Cognitive computing e AI: differenze chiave

Al livello più elementare, i sistemi AI sono progettati per "pensare" e decidere in modo indipendente. Allo stesso tempo, il cognitive computing è utilizzato per simulare processi mentali più simili a quelli umani, al fine di informare il processo decisionale umano, anziché sostituirlo. 

Possiamo ad esempio pensare all'AI come a uno strumento che può servire a uno scopo specifico. Al contrario, un computer cognitivo si comporta più come un assistente digitale che aiuta a raggiungere un obiettivo più ampio, informando il processo decisionale complessivo.

Se un'AI è un GPS in grado di fornire il percorso più veloce tra A e B, un computer cognitivo è più simile a una guida turistica. L'AI può fare riferimento alle mappe e ai dati sul traffico esistenti per fornire quello che "ritiene" il percorso migliore.

Tuttavia, un sistema cognitivo lavora con un utente per apprendere le sue preferenze e rispondere a informazioni più dipendenti dal contesto. Potrebbe evidenziare luoghi interessanti lungo il percorso o scegliere un percorso più panoramico quando il tempo è bello e la semplice efficienza non è la priorità assoluta.

In generale, l'AI può essere considerata uno strumento specializzato per la risoluzione dei problemi. I sistemi AI eccellono nell'analisi rapida di grandi quantità di dati per riconoscere i pattern e decidere in base a regole predefinite. I sistemi cognitivi, progettati per pensare più come le persone, si basano sulle funzionalità di AI, ma sono più bravi a comprendere dati complessi e non strutturati. Imparano dalle interazioni e forniscono spiegazioni e consigli.

Il termine generico AI è più comunemente utilizzato per riferirsi a tipi specifici di modelli informatici limitati, come le reti neurali e i modelli linguistici di grandi dimensioni (LLM). Al contrario, è più corretto considerare il cognitive computing come una metodologia ibrida. Combina le scienze cognitive e l'informatica per creare sistemi che aiutano ad aumentare e informare il processo decisionale umano.

I sistemi cognitivi spesso utilizzano tecnologie AI come il machine learning (ML) o il deep learning per migliorare il riconoscimento dei pattern o le capacità di riconoscimento vocale. Inoltre, questi tipi di sistemi sono progettati per elaborare, inserire e rispondere a grandi quantità di dati in tempo reale. Ricavano informazioni da un'ampia gamma di dati o fonti di input potenziali, come spunti visivi, gestuali o uditivi.

Sebbene l'ambito di ogni singolo modello AI possa essere limitato, mettendolo in difficoltà al di fuori dell'intervallo previsto, i sistemi di cognitive computing sono progettati in modo diverso. Sono adatti per affrontare problemi complessi che comportano ambiguità, incertezza o risposte non specifiche.

In altre parole l'AI, così come la conosciamo oggi, ha lo scopo di colmare le lacune, fornendo scorciatoie per attività banali o impegnative. Il cognitive computing è più un tentativo di rafforzare la cognizione umana per prendere decisioni più informate. Il cognitive computing combina l'AI con discipline complementari come l'interazione uomo-computer, il dialogo e le tecniche di generazione narrativa per creare macchine in grado di apprendere, ragionare e comprendere come gli umani. Questo approccio aiuta gli utenti a prendere decisioni migliori.

Sebbene alcuni modelli AI possano essere molto efficienti, anche più delle capacità umane, anche i sistemi AI più avanzati sono progettati solo per eseguire una gamma ristretta di attività. Sebbene i sistemi AI più utilizzati possano sembrare estremamente abili, le istruzioni basate su regole impediscono loro di cogliere la flessibilità e le sfumature della cognizione umana.

Nelle attività che coinvolgono il contesto, come la comprensione del linguaggio naturale o il riconoscimento di oggetti specifici, l'AI non può sostituire o replicare l'intelligenza umana, almeno non ancora.

Il cognitive computing non ha lo scopo di sostituire il processo decisionale umano. Cerca invece di imitare i tipi di sistemi cognitivi responsabili dei processi del pensiero umano per migliorare il processo decisionale degli utenti.

Sebbene i singoli sistemi possano presentare innumerevoli differenze specifiche, in generale, i seguenti punti evidenziano alcune delle principali differenze chiave tra AI e cognitive computing.

I sistemi AI sono ottimi per automatizzare le attività ripetitive o difficili.

Il cognitive computing è utilizzato per migliorare e informare il processo decisionale basato sull'uomo.

I sistemi AI sono addestrati su set di dati specifici e sono bravi a gestire i problemi con risposte specifiche che si possono trovare. Ad esempio, un sistema AI potrebbe essere addestrato su un manuale del servizio clienti per fornire risposte basate sulla formazione già esistente per i dipendenti.

I computer cognitivi sono più contestuali, attingono e rispondono a diversi tipi di input. Per questi motivi, i sistemi AI sono migliori nel risolvere i problemi con risposte specifiche, mentre il cognitive computing è più prezioso per affrontare problemi e sfide aperte.

