L'IA sfrutta computer e macchine per imitare le capacità decisionali e di risoluzione dei problemi della mente umana.
Scarica l'ebook sull'IA (Intelligenza Artificiale)
Guarda IBM Cloud Paks: Software alimentato dall'IA per promuovere la trasformazione digitale video
Sebbene nel corso degli ultimi decenni siano emerse diverse definizioni dell'AI, John McCarthy fornisce la seguente definizione in questo documento del 2004 (PDF, 106 KB) (link esterno a IBM), "È la scienza di creare ed ingegnerizzare macchine intelligenti e in particolar modo programmi informatici intelligenti. È correlata alla capacità di utilizzare i computer per comprendere l'intelligenza umana, ma non deve limitarsi a metodi che sono biologicamente osservabili".
Tuttavia, decenni prima di questa definizione, la nascita della conversazione sull'AI fu segnata dall'opera fondamentale di Alan Turing, "Macchine calcolatrici e intelligenza" (PDF, 89,8 KB) (link esterno a IBM), pubblicata nel 1950. In questo documento, Turing, spesso indicato come il "padre dell'informatica", pone la seguente domanda: "Le macchine possono pensare?" Partendo da lì, egli propone un test, ora notoriamente conosciuto come il "Test di Turing", in cui un interrogatore umano cercherebbe di distinguere tra una risposta testuale di un computer e una umana. Sebbene questo test sia stato sottoposto a severi controlli dopo la sua pubblicazione, rimane una parte importante della storia dell'AI, nonché un concetto di cui ancora si parla in campo filosofico, poiché utilizza idee che riguardano la linguistica.
Stuart Russell e Peter Norvig hanno poi pubblicato: Intelligenza artificiale: un approccio moderno (link esterno a IBM), che è diventato uno dei principali libri di testo nello studio dell'IA. In questo libro, si approfondiscono i quattro potenziali obiettivi o definizioni dell'IA, che distinguono i sistemi informatici in base alla razionalità e al pensiero da una parte e all'azione dall'altra:
Approccio umano:
Approccio ideale:
La definizione di Alan Turing sarebbe rientrata nella categoria dei "sistemi che agiscono come gli esseri umani".
Nella sua forma più semplice, l'IA è un campo che combina informatica e solidi dataset per consentire la risoluzione dei problemi. Abbraccia anche i sottocampi del machine learning e del deep learning, che vengono frequentemente citati in concomitanza con l'IA. Queste discipline sono composte da algoritmi di IA che cercano di creare sistemi esperti che facciano previsioni o classificazioni in base ai dati di input.
Oggi si fa ancora un gran parlare dello sviluppo dell'IA, che ci si aspetta da qualsiasi nuova tecnologia emergente sul mercato. Come notato nel ciclo hype di Gartner (link esterno a IBM), le innovazioni di prodotto come le auto a guida autonoma e gli assistenti personali, seguono "una progressione tipica dell'innovazione, da un entusiasmo eccessivo, attraverso un periodo di disillusione, fino ad una comprensione finale della rilevanza e del ruolo dell'innovazione in un mercato o dominio". Come nota Lex Fridman qui (01:08:15) (link esterno a IBM) nella sua conferenza al MIT del 2019, siamo al picco delle aspettative gonfiate e ci stiamo avvicinando al baratro della disillusione.
Man mano che emergono conversazioni sull'etica dell'IA, possiamo iniziare a vedere i primi scorci del punto più basso della disillusione. Per saperne di più su dove si colloca IBM nell'ambito della conversazione sull'etica dell'IA, leggi qui.
Watson Studio
IBM Cloud Pak for Data
IBM Watson Assistant
L'IA debole - chiamata anche Narrow AI o Artificial Narrow Intelligence (ANI) - è un'IA addestrata e mirata allo svolgimento di compiti specifici. L'IA debole guida la maggior parte dell'IA che ci circonda oggi. "Stretta" potrebbe essere un aggettivo più appropriato per questo tipo di IA, poiché è tutt'altro che debole; permette alcune applicazioni molto robuste, come Siri di Apple, Alexa di Amazon, IBM Watson e veicoli autonomi.
