Che cos'è l'Intelligenza Artificiale? È la capacità delle macchine di svolgere compiti che richiedono intelligenza umana, come apprendere, ragionare e prendere decisioni.
La letteratura fantascientifica degli anni '40 ha contribuito fortemente a ispirare scienziati e ingegneri dell'epoca sul tema dell'intelligenza artificiale. Un ruolo cruciale lo ebbe lo scrittore americano Isaac Asimov, che nel libro Runaround del 1942 ideò le 3 leggi della robotica. Gli anni '50 e '60 vengono definiti la Golden Age dell'AI per via dell'ottimismo generale, degli studi e degli investimenti. In quegli anni fu coniato il termine "intelligenza artificiale" (1956), dall'informatico statunitense John McCarthy, e venne realizzato il primo elementare Modello di AI, chiamato SHRDLU (1968), e uno dei primi robot intelligenti autonomi, chiamato Shakey the Robot (1966). Queste innovazioni, però, mostrarono i limiti tecnologici dell'epoca circa l'AI rispetto alle previsioni troppo ottimistiche dei media.
Negli anni '70 uscirono altre innovazioni, come MYCIN (1972), sistema sviluppato per diagnosticare malattie del sangue e suggerire trattamenti antibiotici, e Prolog (1972), linguaggio di programmazione logico in grado di produrre risposte partendo da regole logiche.
Tuttavia, con gli anni '70, iniziò un periodo chiamato AI Winter, dove entusiasmo e investimenti diminuirono drasticamente. I problemi reali si dimostrarono troppo complessi per la tecnologia dell'epoca e anche i computer più potenti impiegavano troppo tempo per calcolare soluzioni pratiche. Gli anni '80 diedero inizio ad un trend che permise di passare dalla General AI (intelligenza artificiale generale) alla Narrow AI (AI ristretta). In pratica l'AI venne utilizzata in maniera più concreta e per problemi specifici. Grazie a questo cambio di rotta ci fu un rinnovato ottimismo e un riconoscimento del valore commerciale dell'AI, che riportò investimenti nella ricerca. Nacquero progetti come CYC (1984), un enorme database volto a racchiudere tutta la conoscenza umana, e metodi di apprendimento come la "Nouvelle AI" (letteralmente “Nuova AI”), un approccio per creare robot intelligenti facendoli imparare interagendo con l'ambiente esterno. Agli inizi del 2000, periodo conosciuto come post-millennium AI, si commercializzarono i primi robot autonomi pratici, ovvero con compiti specifici. Pioniere fu Roomba (2002), il primo robot domestico autonomo capace di pulire i pavimenti con sensori intelligenti. Nello stesso periodo iniziò la ricerca per le automobili a guida autonoma, stimolata dalla DARPA, agenzia di ricerca militare statunitense, che lanciò una competizione per auto autonome. Dal 2005, l'AI moderna ha iniziato a progredire rapidamente grazie al Machine Learning. In questi anni nacquero BigDog di Boston Dynamics (2005), Siri di Apple (2010) e Watson di IBM (2011). Questi esempi segnarono il passaggio da robot semplici a sistemi capaci di capire linguaggio naturale, prendere decisioni complesse e imparare autonomamente.
Il cuore della recente ondata AI è stato il Deep Learning vedi Modulo 5, ovvero software che simulano il cervello umano e apprendono da grandi dataset. Ciò è stato possibile grazie all'accesso ad una elevata quantità di dati, ad un aumento della potenza di calcolo delle macchine e a costi ridotti per lo spazio di archiviazione. Il grande pubblico ne ha percepito il potenziale grazie a ChatGPT di OpenAI (2022), che ha segnato un punto di svolta per il settore.
Il matematico britannico Alan Turing negli anni '50 fu il primo intellettuale a interrogarsi seriamente sull'intelligenza artificiale. "Possono pensare le macchine?" Al tempo esistevano solo 4 computer al mondo (Manchester Mark I, Cambridge EDSAC, ENIAC, BINAC). Il dibattito sull'intelligenza delle macchine era appena nato. La risposta a questa domanda risultò essere troppo complicata, in quanto prima bisognava interrogarsi su cosa fosse il pensiero.
La definizione di "pensiero", infatti, cambia a seconda della filosofia che si utilizza per interpretarlo. Per cui Turing decise di rispondere alla domanda iniziale in maniera pragmatica, ovvero assumendo che l'importante fosse il risultato. Per Alan Turing non era importante che la macchina fosse davvero intelligente (Strong AI), l'importante era che apparisse intelligente.
