AI driven design. Creatività e collaborazione tra progetto di comunicazione ed intelligenze artificiali

Politecnico di Milano Scuola del design

Design della comunicazione Relatore: Prof. Matteo Ciastellardi

Claudio Pezzella 10486560 - 896662

È stato un lungo percorso; cinque anni sono tanti e sono felice di ogni decisione presa in questo arco di tempo. Vorrei ringraziare tutti i miei amici, che mi sono stati sempre vicini, i professori che negli anni mi hanno trasmesso così tanta conoscenza e passione per le loro materie, specialmente il Prof. Ciastellardi, che ritengo una delle figure più colte e cordiali che abbia incontrato in università ed i miei genitori, a cui devo tutto ed anche di più.

PARTE 1 IA DAGLI ALBORI ALLA MODERNITÀ

Cap_1 Intelligenze artificiali e creatività come concetti in costante evoluzione

Cos’è una intelligenza artificiale Storia delle intelligenze artificiali Cosa intendiamo per creatività

Cap_2 Machine Learning ed apprendimento

L’importanza del Machine Learning Intelligenze artificiali ed apprendimento Il feedback loop con l’utente

Cap_3 L’impatto delle intelligenze artificiali sul nostro rapporto con la tecnologia

Principali sfide etiche

Il futuro della tecnologia, esempi in alcuni settori Potenzialità nell’ambito del design

PARTE 2 ASPETTI DI PROGETTAZIONE ED ERRORI

COMUNI

Cap_4 Casi studio

16

66

18 68 53 43 19 54 44 25 57 46 34 62 50 8 10 12 14 ABSTRACT OBIETTIVI DI RICERCA PERCHÉ QUESTA TEMATICA AI DRIVEN DESIGN

89 69 90 93 74 82 Netflix Spotify Youtube

Cap_5 Errori moderni e trend futuri sull’implementazione di intelligenze artificiali

Errori di implementazione Trend futuri

Cap_6 Interviste a Joël Bodegraven e Pedro Marques

Come definireste intelligenze artificiali e Machine Learning?

Che ruoli può assumere un’intelligenza artificiale nell’ambito del design? I designer moderni dovrebbero essere in grado di programmare? Quali sono le sfide principali del lavorare con IA e Machine Learning?

PARTE 3

DESIGNER ED INTELLIGENZE

ARTIFICIALI NEI PROCESSI CREATIVI

Cap_7 Il ruolo del designer sta cambiando?

Le macchine sostituiranno i designer? L’emergente nuovo ruolo dei designer La collaborazione con le intelligenze artificiali

Cap_8 Designer e tecnologie, alcune ipotesi

Progettare intorno alle tecnologie Comunicare con gli ingegneri

La responsabilità di rimanere aggiornati

Cap_9 Approcci per ottimizzare l’AI driven design

104

144 146 148 150 106 98 124 133 107 100 102 125 108 101 103 126 113 130 CONCLUSIONI BIBLIOGRAFIA/SITOGRAFIA NOTE

La tecnologia è sempre stata portatrice di grandi passi in avanti ed innovazioni e come progettisti stiamo vivendo in un’epoca molto interessante dove è in grado di fare enormi progressi in pochissimo tempo; uno degli sviluppi tecnologici più anticipati riguarda l’automazione e il concetto di intelligenza artificiale (IA).

IA (o AI in inglese) è un termine molto in voga nei giorni nostri, circondato da equivoci e domande riguardo il suo utilizzo ed i suoi limiti. Escludendo le sue già note sfide etiche e filosofiche, l’uso di intelligenze artificiali può essere però il catalizzatore di ottime esperienze per gli utenti.

Intorno al 2016 le basi tecnologiche degli strumenti di intelligenza artificiale sono diventate molto più accessibili e la comunità mondiale dei designer si è interessata all’argomento, è quindi il momento giusto per cominciare a riconsiderare il ruolo del progettista? Le intelligenze artificiali andranno indubbiamente a formare le esperienze del domani ed è nostro dovere come progettisti tuffarci in questo mondo per capirne le molte sfaccettature.

