Cos'è il cognitive computing?

Basato sugli ampi framework informatici dell'intelligenza artificiale (AI) e dell'elaborazione dei segnali, il cognitive computing combina una serie di discipline di machine learning (ML) con principi di interazione uomo-computer, tecniche di dialogo e generazione narrativa per creare macchine in grado di apprendere, ragionare e comprendere come gli umani. I sistemi di cognitive computing efficaci possono elaborare grandi quantità di dati per identificare modelli e relazioni al di là delle capacità umane. 

Sebbene ci siano molte aree in cui i computer possono superare gli esseri umani, anche i sistemi di AI avanzati hanno ancora difficoltà con alcune attività, come la comprensione del linguaggio naturale e il riconoscimento di oggetti specifici. Il cognitive computing cerca di emulare i sistemi cognitivi del cervello umano (ad esempio, riconoscimento di schemi, riconoscimento vocale ecc.) per migliorare il processo decisionale. I sistemi di cognitive computing possono essere progettati per utilizzare set di dati dinamici in tempo reale e più fonti di informazioni in combinazione, inclusi input sensoriali come dati visivi, gestuali, uditivi o forniti da sensori. 

Alcuni casi d'uso reali del cognitive computing includono analisi dei sentimenti, valutazione del rischio e forme di riconoscimento delle immagini, come il rilevamento degli oggetti e il riconoscimento facciale. Il cognitive computing è di particolare valore nei settori della robotica, della sanità, delle banche, della finanza e del retail. 

L'obiettivo generale del cognitive computing è quello di sviluppare sistemi in grado di risolvere problemi complessi e in più fasi che in genere richiedono la cognizione umana. Questi tipi di problemi comportano in genere un riconoscimento di pattern di alto livello e dipendente dal contesto. Quando si tratta di attività come l'interpretazione del linguaggio o delle immagini, gli umani sono molto bravi a riconoscere gli indizi di contesto che possono informare un processo decisionale accurato. Questi tipi di attività possono essere molto più impegnativi per i sistemi informatici basati su regole.

I computer cognitivi, a differenza dei sistemi tradizionali, sono sviluppati per analizzare grandi quantità di dati non strutturati provenienti da varie fonti, con l'obiettivo specifico di generare insight accurati e preziosi attraverso un riconoscimento di pattern più sofisticato. I sistemi di cognitive computing efficaci sono in grado di interpretare testo (con caratteri regolari e irregolari), immagini e voce e sono persino in grado di stabilire connessioni tra tipi di dati eterogenei. Questi tipi di sistemi sono anche in grado di migliorare nel tempo, imitando il modo in cui gli esseri umani apprendono. 

I modelli di cognitive computing sono più comunemente basati su reti neurali artificiali, ovvero un tipo di AI che utilizza strati di nodi, o neuroni artificiali, ispirati ai percorsi neurali del cervello umano. Questi tipi di reti sono in grado di migliorare nel tempo, imparando efficacemente da ogni dato che ricevono al fine migliorare il loro processo decisionale.

Sebbene le reti neurali possano essere potenti per tipi specifici di attività, i sistemi cognitivi incorporano spesso anche altri tipi di tecnologie basate su AI o adiacenti all'AI, come l'elaborazione del linguaggio naturale (NLP) e il machine learning, per comprendere e interpretare meglio vari input e segnali. 

I sistemi di cognitive computing sono progettati per combinare grandi quantità di dati provenienti da vari tipi di fonti. Per analizzare e valutare input diversi, e talvolta contrastanti, e fare inferenze informate basate sul contesto appreso, i sistemi cognitivi utilizzano varie tecnologie di autoapprendimento progettate per imitare l'intelligenza umana. Questi metodi includono analytics predittiva, analisi dei dati, mining dei big data e vari modelli di riconoscimento dei modelli per ottimizzare il processo decisionale.

L'addestramento dei tipi di algoritmi di machine learning utilizzati nei sistemi cognitivi richiede enormi quantità di dati strutturati e dati non strutturati. Durante la formazione, questi tipi di sistemi iniziano a identificare i modelli e, nel tempo, perfezionano le tecniche di trattamento dei dati per ottenere connessioni più rapide e accurate. 