Per cui formulò l'Imitation Test, ovvero un test da fare alla macchina per valutare se questa appare o meno intelligente. Sostituendo (A) con una macchina, la domanda diventa: può la macchina simulare l'intelligenza umana al punto da far credere all'interrogatore di star parlando con un essere umano? Curiosità: Il Modello GPT-4.5, sviluppato da OpenAI, supera il test di Turing 73 volte su 100. Il filosofo statunitense John Searle è stato il più importante antagonista di Alan Turing circa il pensiero filosofico sull'AI. Secondo Searle, le macchine possono sembrare intelligenti, ma non hanno né coscienza né comprensione reale.
Per dimostrarlo ideò l'esempio della "camera cinese": Immagina una stanza chiusa. Dentro c'è una persona che conosce la lingua inglese ma non la lingua cinese. Sotto la porta, qualcuno passa all'interno dei fogli con frasi in cinese. La persona ha un libro di istruzioni in inglese che gli dice come manipolare i simboli cinesi. Seguendo il libro, può dare delle risposte in cinese perfette, come se capisse la lingua. Alan Turing non rispose mai direttamente alle provocazioni di John Searle, sia perché queste arrivarono circa 10 anni dopo, sia perché, secondo il pensiero di Turing, le macchine devono apparire intelligenti, non importa che lo siano realmente.
Durante la Prima (1760 – 1840), Seconda (1870 – 1914) e Terza Rivoluzione Industriale (1970 – oggi), sono state inventate nuove tecnologie che hanno cambiato il modo di svolgere i compiti, aumentando produttività, innovazione ed entusiasmo per le possibilità offerte.
Parliamo della macchina a vapore, le ferrovie e il carbone come combustibile fossile nella prima, l'elettricità, la lampadina e il motore a combustione interna nella seconda e il computer, internet e i microprocessori nella terza. Tutte queste tecnologie hanno in comune il fatto di essere tecnologie a uso generale (GPTs - General-Purpose Technologies), cioè strumenti potenti applicabili in molti settori, capaci di trasformare l'economia e creare indotti.
Oggi c'è dibattito se ci troviamo ancora nella Terza Rivoluzione Industriale o se siamo entrati nella Quarta, come indicato dal World Economic Forum, ma in entrambi i casi l'entusiasmo per i progressi è simile a quello del passato, soprattutto dopo la diffusione dell'AI come GPT.
La legge di Amara afferma che le persone tendono a sovrastimare l'effetto di una tecnologia nel breve termine e a sottovalutarlo nel lungo termine
Il ciclo dell'hype, invece, descrive che, quando si immette una nuova tecnologia sul mercato, questa segue cinque fasi: È stato ideato dalla società di ricerca e consulenza Gartner negli anni '90. Ad esempio, dopo l'invenzione dell'elettricità, metà delle industrie USA restò senza elettrificazione per decenni. Il vero impatto arrivò solo 30 anni dopo. Stessa cosa per la bolla delle Dot-Com, negli anni '90 internet suscitò enorme entusiasmo, ma l'e-commerce esplose solo negli anni 2010. L'Hype Cycle dimostra come solo le applicazioni tecnicamente valide (GPTs) e economicamente sostenibili sopravvivono. Con la Quarta Rivoluzione Industriale in corso, l'AI ha un enorme potenziale, ma servirà tempo, innovazioni complementari e adattamenti organizzativi per vederlo pienamente realizzato. È probabile che in questo momento ci troviamo nella fase 2 del ciclo dell'hype, ovvero nella Peak of Inflated Expectations. Come si ottiene l'Intelligenza Artificiale? Il metodo più diffuso per rendere una macchina intelligente è il Machine Learning, che ha raggiunto risultati straordinari grazie all'aumentare dei dati e della potenza di calcolo delle macchine. Il Machine Learning è solo uno dei possibili approcci per rendere una macchina intelligente, ad oggi il più indicato per ottenere la maggior parte dei risultati (output) desiderati. Tuttavia, non sempre è l'approccio più funzionale da usare, in quanto il Machine Learning richiede, oltre a competenze specifiche, anche grandi quantità di dati e calcolo computazionale. Ecco perché, prima di decidere come e quanto rendere una macchina intelligente, bisogna considerare il costo-beneficio (framework decisionale). vedi Modulo 10
Esistono infatti approcci alternativi al Machine Learning, spesso più semplici ed economici, che risultano ideali per compiti specifici, di seguito i principali: Rule-Based Systems: la macchina segue un insieme di regole predefinite "if-then". Algoritmi euristici: la macchina esplora possibili soluzioni e sceglie quella che le sembra più conveniente senza provarle tutte (metodologia euristica). Per trovare il percorso più breve in una mappa, un sistema che analizza tutte le possibili alternative dovrebbe valutare variabili potenzialmente esponenziali, richiedendo una potenza di calcolo troppo elevata vedi Modulo 9. Con un approccio euristico, invece, la macchina sceglie una soluzione promettente senza esplorare tutte le possibili combinazioni (es: le prime versioni di Google e Google Maps). Che cos'è il Machine Learning?
