Torniamo oggi con la serie di articoli dedicata all’intelligenza artificiale; come anticipato lo scorso venerdì, nell’articolo odierno andremo ad analizzare la classificazione dell’AI (Artificial Intelligence).
Dare una definizione precisa di intelligenza artificiale può risultare estremamente complesso ma è comunque possibile tracciarne i contorni e procedere con varie importanti classificazioni.
Un’Intelligenza Artificiale dovrebbe essere in grado di eseguire alcune funzioni tipiche dell’uomo come ad esempio:
- Pensare umanamente
- Pensare razionalmente
- Agire umanamente
- Agire razionalmente
Per fornire una classificazione dell’AI, occorre anzitutto considerare due grandi filoni di ricerca e di studio: Intelligenza Artificiale Debole e Intelligenza Artificiale Forte.
Si parla di AI Debole per indicare sistemi tecnologici in grado di simulare varie funzionalità cognitive umane senza riuscire, però, a raggiungere le reali capacità intellettuali tipiche dell’uomo. Non ha la pretesa di definire i processi che crea come processi mentali. Verifica in maniera empirica ipotesi o svolge in modo efficiente il compito che le viene assegnato. Nell’AI debole non esiste la necessità di comprendere totalmente i processi cognitivi dell’uomo. Essa si occupa esclusivamente del famoso problem solving, ovvero la risoluzione di problemi.
Con il termine AI Forte, invece, ci riferiamo a dei “sistemi sapienti”: questi non sono semplicemente in grado di emulare il pensiero ed il ragionamento posto in essere da una mente umana, ma hanno altresì la capacità di sviluppare una propria intelligenza in modo autonomo. La tecnologia alla base dell’Intelligenza Artificiale forte è quella dei sistemi esperti, cioè una serie di programmi che vogliono riprodurre, attraverso una macchina, le prestazioni e le conoscenze delle persone esperte in un determinato campo.
Ed è proprio questa prima classificazione che ci permette di eseguire un’ulteriore distinzione, quella tra Machine Learning e Deep Learning, ovvero i modelli di apprendimento tramite cui un’intelligenza artificiale diventa abile in un compito/azione.
Il Machine Learning, anche detto “Apprendimento Automatico”, è composto da un insieme di metodi attraverso i quali si permette alle macchine di apprendere, in modo che possano poi svolgere un compito o un’attività senza che siano preventivamente programmati; si tratta di sistemi che servono ad “allenare” l’AI cosicché questa, imparando, correggendo gli errori e allenando sé stessa, possa in seguito svolgere autonomamente un compito/attività.
Ciò che caratterizza il Machine Learning è quindi il “modello di apprendimento”, ed è proprio in base a questi modelli che si può fare una sorta di classificazione degli algoritmi:
- con supervisione didattica: apprendimento mediante esempi di input e di output per far capire all’AI come deve comportarsi
- senza supervisione didattica: apprendimento mediante analisi dei risultati. Il software capisce come agire e il modello di apprendimento si adatta sulla base di output che permettono di mappare i risultati di determinate azioni e compiti che saranno chiamati a svolgere i software
- reinforcement learning: l’AI viene “premiata” quando raggiunge gli obiettivi, i risultati, esegue un’azione, ecc. In questo modo, impara quali sono le azioni corrette e quelle errate
Nel caso del Deep Learning, parliamo invece di modelli di apprendimento ispirati alla struttura ed al funzionamento del cervello biologico. Se il Machine Learning può essere definito come il metodo che “allena” l’AI, il Deep Learning è quello che permette di emulare la mente dell’uomo. In questo caso, però, il modello matematico da solo non basta; il Deep Learning necessita di reti neurali artificiali progettate ad hoc e di una capacità computazionale molto potente, capace di “reggere” differenti strati di calcolo e analisi (analogamente a quanto accade con le connessioni neurali del cervello umano).
Matteo Bergamini