Ad esempio, un sistema AI addestrato a identificare diversi tipi di fiori può essere alimentato con un database che memorizza centinaia di migliaia di immagini diverse di fiori. Via via che al sistema vengono presentati più dati, la sua capacità di riconoscere differenze e somiglianze tra le varietà di fiori migliora e diventa più precisa e agile. 

Tuttavia, un sistema addestrato a identificare i fiori basandosi solo su immagini di fiori potrebbe interpretare erroneamente alcuni indizi di contesto che le immagini non sono in grado di trasmettere. Per raggiungere capacità cognitive simili al processo decisionale umano, i sistemi di cognitive computing devono ibridare vari tipi di tecnologie e possedere determinati attributi specifici. Vale a dire che, per essere considerato un computer cognitivo, un sistema deve possedere i seguenti attributi.

I sistemi di cognitive computing vengono creati collegando diversi tipi di modelli informatici in un sistema ibrido in grado di approssimare meglio i processi di pensiero e l'intelligenza dell'essere umano. Questi modelli includono vari tipi di intelligenza artificiale e modelli adiacenti all'AI o correlati all'AI, come:

• AI ristretta: comprende tutte le forme esistenti di AI, intelligenza artificiale ristretta o AI debole, ed è l'unico tipo di AI realizzata attualmente disponibile. Mentre sono state ipotizzate forme teoriche di AI più potenti, l'AI ristretta può essere addestrata solo per eseguire compiti singoli o ristretti. Sebbene l'AI ristretta abbia una portata limitata, in genere può eseguire attività specifiche più velocemente degli umani, con una precisione crescente, anche se non perfetta. Tuttavia, l'AI ristretta non è in grado di funzionare al di fuori del set di attività programmato. L'AI ristretta è progettata per puntare a sottoinsiemi specifici di abilità cognitive. Anche sistemi di AI apparentemente avanzati come Siri di Apple, Alexa di Amazon o ChatGPT sono considerati un'AI ristretta.

• Sistemi esperti: i sistemi esperti sono progettati per funzionare come un sostituto dell'AI ristretta per gli esperti in materia altamente qualificati. Sono addestrati su set di dati completi contenenti informazioni fattuali e regole distinte, in abbinamento a un motore di inferenza ottimizzato per applicare le regole con la massima precisione. L'obiettivo dei sistemi esperti è quello di offrire consigli o soluzioni proprio come farebbe un esperto umano. Questi sistemi possono essere utilizzati per scoprire tendenze e modelli e sono spesso usati per aiutare le aziende a prevedere eventi futuri o per ottenere una migliore comprensione degli eventi passati. 

• Machine learning: il machine learning (ML) è una branca dell'AI il cui obiettivo è quello di insegnare ai sistemi informatici come apprendere nelle stesse modalità degli umani. Gli algoritmi di ML aiutano i sistemi informatici a svolgere attività in modo autonomo e a migliorarne le prestazioni e la precisione nel tempo, via via che ricevono più dati e feedback positivi e negativi.
• Reti neurali: i modelli di reti neurali sono un sottoinsieme di modelli di machine learning che utilizzano l'apprendimento per rinforzo per prendere decisioni. Questi tipi di reti utilizzano dei livelli per imitare il modo in cui i neuroni biologici lavorano insieme, al fine di soppesare le opzioni e identificare i fenomeni.

• Deep learning: il deep learning è un sottoinsieme del machine learning che utilizza reti neurali multistrato chiamate reti profonde per approssimare le complesse capacità decisionali della mente umana. La differenza principale tra deep learning e machine learning è l'aumento del livello di complessità nell'architettura di rete. Mentre i modelli di machine learning tradizionali utilizzano reti neurali semplici con uno o due livelli computazionali, i modelli di deep learning utilizzano più livelli, in genere centinaia o migliaia. 

• Elaborazione del linguaggio naturale (NLP): l'elaborazione del linguaggio naturale combina la linguistica computazionale, ovvero un approccio di modellazione del linguaggio basato su regole, con la modellazione statistica, il machine learning e il deep learning per consentire ai computer di comprendere e rispondere tramite il parlato naturale o il testo. L'NLP incorpora anche le sottodiscipline della comprensione del linguaggio naturale (NLU) e della generazione del linguaggio naturale (NGU) per fornire un'esperienza utente olistica.