È un metodo che permette alla macchina di interpretare dati e fare previsioni, senza essere programmata esplicitamente. Il l Machine Learning ha rappresentato un vero e proprio momento di rottura rispetto ai metodi alternativi del passato, in quanto permette alle macchine di gestire dati mai visti prima. A differenza del passato, infatti, l’essere umano non deve necessariamente programmare la macchina con regole specifiche (es: Ruled-based Systems, ecc...) ma, dopo l’apprendimento vedi Modulo 4, la macchina è in grado di fare previsioni o generare output analizzando dati mai visti prima (es. vedere una nuova immagine di un gatto e riconoscere che si tratta di un gatto, leggere un testo appena scritto e riconoscere se ha un sentiment negativo o positivo, ecc...). Esempi di applicazione: Il Machine Learning è utilizzato da Gmail per segnalarti quali email sono spam, dalle banche per rilevare operazioni sospette e prevenire frodi, da Spotify per consigliarti la canzone che potrebbe piacerti, da Netflix per indicarti la serie TV perfetta per te, da Amazon quando ti suggerisce il prodotto che stavi cercando, da TikTok per costruire il tuo feed personalizzato, ecc... ecc... Il Machine Learning "classico" è più indicato per compiti di tipo predittivo (es. prevedere il prezzo di una casa, stabilire se un’email è spam, analizzare il sentiment di un testo, stimare il rischio di default di un cliente, ecc...) e meno indicato per l'AI Generativa vedi Modulo 6. Infatti con il Machine Learning classico la macchina può arrivare a identificare se un'immagine raffigura o meno un gatto, ma non è in grado di generare una nuova immagine di un gatto, per quel tipo di richiesta abbiamo bisogno del Deep Learning. Come funziona il Machine Learning? Esistono tre approcci: Apprendimento Supervisionato (l'uomo consegna i dati già organizzati), Non Supervisionato (la macchina organizza i dati) e per Rinforzo (impara ricevendo feedback). In questo approccio l'uomo organizza i dati che consegna alla macchina, rendendo alla macchina più semplice il compito di collegare input (dati in ingresso) con output (risultati attesi), in quanto parte da dati già correttamente etichettati.
Esistono due tipi di apprendimento supervisionato: Contiene esempi di appartamenti con le loro caratteristiche (dati in ingresso o feature) come metratura, numero di stanze, anno di costruzione, tasso di criminalità del quartiere, e il corrispondente prezzo di vendita reale (il risultato atteso, o label). Questa fase serve a insegnare alla macchina la relazione tra le caratteristiche di una casa e il suo prezzo. Un algoritmo di regressione (es. Regressione Lineare, gli Alberi di Regressione, il SVR - Support Vector Regression, ecc...) analizza questi dati per identificare schemi e pesi. Ad esempio, potrebbe apprendere che all'aumentare della metratura, il prezzo tende a salire con una certa proporzione, o che l'anno di costruzione ha un impatto diverso sul valore. L'obiettivo è far sì che l'algoritmo apprenda la relazione tra le caratteristiche e il prezzo, permettendogli di fare previsioni il più possibile vicine ai prezzi reali, minimizzando l'errore che, eventualmente, si presenta tra i prezzi previsti e quelli reali. L'errore tra output generato e output corretto viene misurato con una funzione di perdita specifica per il tipo di problema. Per la regressione si usa tipicamente l'errore quadratico medio (MSE), mentre per la classificazione si usa la cross-entropy. Contiene dati di appartamenti mai visti durante il training, di cui sono note le caratteristiche ma non il prezzo di vendita (o meglio, per l'addestramento il prezzo viene tenuto nascosto). In questa fase, il sistema utilizza la funzione appresa nella Fase 1 per stimare il prezzo di ciascun appartamento. I prezzi stimati nella Fase 2 vengono confrontati con i prezzi reali. L'errore di previsione viene quantificato tramite metriche come l'Errore Quadratico Medio (MSE) o l'Errore Assoluto Medio (MAE). Se l'errore è troppo alto, significa che il Modello non ha generalizzato bene e bisogna