La distinzione tra Intelligenza Artificiale debole e Intelligenza Artificiale forte si rivela fondamentale per connotare in maniera corretta le principali tecniche.
Alcune tra le principali tecniche di intelligenza artificiale attualmente disponibili sono:
- MACHINE LEARNING
Il Machine Learning è un sottoinsieme dell’intelligenza artificiale, con cui si intende un sistema di apprendimento automatico basato sull’intelligenza artificiale, capace di acquisire una varietà di dati (input) per allenare una macchina che diventa progressivamente sempre più abile nello svolgere un compito (output) in autonomia, ossia senza essere stata preventivamente programmata per eseguirlo.
Un sistema di ML si distingue per la sua capacità di apprendere, sbagliare e migliorarsi progressivamente dai propri errori, fino a diventare sempre più preciso nelle simulazioni che è in grado di produrre in totale autonomia.
Il modello di apprendimento di un sistema di ML è piuttosto vario e si basa su tre principali classi di algoritmi:
- con supervisione didattica: sono i più utilizzati e in tali algoritmi il sistema apprende mediante una correlazione tra input e output da cui impara come prendere una decisione.
Gli algoritmi di regressione lineare e logistica, di classificazione multiclasse e le macchine a vettori di supporto sono alcuni esempi di machine learning supervisionato.
- senza supervisione didattica: utilizza un approccio più indipendente, in cui l’apprendimento avviene mediante l’analisi dei risultati, senza una relazione diretta tra input e output, ma soffermandosi soltanto sulla base di output che consentono di mappare i risultati di determinate decisioni, nello stesso contesto in cui i sistemi di ML sono chiamati ad offrire soluzioni.
Gli algoritmi di clustering k-means, l’analisi di componenti principali e indipendenti e le regole di associazione sono esempi di machine learning non supervisionato.
- con rinforzo: il reinforcement learning è un metodo di apprendimento basato sul merito, in quanto la IA viene premiata soltanto quando nelle sue valutazioni ottiene un risultato in linea con le aspettative. Il reinforcement learning consente di affinare l’allenamento di un sistema ML grazie alla sua capacità di insegnare fondamentalmente a distinguere una decisione corretta da una errata
Attualmente, il machine learning è utilizzato ovunque. Quando interagiamo con le banche, acquistiamo online o utilizziamo i social media, vengono utilizzati gli algoritmi di machine learning per rendere la nostra esperienza efficiente, facile e sicura.
La scelta di un algoritmo di machine learning supervisionato o non supervisionato dipende in genere da fattori correlati alla struttura e al volume dei dati e al caso d’uso a cui si desidera applicarlo. Il machine learning è stato adottato in una vasta gamma di settori per supportare diversi obiettivi aziendali e casi d’uso, tra cui:
- Calcolo del valore del ciclo di vita del cliente
- Rilevamento delle anomalie
- Determinazione dei prezzi dinamici
- Manutenzione predittiva
- Classificazione delle immagini
- Motori di raccomandazione
ll machine learning è alla base di diversi importanti casi d’uso aziendali, essa offre vantaggio competitivo grazie alla capacità di automatizzare e velocizzare il processo decisionale nonché accelerare il time to value, consentendo di ottenere una migliore visibilità aziendale e una maggiore collaborazione.
- DEEP LEARNING E RETI NEURALI
Il Deep Learning, la cui traduzione letterale significa apprendimento profondo, è una sottocategoria del Machine Learning ed indica quella branca dell’IA forte e consiste in modelli di apprendimento ispirati al funzionamento del cervello umano. Si tratta di un sistema che utilizza gli algoritmi per arrivare ad emulare il comportamento del cervello umano attraverso le reti neutrali artificiali.
Essa caratterizza i processi di reti neurali artificiali dotate di due o più strati (spesso chiamate multilayed o a hidden layers) capaci di processare informazioni in modo non-lineare, in relazione alla particolare funzione di attivazione scelta.
Le architetture di Deep Learning sono per esempio state applicate nella computer vision, nel riconoscimento automatico della lingua parlata, nell’elaborazione del linguaggio naturale, nel riconoscimento audio e nella bioinformatica (l’utilizzo di strumenti informatici per descrivere dal punto di vista numerico e statistico determinati fenomeni biologici come le sequenze di geni, la composizione e la struttura delle proteine, i processi biochimici nelle cellule, …).