I sistemi AI sono progettati per risolvere i problemi al meglio delle loro capacità. Possono fornire soluzioni rapidamente, tuttavia il loro output può essere limitato, inaccurato o non del tutto affidabile.

I computer cognitivi hanno lo scopo di aiutare gli esseri umani a trovare soluzioni migliori più velocemente. I sistemi cognitivi non sono progettati per fornire risultati definitivi o per completare i compiti in modo indipendente. Pertanto, un sistema cognitivo può aiutare un utente a trovare una soluzione migliore di quella che un sistema AI potrebbe semplicemente fornire subito. 

I sistemi AI sono limitati dall'ambito dei dati di addestramento. Per questo motivo, i sistemi AI possono essere realizzati per essere altamente specializzati, tuttavia tale specializzazione va a scapito della flessibilità.

I sistemi cognitivi sono molto più adattabili. Progettati per attingere da una gamma più ampia di input variabili, i computer cognitivi possono rispondere meglio alle situazioni dinamiche. 

L'AI è una tecnologia che consente a computer e macchine di dimostrare caratteristiche simili a quelle dell'intelligenza umana. Queste caratteristiche includono l'apprendimento e la conservazione di nuove informazioni, la comprensione, la risoluzione dei problemi, il processo decisionale, la creatività e l'autonomia.

Essendo un campo di studio che risale agli anni '50, l'AI può essere vista come una serie di concetti annidati che si sono evoluti nel tempo. Negli ultimi 70 anni, è passata dai modelli teorici al machine learning, quindi al deep learning e ora all'AI generativa (gen AI).

I recenti progressi tecnologici hanno catapultato l'AI sotto i riflettori globali. Molte interessanti applicazioni di AI, che vanno dall'ottimizzazione della supply chain industriale ai generatori d'arte e ai chatbot di gen AI di livello consumer, hanno catturato l'immaginazione di investitori e appassionati. Sebbene sia difficile sopravvalutare il potenziale impatto dell'AI, nelle sue attuali versioni può ancora avere difficoltà a svolgere determinati compiti. 

I sistemi AI necessitano di enormi quantità di dati di addestramento per apprendere informazioni su un argomento specifico. Questi vasti set di dati vengono inviati all'AI, che utilizza il riconoscimento dei modelli per creare connessioni e generare insight.

Quando riceve un problema, un sistema AI fa riferimento a ciò che ha appreso dai dati di addestramento e fornisce la migliore risposta possibile in base alle probabilità. In questo modo, a seconda della qualità dei dati e degli algoritmi di addestramento, un'AI può essere più o meno capace o più o meno limitata.

Sebbene le moderne funzionalità dell'AI possano spesso apparire estese, l'AI è meglio implementata per compiti più ristretti, ovvero modelli specializzati messi a punto per scopi specifici. Anche i sistemi cognitivi sono ottimizzati per scopi specifici, sebbene questi tipi di sistemi possano combinare più tipi di AI per essere flessibili e reattivi. 

Alcuni dei vari tipi di AI e  modelli adiacenti all'AI o correlati all'AI utilizzati nel calcolo cognitivo includono:

• AI ristretta:  l'AI attualmente più avanzata, ovvero l'AI ristretta o AI debole, è molto efficace nel risolvere problemi ben definiti con obiettivi chiari e specifici. Gli assistenti intelligenti come Siri di Apple, Alexa di Amazon e persino ChatGPT sono tutti esempi di AI ristretta.

• Machine learning (ML): il machine learning è una sottocategoria dell'AI che consente ai sistemi digitali di apprendere dai dati in un modo che imita l'apprendimento umano. Utilizzando gli algoritmi ML, i sistemi AI sono in grado di eseguire autonomamente le attività con una maggiore precisione nel tempo. Il machine learning aiuta i computer ad apprendere dai propri errori e a migliorare i risultati in base al feedback degli utenti.

• Reti neurali: le reti neurali utilizzano livelli di nodi combinati con metodologie di machine learning per simulare il modo in cui il cervello umano elabora le informazioni attraverso i neuroni. Le reti neurali migliorano le funzionalità dell'AI per la risoluzione dei problemi e valutano contestualmente soluzioni migliori o peggiori.

• Deep learning: il deep learning porta le reti neurali ancora più lontano, aumentando la densità dei livelli. Una rete neurale semplice ha uno o due livelli, mentre una rete neurale profonda può avere da tre a migliaia di livelli, il che le consente di modellare processi decisionali complessi, simili alle funzioni del cervello umano.

Le tecnologie di cognitive computing vengono talvolta definite un tipo di AI, anche se è più preciso dire che i sistemi cognitivi spesso incorporano vari tipi di AI. Il cognitive computing abbina i sistemi AI per il machine learning ad altre tecnologie di calcolo cognitivo comuni, come diversi tipi di interfacce utente (ad esempio, voce, testo) e robotica.