intervenire sulla funzione matematica e ripetere la fase 2. La visualizzazione tipica per la classification è un grafico cartesiano che mostra i puntini (gli output) chiaramente separati tra loro, quasi ci fosse una linea netta di separazione, ad esempio da una parte i "cani" e dall'altra i "gatti". Nel grafico di una regressione, invece, i punti sono distribuiti in maniera più uniforme (scatter plot) con una linea che collega i vari risultati. La linea di regressione può essere lineare (se l'output presenta relazioni semplici, come l'aumento del prezzo dell'immobile all'aumentare della metratura) o non lineare (se l'output è influenzato da tante variabili, come metratura, tasso di criminalità, anno di costruzione, presenza di mezzi pubblici, ecc...). In questo approccio, l'uomo non organizza i dati che consegna alla macchina, ma è la macchina a doverli analizzare e organizzare tra loro sulla base di similitudini (clustering). Per cui, a differenza dell'apprendimento supervisionato, la macchina impara dai soli input (quella che, nell'apprendimento supervisionato, viene definita Fase 1 - training set), senza avere output o etichette di riferimento. Come fa la macchina a organizzare i dati da sola? 1) Analizza le caratteristiche dei dati (es: per le immagini può utilizzare il metodo di codifica RGB per creare vettori dei pixel, per il testo può utilizzare il metodo di codifica TF-IDF, che pesa la frequenza delle parole rispetto alla loro rarità nel corpus, ecc...);
2) Misura quanto ogni elemento è simile o diverso dagli altri (una volta che la macchina ha terminato la vettorializzazione dei dati li analizza con metriche matematiche che misurano la similitudine o la lontananza dei vettori, ad esempio con la distanza euclidea o il cosine similarity) 3) Raggruppa dati simili tra loro (clustering) utilizzando degli algoritmi (i più famosi sono k-means o DBSCAN); 4) Dopo aver raggruppato i dati, ne riduce la complessità (ad esempio, se i dati hanno tantissime variabili, la macchina usa tecniche come la PCA - Principal Component Analysis per ridurre le dimensioni e trovare solo le caratteristiche più importanti che spiegano le differenze). Questo metodo genera output senza etichette, tuttavia scopre pattern e strutture. Poi l'uomo può interpretare i gruppi trovati (ed, eventualmente, assegnare lui l'etichetta). Esempio: Un supermercato raccoglie dati sugli acquisti dei clienti, ma senza etichette. Con l'unsupervised learning, la macchina scopre che ci sono 3 gruppi principali: Questo permette al supermercato di creare campagne mirate senza che nessuno avesse "spiegato" prima alla macchina cosa cercare. In generale questo approccio può essere utile a livello pratico per la sicurezza informatica (ad esempio per individuare traffico anomalo in una rete, ovvero l'outlier detection) o nei sistemi di raccomandazione (come suggerire prodotti Amazon o film Netflix che potrebbero interessarti basati sulle somiglianze nei dati degli utenti). Un famoso esempio di apprendimento tramite Reinforcement Learning è il motore scacchistico AlphaZero di Google DeepMind, che non ha ricevuto conoscenze umane preimpostate, ma ha imparato solo le regole base del gioco e giocato milioni di partite contro sé stesso, migliorando le strategie. Curiosità: AlphaZero nel 2017 ha superato in poche ore di addestramento Stockfish, l'allora motore scacchistico open source più performante nato nel 2008. La differenza tra AlphaZero e Stockfish è che AlphaZero ha utilizzato, appunto, un Machine Learning basato su Reinforcement Learning (apprendimento rinforzato), mentre Stockfish usava una valutazione fatta da umani, analizzando milioni di mosse note immesse in un decennio dagli umani con parametri codificati (valore dei pezzi, posizioni tipiche, aperture note).
L'apprendimento rinforzato è dunque ottimo in ambienti complessi, dinamici, caotici e può generare strategie innovative. I principali limiti? Serve una funzione di ricompensa chiara e non è adatto a contesti in cui sbagliare è pericoloso (ad esempio per la guida autonoma).