sua base di conoscenza può contenere informazioni sui diversi tipi di pavimenti e sul tipo di pulizia che richiedono. Gli algoritmi di machine learning del robot sono stati addestrati a riconoscere e classificare ogni tipo di pavimento partendo dalle informazioni della base di conoscenza.

Quando viene utilizzato per la pulizia, il robot riceve ed elabora dati di input, tra cui immagini e dati dei sensori. Quindi, attinge alla sua base di conoscenza e all'addestramento ricevuto e applica la tecnica di ragionamento appropriata per prendere una decisione in tempo reale sulla sua azione di pulizia, ad esempio aspirare e lavare pavimenti in legno, piastrelle e vinile, ma solo aspirare i pavimenti in moquette.

I sistemi di AI implementano diverse strategie di ragionamento a seconda dei set di dati e dell'applicazione target. Di solito utilizzano una combinazione dei seguenti approcci

    ● Ragionamento abduttivo

    ● Agentic reasoning

    ● Ragionamento analogico

    ● Ragionamento di buon senso

    ● Ragionamento deduttivo

    ● Fuzzy reasoning

    ● Ragionamento induttivo

    ● Ragionamento neuro-simbolico

    ● Ragionamento probabilistico

    ● Ragionamento spaziale

    ● Ragionamento temporale

Il ragionamento abduttivo mira a formulare la conclusione più probabile sulla base delle osservazioni attualmente disponibili. In ambito sanitario, ad esempio, gli algoritmi diagnostici utilizzano il ragionamento abduttivo per identificare la patologia che corrisponda meglio a un insieme di sintomi, secondo criteri predefiniti in una base di conoscenza.

L'agentic reasoning consente agli agenti AI di svolgere compiti in modo autonomo. Gli agenti semplici si basano su regole predefinite, mentre gli agenti basati su modelli utilizzano la loro percezione e memoria attuali, oltre a un insieme di regole, per operare negli ambienti. Gli agenti basati su obiettivi pianificano e scelgono le azioni che li aiutano a raggiungere un obiettivo. Anche gli agenti basati sull'utilità hanno un obiettivo da raggiungere, ma considerano anche quanto sarà ottimale il risultato.

Due paradigmi di ragionamento comuni per l'agentic AI includono ReAct (Reasoning and Action) e ReWOO (Reasoning WithOut Observation). ReAct impiega una strategia del tipo pensa-agisci-osserva per risolvere i problemi passo passo e migliorare le risposte in modo iterativo. ReWOO pianifica in anticipo prima di formulare una risposta.

Il ragionamento analogico trasferisce conoscenze da una situazione all'altra. Questa metodologia di ragionamento si basa su analogie per trovare parallelismi o somiglianze tra scenari passati e nuovi. La ricerca mostra che i modelli AI, in particolare i generative pretrained transformer (GPT), hanno ancora difficoltà con il ragionamento analogico.¹

Il ragionamento basato sul buon senso utilizza conoscenze generali sul mondo e conoscenze pratiche sulla vita quotidiana per prendere decisioni. I modelli linguistici di grandi dimensioni (LLM), per esempio, possono dedurre schemi dal linguaggio naturale che rispecchiano il ragionamento di buon senso.

Il ragionamento deduttivo trae conclusioni specifiche da fatti generali o ipotesi più ampie. Ciò significa che se l'ipotesi è vera, allora anche la conclusione deve essere vera.

I sistemi esperti sono un esempio di sistemi AI che dipendono dal ragionamento deduttivo. Sono progettati per emulare le capacità di ragionamento degli esperti umani. Questi sistemi sono dotati di una base di conoscenza che contiene informazioni e regole pertinenti a un determinato dominio.

I sistemi basati su regole, che sono un sottoinsieme dei sistemi esperti, si basano su regole if-then per guidare il proprio processo di ragionamento. Possono essere implementati in ambito finanziario, ad esempio, per aiutare con il rilevamento delle frodi.

Il fuzzy reasoning lavora con gradi di verità anziché con binari assoluti di vero o falso. Aiuta a gestire l'ambiguità.

Per esempio, nell'analisi del sentiment, il fuzzy reasoning può aiutare a valutare il testo e determinare se esprime un sentimento positivo, negativo o neutro.

Rispetto al ragionamento deduttivo, il ragionamento induttivo utilizza osservazioni specifiche per derivare una generalizzazione più ampia. Questo tipo di ragionamento è tipicamente implementato in tecniche di machine learning come l'apprendimento supervisionato, che addestra i modelli AI a prevedere gli output sulla base di dati di addestramento etichettati. Le reti neurali impiegano anche il ragionamento induttivo per identificare gli schemi e le relazioni sottostanti all'interno del set di dati.

Il ragionamento simbolico rappresenta concetti o oggetti come simboli anziché come numeri e li manipola secondo regole logiche. L'AI neuro-simbolica combina le capacità di deep learning delle reti neurali con il ragionamento simbolico per un processo decisionale più efficace. Si tratta di un'innovazione piuttosto recente ed è ancora un'area di ricerca in fase di sviluppo.

