Quali sono i diversi tipi di intelligenza artificiale

Le prime iterazioni delle applicazioni di AI con cui oggi interagiamo maggiormente erano basate su modelli tradizionali di machine learning. Questi modelli si basano su algoritmi di apprendimento sviluppati e mantenuti dai data scientist. In altre parole, i modelli tradizionali di machine learning richiedono l'intervento umano per elaborare nuove informazioni ed eseguire qualsiasi nuova attività che non rientri nel loro addestramento iniziale.

Ad esempio, Apple ha reso Siri una funzionalità del suo iOS nel 2011. Questa prima versione di Siri era stata addestrata per comprendere una serie di frasi e richieste altamente specifiche. È stato necessario l'intervento umano per espandere la knowledge base e le funzionalità di Siri.

Tuttavia, le funzionalità di AI si sono evolute costantemente dopo lo sviluppo rivoluzionario, nel 2012, delle reti neurali, che consentono alle macchine di partecipare all'apprendimento per rinforzo e di simulare il modo in cui il cervello umano elabora le informazioni.

A differenza dei modelli di machine learning di base, i modelli di deep learning consentono alle applicazioni di AI di apprendere come eseguire nuove attività che richiedono intelligenza umana, così come di assumere nuovi comportamenti e prendere decisioni senza l'intervento umano. Di conseguenza, il deep learning ha consentito l'automazione, la generazione di contenuti, la manutenzione predittiva e altre funzionalità in tutti i settori.

Grazie al deep learning e ad altri progressi, il campo dell'AI rimane in uno stato di flusso costante e veloce. La nostra comprensione collettiva dell'AI, effettiva e teorica, continua a cambiare, il che significa che le categorie e la terminologia dell'AI possono differire (e sovrapporsi) da una fonte all'altra. Tuttavia, i tipi di AI possono essere ampiamente compresi esaminando due categorie: funzionalità e capacità dell'AI.

1. AI artificiale ristretta

L'intelligenza artificiale ristretta, nota anche come AI debole, è l'unico tipo di AI attualmente esistente. Ogni altra forma di AI è teorica. Questa tipologia di AI può essere addestrata a svolgere un compito singolo o limitato, spesso molto più velocemente e meglio di una mente umana.

Tuttavia, non può funzionare al di fuori del compito definito. Si occupa di un singolo sottoinsieme di capacità cognitive e progressi in quello spettro. Siri, Alexa di Amazon e IBM watsonx sono esempi di AI ristretta. Anche ChatGPT di OpenAI è considerato una forma di AI ristretta, perché è limitato al singolo compito della chat basata su testo.

2. AI generale

L'intelligenza artificiale generale (AGI), nota anche come AI forte, attualmente non è altro che un concetto teorico. L'AGI può utilizzare apprendimenti e competenze precedenti per svolgere nuove attività in un contesto diverso, senza che gli esseri umani addestrino i modelli sottostanti. Questa capacità consente all'AGI di apprendere e svolgere qualsiasi attività intellettuale che un essere umano potrebbe svolgere.

3. Super AI

La Super AI viene comunemente definita superintelligenza artificiale e, come l'AGI, è puramente teorica. Se mai venisse realizzata, la Super AI penserebbe, ragionerebbe, apprenderebbe, esprimerebbe giudizi e sarebbe dotata di capacità cognitive che superano quelle degli esseri umani.

Le applicazioni dotate di funzionalità di Super AI si saranno evolute oltre la comprensione dei sentimenti e delle esperienze umane così da provare emozioni, avere bisogni e possedere convinzioni e desideri propri.

Nell'ambito dell'AI ristretta, uno dei tre tipi basati sulle capacità, ci sono due categorie di AI funzionali:

1. AI reattiva

Le macchine reattive sono sistemi di AI senza memoria, progettate per svolgere un'attività molto specifica. Poiché non possono ricordare risultati o decisioni precedenti, lavorano solo con i dati attualmente disponibili. L'AI reattiva deriva dalla matematica statistica e può analizzare grandi quantità di dati per produrre un output apparentemente intelligente.

Esempi di AI reattiva
 

• IBM Deep Blue: l'AI del supercomputer IBM che gioca a scacchi ha battuto il grande campione Garry Kasparov alla fine degli anni '90, analizzando i pezzi sulla scacchiera e prevedendo i probabili risultati di ogni mossa.
• Il motore di raccomandazioni di Netflix: i consigli di Netflix sono basati su modelli che elaborano i set di dati raccolti dalla cronologia delle visualizzazioni per fornire ai clienti i contenuti che è più probabile che apprezzino.

2. AI a memoria limitata

A differenza dell'AI reattiva, questa forma di AI può richiamare eventi e risultati passati e monitorare specifici oggetti o situazioni nel tempo. L'AI a memoria limitata può utilizzare i dati del passato e del presente per decidere la linea d'azione più probabile per raggiungere il risultato desiderato.

Tuttavia, sebbene l'AI a memoria limitata possa utilizzare i dati passati per un periodo di tempo specifico, non può conservare tali dati in una libreria di esperienze passate per utilizzarli nel lungo periodo. Via via che viene addestrata su più dati nel tempo, l'AI a memoria limitata può migliorare a livello di prestazioni.

