L’AI è la disciplina che si prefissa di risolvere problematiche tramite l’analisi di informazioni presenti su database, in modo autonomo e simile a quella che potrebbe essere la risposta di un uomo, al fine di automatizzare i processi in modo intelligente e flessibile.
I programmatori scrivono i programmi con istruzioni precise su come risolvere i problemi; al contrario nell’intelligenza artificiale vengono scritti degli algoritmi capaci di adattarsi al contesto sul quale si stanno analizzando i dati e fornire una risposta senza affidarsi a rigide regole imposte dal programma.
Questo tipo di sistema è in grado di riconoscere dei pattern e creare delle associazioni con la banca dati disponibile [44].
Pertanto, è chiaro che questa tecnologia dipende da un’elevata potenza di calcolo e da un big data, cosa che nel passato non era possibile avere.
Un sistema AI non lavora come la mente umana, i problemi da risolvere per creare un sistema
“intelligente” sono innumerevoli e ancora oggi è impensabile la creazione di un sistema paragonabile alla nostra mente, ma durante la ricerca si è deciso di seguire cinque capacità per analizzare precise situazioni.
- Percezione
- Elaborare le conseguenze in base ad una risposta - Capacità di auto apprendimento
- Risoluzione dei problemi - Intelligenza linguistica
Sulla base di questi cinque capacità cognitive, l’intelligenza artificiale si è sviluppata rapidamente ed oggi fa già parte delle nostre vite. Pensiamo ad esempio agli assistenti vocali o alle videocamere a riconoscimento facciale [45].
1) Machine learning
Il machine learning è una tecnologia basata su algoritmi computazionali capaci di emulare l’intelligenza umana e di imparare dall’ambiente sul quale opera. In generale, tale tecnologia è in grado di correlare gli input raccolti con un preciso output. Grazie a questo sistema è possibile anche fare previsioni future basate sui trend identificati.
Gli algoritmi dell’IA possono utilizzare quattro strategie di apprendimento:
Image : [46] [47]
a) Supervised learning
Il supervised learning è la tipologia di machine learning più comune, usata da diversi anni. In questa metodologia vengono presentate diverse immagini all’algoritmo con l’output desiderato. Collezionando un quantitativo discreto di immagini ed output desiderati, l’algoritmo deve essere in grado di sviluppare una regola per generalizzare le varie casistiche e fornire l’output corretto qualora vengano presentate immagini non presenti nel data base, ma con soggetti uguali a quelli già analizzati dal computer. Per chiarire meglio la tecnologia e l’approccio utilizzato, consideriamo il caso in cui vogliamo che la nostra AI, tramite una videocamera, sia in grado di distinguere cani e gatti. Nella fase di training forniremo al computer diverse immagini di questi due animali, con le corrispettive didascalie inerenti all’output desiderato “Cane o Gatto”.
L’algoritmo analizzerà le immagini ed unirà i dettagli caratteristici dei due animali per poterli riconoscere durante l’analisi di nuove immagini.
Questo tipo di tecnologia è già adoperata in alcuni magazzini e-commerce per il riconoscimento dell’etichetta e verifica che quest’ultima venga applicata correttamente dall’etichettatrice automatica.
b) Unsupervised Learning
Come suggerito dal nome, l’unsupervised learning corrisponde ad una metodologia di machine learning dove all’algoritmo non viene fornito alcun tipo di data training e dove il computer stesso dovrà analizzare le immagini per la prima volta, raggrupparle secondo caratteristiche simili e fornire output sulla base delle similitudini riscontrate nelle analisi precedenti.
In questo caso avremo un sistema autonomo ed in grado di apprendere dagli input presentati.
Questo approccio viene utilizzato in quanto i costi di un data base informativo come quello necessario al supervised learning sono maggiori e perché questo sistema è in grado di “clusterizzare” le informazioni e raccogliere informazioni utili dai dati analizzati.
c) Reinforcement Learning
Il reinforcement learning è una tecnica che utilizza un “agente” per imparare in un ambiente interattivo che trasmette feedback positivi o negativi, utilizzati come metodo di apprendimento basato sulle azioni svolte e le esperienze riscontrate.
Sia il supervised learning che il reinforcement learning creano delle correlazioni tra input ed output, ma nel caso del supervised learning gli output sono prestabiliti dall’agente e azionati secondo regole precise. Il reinforcement learning utilizza invece dei segnali positivi o negativi dati dall’ambiente esterno per educare il comportamento dell’AI.
Si notano alcune similitudini con il metodo unsupervised, ma gli obiettivi delle due metodologie sono diversi. Nel unsupervised learning l’obiettivo è quello di trovare similitudini tra le immagini analizzate e raggrupparle, nel reinforcement learning si vuole creare un modello capace di ottenere il più alto numero di feedback positivi e quindi l’output più idoneo all’input presentato dell’ambiente fisico.
Immagine: L’interazione Agent-environment nel processo decisionale di Markov (MDP)
2) Deep learning
L’intelligenza artificiale si è sviluppata notevolmente negli ultimi anni grazie al deep learning, un approccio basato su una tecnologia di network neurali.
In questo caso, la parola “deep” indica i diversi livelli del network neurale alla base del sistema di riconoscimento delle informazioni. Oggigiorno, i sistemi più complessi contano centinaia di livelli neurali.
L’approccio di questa tecnologia è simile a quello della mente umana, dove i neuroni raccolgono alcuni frammenti di informazione e la trasmettono al neurone successivo per analisi dettagliate o confronti con altre informazioni fino ad avere un output logico.
Nel caso del deep learning, ogni livello neuronale ha lo scopo di contribuire alla formulazione dell’output corretto.
Nel deep learning, il network neuronale frammenta le informazioni in immagini parziali, ognuna delle quali viene processata da un livello del network, per esempio i bordi, gli angoli, la luminosità ecc.
Di seguito un’immagine riassuntiva del processo di analisi del deep learning.
Image: [48]