L’apprendimento profondo basa il suo funzionamento sulla classificazione e selezione dei dati più rilevanti per giungere ad una conclusione, come fa il cervello umano sfruttando però reti neurali artificiali, ovvero modelli di calcolo matematico-informatici basati sul funzionamento delle reti neurali biologiche, ossia modelli costituiti da interconnessioni di informazioni.
I neuroni formali sono in grado di ricevere in input una combinazione di segnali dall’esterno o provenienti da altri neuroni, e quindi trasformarli tramite una particolare funzione chiamata funzione di attivazione, immagazzinando così i dati nei parametri della rete e in special modo nei pesi associati ad ogni connessione.
Si ha poi la restituzione di un output: un risultato generalmente dipendente dalla finalità per la quale la rete neurale è stata costruita (classificazione, riconoscimento, approssimazione, ecc.).
Questi modelli matematici sono troppo semplici per ottenere una comprensione delle reti neurali biologiche, ma sono utilizzati per tentare di risolvere problemi ingegneristici di intelligenza artificiale come quelli che si pongono in diversi ambiti tecnologici (in elettronica, informatica, simulazione, e altre discipline).
- NLP – NATURAL LANGUAGE PROCESSING (RICONOSCIMENTO ED ELABORAZIONE DEL LINGUAGGIO NATURALE)
L’elaborazione del linguaggio naturale rappresenta un’applicazione complessa, basata sull’IA, ma anche sull’informatica e sulla linguistica. È una delle espressioni più diffuse della IA forte, che esemplifica alla perfezione, grazie al fatto di non essere concepita per risolvere un aspetto specifico, ma per apprendere in senso ampio la comunicazione verbale dell’uomo, significa dunque comprendere qualcosa di complesso, perché non si tratta soltanto di saper gestire un vocabolario, una grammatica e delle regole di sintassi, quanto di saper contestualizzare in maniera corretta un discorso, ai fini di comprendere realmente il significato di un’affermazione.
Il metodo di apprendimento del NLP è ovviamente basato su sistemi di Deep Learning, costruiti per cercare di simulare il modo con cui le persone comprendono il contenuto di una conversazione.
Il dialogo tra uomo e macchina coinvolge diversi aspetti, quali fonetica, fonologia, morfologia, sintassi, semantica, pragmatica e il discorso nel suo complesso. Di conseguenza, sono numerosi i task di NLP che automatizzano queste aree, ad esempio compiti semplici come: il riconoscimento della lingua; la scomposizione della frase in unità elementari; l’analisi semantica; l’analisi del sentiment.
Sono diverse le opportunità di business dei sistemi di elaborazione del linguaggio naturale per il business, come: analisi di mail aziendali, estrazione di informazioni da documenti di governance, analisi di documenti amministrativi, di spot su Social Network e tanto altro.
- COMPUTER VISION E RICONOSCIMENTO DELLE IMMAGINI
Uno degli aspetti più interessanti della visione artificiale è basato sul riconoscimento delle immagini, ossia sull’emulazione di come il cervello umano elabora le informazioni ricevute dagli occhi, piuttosto che sul funzionamento dell’occhio stesso.
L’obiettivo è capire cosa si sta vedendo. Per raggiungere questo risultato sono necessari dei metodi di apprendimento capaci di elaborare i singoli pixel di un’immagine e tradurli in numeri.
La computer vision utilizza tecniche di Deep Learning basate sulle reti neurali convolutive, capaci di emulare il comportamento della corteccia visiva del cervello per elaborare immensi dataset di immagini, ai fini di riconoscere e contestualizzare in maniera precisa l’immagine che viene riconosciuta in tempo reale dall’applicazione.
Esistono moltissimi esempi basati sulla computer vision. I più popolari riguardano le tecnologiedi riconoscimento facciale, utilizzate da moltissime applicazioni, tra cui la procedura di sblocco dei device mobile, piuttosto che l’autorizzazione agli accessi.
In ambito industriale la computer vision è ad esempio utilizzata nel controllo della qualità, mentre la guida autonoma la utilizza ad esempio per riconoscere la segnaletica, gli altri veicoli, i pedoni e tutti i potenziali ostacoli che una vettura può incontrare lungo il proprio percorso. Moltissime anche le applicazioni marketing B2C, anche in collaborazione con le tecnologie di realtà aumentata.