Esempi di AI a memoria limitata
 

• AI generativa: gli strumenti di AI generativa, come ChatGPT, Bard e DeepAI, si basano sull'AI a memoria limitata per prevedere la parola, la frase o l'elemento visivo successivi all'interno del contenuto che l'AI generativa sta creando.
• Assistenti virtuali e chatbot: Siri, Alexa, Google Assistant, Cortana e IBM watsonx Assistant combinano l'elaborazione del linguaggio naturale (NLP) e l'AI a memoria limitata per comprendere le domande e le richieste, intraprendere azioni adeguate e comporre le risposte.
• Auto a guida autonoma: i veicoli autonomi utilizzano l'AI a memoria limitata per comprendere, in tempo reale, il mondo che li circonda e prendere decisioni informate su quando aumentare la velocità, frenare, svoltare, ecc.

3. AI con teoria della mente

L'AI con teoria della Mente è una classe funzionale dell'AI che rientra nell'AI generale. Sebbene sia una forma di AI ancora non realizzata, l'AI con funzionalità di teoria della mente comprenderebbe i pensieri e le emozioni di altre entità. Questa comprensione può influenzare il modo in cui l'AI interagisce con coloro che la circondano. In teoria, ciò consentirebbe all'AI di simulare relazioni simili a quelle umane.

Poiché l'AI con teoria della mente potrebbe dedurre motivazioni e ragionamenti umani, personalizzerebbe le sue interazioni con gli individui in base alle loro esigenze emotive e intenzioni specifiche. L'AI con teoria della mente sarebbe anche in grado di comprendere e contestualizzare opere d'arte e saggi, cosa che gli strumenti di AI generativa attuali non sono in grado di fare.

L'AI emotiva è un'AI con teoria della mente attualmente in fase di sviluppo. I ricercatori sperano che abbia la capacità di analizzare voci, immagini e altri tipi di dati per riconoscere, simulare, monitorare e rispondere in modo adeguato agli umani a livello emotivo. Ad oggi, l'AI emotiva non è in grado di comprendere e rispondere ai sentimenti umani.

4. AI consapevole

L'AI consapevole è un tipo di AI funzionale per le applicazioni che possiedono capacità di Super AI. Come l'AI con teoria della mente, anche l'AI consapevole è puramente teorica. Se mai realizzata, sarebbe in grado di comprendere le proprie condizioni e i tratti interni insieme alle emozioni e ai pensieri umani. Disporrebbe anche del suo insieme di emozioni, bisogni e convinzioni.

L'AI emotiva è un'AI basata sulla teoria della mente attualmente in fase di sviluppo. I ricercatori sperano che abbia la capacità di analizzare voci, immagini e altri tipi di dati per riconoscere, simulare, monitorare e rispondere in modo adeguato agli esseri umani a livello emotivo. Ad oggi, l'AI emotiva non è in grado di comprendere e rispondere ai sentimenti umani.

Computer vision

Le applicazioni dell'AI ristretta con computer vision possono essere addestrate a interpretare e analizzare il mondo visivo. Ciò consente alle macchine intelligenti di identificare e classificare gli oggetti all'interno di immagini e riprese video.

Le applicazioni della computer vision includono:

• Riconoscimento e classificazione delle immagini
• Rilevamento degli oggetti
• Tracciamento di oggetti
• Riconoscimento facciale
• Ricerca di immagini basata sui contenuti

La computer vision è critica nei casi d'uso che coinvolgono macchine di AI che interagiscono e attraversano il mondo fisico circostante. Gli esempi includono auto a guida autonoma e macchine che si muovono nei magazzini e in altri ambienti.

Robotica

I robot in ambienti industriali possono utilizzare l'AI ristretta per eseguire attività di routine e ripetitive che coinvolgono la movimentazione dei materiali, l'assemblaggio e le ispezioni di qualità. Nella sanità, i robot dotati di AI ristretta possono assistere i chirurghi nel monitorare i parametri vitali e rilevare potenziali problemi durante gli interventi.

I macchinari agricoli possono effettuare la potatura, lo spostamento, il diradamento, la semina e l'irrorazione in autonomia. I dispositivi domestici intelligenti come l'iRobot Roomba possono muoversi all'interno di una casa utilizzando la computer vision e utilizzare i dati archiviati in memoria per comprenderne i progressi.

Sistemi esperti

Sistemi esperti dotati di funzionalità di AI ristretta possono essere addestrati su un corpus per emulare il processo decisionale umano e applicare le competenze al fine di risolvere problemi complessi. Questi sistemi possono valutare grandi quantità di dati per scoprire tendenze e modelli e prendere decisioni. Possono anche aiutare le aziende a prevedere eventi futuri e a capire perché si sono verificati eventi passati.

IBM è stata un pioniere dell'AI sin dall'inizio, contribuendo a tutti i suoi momenti salienti. IBM ha recentemente rilasciato un importante aggiornamento nel portfolio di prodotti di AI IBM watsonx . IBM watsonx.ai™ riunisce nuove funzionalità di AI generativa, alimentate da foundation model e da machine learning tradizionali in uno studio potente che si estende per l'intero ciclo di vita dell'AI. Con watsonx.ai, I data scientist possono creare, addestrare e distribuire modelli di machine learning in un unico ambiente di studio collaborativo.