Questa tesi è volta ad analizzare l’influenza dello sviluppo delle tecnologie algoritmiche e di intelligenza artificiale come machine learning e reti neurali sul ruolo del designer moderno, che si sta gradualmente evolvendo trasformandosi in una figura poliedrica, capace in molti ambiti e con ottime abilità relazionali e di coordinamento, andando a fornire una prospettiva su lo stato dell’arte della tecnologia moderna, gli strumenti su cui un progettista può fare affidamento, ed uno studio in particolare di diversi casi presenti nel contesto moderno, andando a creare una sorta di “manuale” informativo per il designer che vuole prepararsi sul sempre più presente mondo delle intelligenze artificiali.

Le intelligenze artificiali sono presenti nel mondo del lavoro da ormai decine di anni, ma sono sempre state relegate ad attività di contesto manuale; ripetitive, semplici, facili da automatizzare. Allo stesso modo alla costante (quasi da cliché) paura di un futuro in cui le macchine rimpiazzano gli esseri umani in tutte le professioni lavorative creando una crisi si è sempre ritenuto difficile (se non impossibile) che macchine ed IA potessero essere in grado di rimpiazzare lavori considerati creativi ovvero con componenti di immaginazione, relazione ed originalità.

Ovviamente però la macchina del progresso non smette mai di avanzare e recentemente ha fatto enormi progressi nel campo del design; prendendo un esempio, la scorsa primavera è stato lanciato un nuovo e innovativo strumento per la progettazione, remove.bg. Molto spesso programmi come Adobe Photoshop o simili alternative forniscono strumenti di automazione per la creazione o rimozione di fondi dalle fotografie ma remove.bg porta il tutto a livelli innovativi. Il sito permette, attraverso una rete neurale di algoritmi, di poter caricare una propria foto e rivederla scontornata in questione di secondi; e non nel modo in cui siamo abituati dai vari strumenti attuali, ma in modo quasi perfetto. Le foto di volti caricate vengono scontornate in modo completo, persino quelle comprendenti volti e capelli.

Il sito che altro non è una demo per mostrare le potenzialità del tutto a possibili clienti, piccoli e grandi; è una finestra verso un futuro inevitabile e soprattutto più vicino di quello che si pensi. Innovazioni come questa portano spesso ad accesi dibattiti e discussioni, ed in questo caso su quale sia il futuro del ruolo del designer.

Le intelligenze artificiali sono state rivoluzionarie sul livello tecnico ma hanno anche avuto un importante impatto a livello di società; il modo in cui ormai interagiamo con le macchine sta velocemente cambiando. Sono praticamente dappertutto. Sui nostri telefoni, nelle nostre case, orologi e perfino nelle macchine; la presenza delle IA cambia le nostre interazioni e relazioni con la tecnologia. Molte delle attività che svolgevamo di prima mano sono al giorno d’oggi delle semplici richieste vocali per assistenti che recepiscono il comando e fanno il lavoro. Allo stesso modo, prodotti basati sulle IA come ad esempio Google Home si stanno facendo spazio un po’ alla volta nelle nostre vite di tutti i giorni, diventando sempre più popolari ed utilizzati.

Cos’è quindi l’AI driven design? È quella branca del design che riconosce la crescente importanza delle intelligenze artificiali e decide di progettare da zero tenendo in mente il loro ruolo come elemento chiave. La progettazione quindi assume delle sfaccettature particolari, essenziali per una maggiore efficenza; mantenere gli input al minimo, mettere in chiaro la possibilità di errori, trasparenza con gli utenti, cercare di rendere l’esperienza più umana possibile e ridurre il numero di scelte per l’utente.