L'IA forte è formata da AGI (Artificial General Intelligence) e ASI (Artificial Super Intelligence). L'AGI (Artificial General Intelligence), o IA generale, è una forma teorica di IA in cui una macchina avrebbe un'intelligenza pari a quella umana e una coscienza autoconsapevole in grado di risolvere problemi, apprendere e fare piani per il futuro. L'ASI (Artificial Super Intelligence) - nota anche come superintelligenza - supererebbe l'intelligenza e la capacità del cervello umano. Anche se l'AI forte è ancora del tutto teorica e senza esempi pratici attualmente in uso, ciò non significa che i ricercatori dell'AI non ne stiano esplorando lo sviluppo. Nel frattempo, i migliori esempi di ASI potrebbero provenire dalla fantascienza, come HAL, l'assistente computerizzato canaglia e superumano in 2001: Odissea nello spazio.
Data science e AI
AutoAI
XAI (eXplainable AI)
IBM Cloud Pak
Dal momento che il deep learning e il machine learning tendono ad essere utilizzati in modo intercambiabile, vale la pena notare le sfumature che li distinguono. Come accennato in precedenza, sia il deep learning che il machine learning sono sottocampi del'AI e il deep learning è in effetti un sottocampo del machine learning.
In realtà il deep learning è composto da reti neurali. Il termine "deep" in deep learning si riferisce a una rete neurale composta da più di tre strati - che sarebbe comprensiva degli ingressi e dell'uscita - che può essere considerata un algoritmo di deep learning.
La discriminante tra deep learning e machine learning è la modalità di apprendimento di ciascun algoritmo. Il deep learning automatizza gran parte della parte del processo relativo all'estrazione di caratteristiche, eliminando parte dell'intervento umano e consentendo l'uso di dataset più grandi. Si può pensare al deep learning come a un "machine learning scalabile", come sottolineato da Lex Fridman nella stessa lezione al MIT menzionata in precedenza. Il machine learning classico, o "non profondo", dipende in misura maggiore dall'intervento umano per apprendere. Esperti umani determinano la gerarchia delle caratteristiche per comprendere le differenze tra gli input di dati, di solito richiedendo dati più strutturati per l'apprendimento.
Il machine learning "profondo" può sfruttare i dataset etichettati, cosa nota anche come apprendimento supervisionato, per informare il suo algoritmo, ma non richiede necessariamente un dataset etichettato. Può inserire i dati non strutturati nel loro formato non elaborato (ad es. testo, immagini) e può determinare automaticamente la gerarchia delle caratteristiche che distingue tra loro le diverse categorie di dati. A differenza del machine learning, non richiede l'intervento umano per elaborare i dati, consentendoci di ridimensionare il machine learning in modi più interessanti.
Oggi esistono numerose applicazioni nel mondo reale di sistemi di AI. Di seguito sono riportati alcuni degli esempi più comuni:
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:
IBM è stata leader nell'avanzamento delle tecnologie AI-driven per le imprese e ha aperto la strada al futuro dei sistemi di apprendimento automatico per diversi settori. Sulla base di decenni di ricerca sull'intelligenza artificiale, anni di esperienza di lavoro con organizzazioni di tutte le dimensioni e sulla base degli apprendimenti di oltre 30.000 impegni di IBM Watson, IBM ha sviluppato l'AI Ladder per implementazioni di successo dell'intelligenza artificiale:
IBM Watson fornisce alle imprese gli strumenti IA necessari per trasformare i propri flussi di lavoro e i sistemi aziendali, migliorando notevolmente l'automazione e l'efficienza. Per ulteriori informazioni su come IBM può aiutarti a completare il tuo viaggio AI, esplora il portafoglio IBM di servizi e soluzioni gestite.
Utilizza l'IA su vasta scala nella tua azienda con l'aiuto delle competenze in IA leader di settore di IBM e un portfolio di soluzioni.
Crea flussi di lavoro intelligenti, che utilizzano AI, dati e analytics e trasforma le aspirazioni dell'AI in risultati di business tangibili.
L'AI sta cambiando lo scenario della sicurezza informatica, tramite l'analisi di grandi quantità di dati di rischio, per accelerare i tempi di risposta e migliorare le operazioni di sicurezza dotate di risorse insufficienti.