• Riconoscimento vocale automatico (ASR): il riconoscimento vocale, noto anche come riconoscimento vocale computerizzato o speech-to-text, si riferisce a tecniche che consentono ai programmi per computer di elaborare il linguaggio umano in un formato scritto. Non deve essere confuso con il riconoscimento vocale, che è una tecnica che consente ai computer di identificare la voce di un singolo utente e differenziarla dalle altre.

• Rilevamento degli oggetti: il rilevamento degli oggetti, un componente della computer vision, utilizza reti neurali per individuare e classificare gli oggetti nelle immagini in base a categorie semantiche. Il rilevamento di oggetti è uno strumento utile per un'ampia gamma di settori e applicazioni, tra cui veicoli a guida autonoma, ricerca visiva e diagnostica per immagini.

• Robotica: i sistemi cognitivi spesso incorporano la robotica nelle applicazioni. I robot dotati di sistemi cognitivi possono utilizzare un'AI ristretta per eseguire attività ripetitive e di routine, dagli aspirapolvere domestici di fascia consumer agli assistenti chirurgici di livello medico. In agricoltura, la robotica aiuta i sistemi cognitivi a svolgere attività come potatura, alternanza, diradamento, semina e irrorazione in autonomia. 

I recenti progressi nelle tecnologie AI hanno avuto un impatto importante sulle applicazioni di cognitive computing, dai programmi di AI generativa come ChatGPT e Midjourney alle auto a guida autonoma e molto altro. Alcune comuni applicazioni del cognitive computing nel mondo reale includono:

I popolari assistenti virtuali AI come Alexa, Siri e Google Assistant si affidano al cognitive computing per migliorare la propria utilità attraverso l'automazione e l'interattività. Assistenti come questi utilizzano sistemi di machine learning per elaborare il linguaggio naturale e personalizzare i propri suggerimenti al fine di fornire risultati migliori per i singoli utenti.      

I sistemi di cognitive computing si sono dimostrati utili per molte applicazioni bancarie e finanziarie. I sistemi cognitivi sono utilizzati per monitorare condizioni economiche come le variabili della supply chain e le tendenze del mercato, al fine di prevedere e modellare sia le opportunità future che le potenziali crisi.

I sistemi di cognitive computing si sono dimostrati abili nell'analytics dei dati e nel riconoscimento dei modelli. Queste capacità sono state messe a frutto soprattutto nel campo della cybersecurity. Qui, gli specialisti utilizzano il cognitive computing per analizzare il comportamento degli utenti, come le transazioni finanziarie, al fine di segnalare i pattern di potenziali frodi e rischi. 

I sistemi cognitivi sono stati utili nelle applicazioni retail. Rivenditori all'avanguardia come Amazon e Netflix utilizzano il cognitive computing per ottenere insight sulla cronologia degli acquisti degli utenti e fornire consigli migliori sui prodotti, in base agli interessi personali degli utenti.

I sistemi cognitivi sono stati utili anche nel servizio clienti in tutti i settori, dove alimentano chatbot avanzati che fungono da agenti virtuali. Questi agenti forniscono un supporto dettagliato e informato, con una una velocità e una scalabilità mai viste finora.

Uno dei sistemi cognitivi più famosi e di alto profilo è sicuramente IBM® Watson, salito alla ribalta partecipando al popolare quiz Jeopardy, mentre Deep Blue, il predecessore di Watson, ha scioccato il mondo quando è diventato il primo sistema informatico a battere un campione del mondo di scacchi.

L'iterazione odierna (IBM® watsonx) e le attuali applicazioni sono ancora più impressionanti. Un caso d'uso di rilievo è quello del settore sanitario, dove watsonx aiuta il personale medico a migliorare le diagnosi. Watsonx è in grado di accumulare e comprendere alcune delle ricerche più aggiornate e delle più complicate anamnesi dei pazienti e ha estrapolato con successo i piani terapeutici suggeriti per migliorare notevolmente l'assistenza ai pazienti.