I sistemi cognitivi migliorano le funzionalità dell'AI inserendo grandi set di dati. Questi set di dati possono essere dati strutturati o dati non strutturati e provenire da diverse fonti.

Questi tipi di sistemi di autoapprendimento utilizzano la data science per elaborare gli input in tempo reale, valutando le informazioni contestuali per aiutare gli utenti a prendere una decisione finale. In questo modo, gli esseri umani possono consentire al sistema cognitivo di gestire il pesante data mining e l'analisi dei dati e di prendere decisioni basate sui dati senza la necessità di padroneggiare da soli la complessa data science.

I casi d'uso reali del cognitive computing includono attività generali come l'analisi del sentiment, la valutazione del rischio e l'ottimizzazione. 

Sebbene i parametri esatti di un sistema di cognitive computing non siano strettamente definiti, per essere considerato cognitivo un sistema deve soddisfare determinati criteri. Un sistema di cognitive computing deve essere:

• Adattativo: i sistemi cognitivi devono essere in grado di adattarsi e rispondere a dati dinamici, nuovi e mutevoli. Via via che le informazioni cambiano, devono anche essere in grado di adattarsi agli scopi e agli obiettivi della missione in evoluzione. 

• Interattivo: mentre un sistema AI può funzionare autonomamente, i sistemi cognitivi sono progettati per essere reattivi. Pertanto, devono essere in grado di interagire e rispondere sia all'input dell'utente che del segnale. 

• Iterativi e con stato: per simulare la cognizione, questi tipi di sistemi devono essere iterativi. Utilizzano il riconoscimento dei pattern per identificare problemi o classi di problemi unici, ponendo domande di chiarimento quando opportuno.

• Contestuale: mentre i sistemi AI possono prosperare quando risolvono problemi semplici e ben definiti, gli scenari del mondo reale spesso dipendono dal contesto. La soluzione corretta per un problema in un contesto specifico non è necessariamente valida anche in altri. I sistemi di cognitive computing sono sviluppati per sfide che richiedono la risoluzione di problemi dipendenti dal contesto. Questi tipi di sistemi devono essere in grado di comprendere non solo il contesto delle informazioni presentate, ma anche il contesto in cui una soluzione potrebbe essere messa in applicazione. 

Il cognitive computing funziona aggiungendo diverse soluzioni di AI o AI-adjacent a una rete neurale o profonda di base. Per raggiungere l'adattabilità, l'interattività, la presenza di stato e la comprensione contestuale, i sistemi cognitivi sono costruiti per combinare gli algoritmi di machine learning con varie altre tecnologie, come ad esempio:

• Sistemi esperti: i sistemi esperti sono AI ristrette che sono state addestrate in modo esauriente in aree o argomenti specifici. L'obiettivo di un sistema esperto è quello di creare un esperto in materia artificiale il più possibile in grado di sostituire uno specialista umano. I sistemi esperti possono offrire consigli o indicazioni per aiutare gli esseri umani a comprendere problemi complessi e prendere decisioni più intelligenti. Questi sistemi sono spesso utilizzati in ambito aziendale per prevedere le tendenze del mercato o comprendere gli eventi passati. 

• Elaborazione del linguaggio naturale (NLP): l'elaborazione del linguaggio naturale consente ai computer di comprendere e rispondere con linguaggio o testo naturali combinando la linguistica computazionale, un approccio di modellazione del linguaggio basato su regole, con la modellazione statistica. Il PNL incorpora anche le sottodiscipline della comprensione del linguaggio naturale (NLU) e della generazione del linguaggio naturale (NGU) per fornire un'esperienza dell'utente olistica.

• Riconoscimento vocale automatico (ASR):il riconoscimento vocale, noto anche come riconoscimento vocale computerizzato o speech-to-text, consente ai computer di elaborare il linguaggio umano in testo scritto.

• Riconoscimento vocale: da non confondere con l'ASR, il riconoscimento vocale consente ai sistemi informatici di riconoscere voci distinte e distinguere i diversi utenti, una caratteristica comune che si trova negli assistenti virtuali e in altri dispositivi Internet of Things (IoT). 

• Rilevamento degli oggetti: un componente principale della computer vision, il rilevamento degli oggetti è un metodo per utilizzare le reti neurali per localizzare e classificare gli oggetti nelle immagini secondo categorie semantiche. Il rilevamento degli oggetti e il riconoscimento delle immagini sono utili per i veicoli autonomi a guida autonoma, la ricerca visiva e la formulazione di diagnosi mediche.

• Robotica: i sistemi di calcolo cognitivo spesso incorporano la robotica come mezzo per eseguire compiti semplici e ripetitivi, come la potatura agricola, la semina e l'irrorazione. Sebbene semplici sistemi di AI possano consentire ai robot di svolgere attività di base come queste, nel settore sanitario i sistemi cognitivi abbinati alla robotica possono persino aiutare negli interventi chirurgici delicati.