Questo metodo di ragionamento valuta la probabilità statistica di risultati diversi. Aiuta nel processo decisionale in condizioni ambigue o incerte, ad esempio quando i dati sono limitati o quando sono possibili risultati variabili che devono essere valutati.

I classificatori Naïve Bayes, ad esempio, impiegano i principi della probabilità per i compiti di classificazione. Il ragionamento probabilistico viene utilizzato anche per le attività di elaborazione del linguaggio naturale (NLP) e per le applicazioni di AI generativa.

Il ragionamento spaziale consente ai sistemi intelligenti, come veicoli autonomi e robot, di interagire con spazi tridimensionali. Questo tipo di ragionamento può includere la modellazione geometrica per interpretare correttamente forme e superfici, e algoritmi di ricerca del percorso che aiutano a determinare la via più breve o ottimale per spostarsi in modo efficiente in ambienti dinamici.

Il ragionamento spaziale può integrare anche le reti neurali convoluzionali (CNNs), che utilizzano dati tridimensionali per le attività di classificazione delle immagini e riconoscimento degli oggetti.

Attraverso il ragionamento temporale, i sistemi AI imparano a elaborare dati temporali specifici e a comprendere sequenze di eventi, il che consente loro di formulare piani, programmare attività o creare previsioni.

Le reti neurali ricorrenti (RNN), ad esempio, vengono addestrate su dati sequenziali o di serie temporali per dedurre conclusioni logiche sui risultati futuri. Una RNN può essere utilizzata per stimare le vendite future, prevedere l'andamento del mercato azionario o generare previsioni meteorologiche.

Il ragionamento può portare ad applicazioni di AI più potenti, ma ha anche i suoi limiti. Ecco alcune sfide associate ai sistemi di ragionamento AI:

    ● Distorsioni

    ● Costi computazionali

    ● Interpretabilità

Le distorsioni eventualmente presenti nei dati di addestramento possono ripercuotersi sui sistemi di ragionamento AI. La diversificazione delle fonti di dati può aiutare a mitigare le distorsioni. Inoltre, l'integrazione della supervisione umana, l'integrazione dell'etica dell'AI nello sviluppo algoritmico e l'istituzione di una governance dell'AI sono fondamentali per garantire che questi sistemi di ragionamento arrivino a decisioni etiche ed eque.

I compiti di ragionamento complessi richiedono una notevole potenza di calcolo, il che rende difficile scalare questi sistemi. Le aziende devono ottimizzare i modelli AI per garantire l'efficienza, preservando al contempo l'accuratezza. Devono inoltre essere pronte a investire nelle risorse necessarie per lo sviluppo, l'addestramento e l'implementazione di questi sistemi di ragionamento.

I sistemi di ragionamento AI, soprattutto quelli più complessi, sono spesso modelli black box. Mancano di trasparenza riguardo alle loro tecniche di ragionamento e ai processi decisionali. Esistono diversi metodi che possono aiutare a promuovere l'interpretabilità nei modelli AI, e creare sistemi interpretabili può aiutare a infondere fiducia negli utenti.

Il ragionamento AI può essere utile, in contesti aziendali, nella risoluzione dei problemi e nell'automazione di attività complesse. Ecco alcuni settori che possono trarre vantaggio dai sistemi di ragionamento AI:

    ● Servizio clienti

    ● Cybersecurity

    ● Sanità

    ● Produzione industriale

    ● Robotica

L'AI conversazionale, come i chatbot o gli agenti virtuali, può utilizzare il ragionamento AI per rispondere in modo più accurato alle domande dei clienti. I rivenditori possono anche utilizzare il ragionamento per il loro motore di raccomandazione, che suggerisce articoli pertinenti per un'esperienza più personalizzata e migliorata.

I sistemi di ragionamento AI possono supportare le tecnologie di cybersecurity nel monitoraggio e nel rilevamento delle minacce. Possono anche suggerire rapidamente una linea d'azione appropriata, contribuendo a migliorare i tempi di risposta.

I modelli di ragionamento AI possono aiutare nella diagnostica media e suggerire piani di trattamento. Possono anche aiutare ad accelerare la scoperta di farmaci, trovando le migliori molecole da testare per lo sviluppo di farmaci.

I sistemi di ragionamento AI possono aiutare con la previsione della domanda per un migliore controllo dell'inventario. I sistemi di manutenzione predittiva possono anche fare affidamento sul ragionamento AI per identificare i problemi delle apparecchiature in tempo reale e consigliare correzioni tempestive.

Se dotati di capacità di ragionamento, i robot possono operare in modo più efficace negli spazi del mondo reale e interagire meglio con gli esseri umani e le altre macchine. Possono fare inferenze logiche in modo autonomo, contribuendo a migliorare le loro capacità di adattamento, mappatura dell'ambiente, navigazione e manipolazione degli oggetti.