Parte 1

IA dagli albori alla modernità

Cap_1 Intelligenze artificiali e creatività come concetti in costante evoluzione Cap_2 Machine learning ed apprendimento Cap_3 L’impatto delle intelligenze artificiali sul nostro

Intelligenze artificiali e creatività come

concetti in costante evoluzione

Il progresso tecnologico nella storia umana è in continua e vertiginosa velocizzazione; nuove tecnologie vengono ideate sempre più velocemente in quella che sembra una ascesa di ritmo esponenziale e che spesso rischia di essere persa di vista, andando perfino ad intaccare il nostro concetto di creatività e le implicazioni ad essa associate.

Per questo l’ideale è partire da un punto comune e cominciare con il capira cosa innanzitutto sia un’intelligenza artificiale.

1.1 Cos’è un’intelligenza artificiale

Intelligenza Artificiale (IA) è un concetto che comprende molte definizioni e sfaccettature. Nonostante la maggior parte delle persone (soprattutto chi non è familiare con le IA) ritenga che il tutto sia un recente sviluppo tecnologico, i primi accenni di progressi nell’ambito risalgono agli anni cinquanta del novecento. Negli anni le IA si sono sviluppate specialmente nell’industria videoludica e hanno recentemente trovato terreno fertile nelle nostre case, raggiungendo un picco di sviluppo, investimenti ed interesse. Cercando Intelligenza Artificiale su Google si possono trovare innumerevoli storie ed ipotesi future su come le IA riusciranno con il tempo a rimpiazzare tutti i lavori o addirittura su come le IA possano portare alla distruzione dell’umanità per come la conosciamo. Le IA però, oltre che ad essere oggetto di innumerevoli cliché, sono molto lontane dal raggiungere delle capacità intellettive al pari di quelle umane e, secondo il veterano di User Experience Chris Noessel, possono venire suddivise in tre categorie (Noessel, 2017 ⁰¹).

1.1.1 I tre tipi di IA secondo Chris Noessel

Chris Noessel, attualmente al lavoro su progetti di Intelligenza Artificiale per IBM descrive tre possibili tipi di IA:

Narrow artificial intelligence: un’intelligenza concentrata su attività specifiche; può quindi imparare e dedurre ma non generalizzare; Artificial general intelligence: è più indipendente e ha l’abilità di capire significati e contesti;

Super intelligence: potrebbe ipoteticamente superare l’intelletto umano;

Nonostante lo stato delle IA contemporanee sia molto lontano dal concetto di super intelligence, le tecnologie si stanno sempre di più affinando per gestire attività specifiche e chiare. Tutto ciò fornisce grandi opportunità a creatori (sia progettisti di livello professionale che i creators della rete) ed utenti di rendere le proprie esperienze fluide ed efficienti.

Andiamo ad esaminare le tre categore nello specifico.

1.1.2 Narrow artificial intelligence

Una Narrow Artificial Intelligence (Narrow AI, letteralmente IA specifica) è un preciso tipo di IA in cui la tecnologia supera le capacità umane in una determinata e limitata attività. A differenza della Artificial General Intelligence la Narrow AI si concentra su un singolo settore delle abilità cognitive e si evolve in quell’ambito. Nella storia delle IA la Narrow AI è emersa molto prima di altri tipi di intelligenze artificiali; si potrebbe anche dire che alcuni dei primitivi sistemi computerizzati fossero in grado di superare la capacità di calcolo e quantificazione umane, rendendole le prime forme di Narrow AI. Al giorno d’oggi esempi di queste IA ormai abbondano; i computer hanno superato gli esseri umani in complessi giochi come gli scacchi, sono in grado di effettuare importanti decisioni di business e molte altre attività.

La comunità tecnologica sta quindi cercando nell’ultimo periodo di

Narrow artificial intelligence

Narrow artificial

avanzare verso un concetto più ampio e generale di sistemi di IA. Sviluppare Narrow AI era un obiettivo fattibile ed il dibattito moderno è più sulla possibilità delle macchine di ottenere un’intelligenza più generale, data la complessità del cervello umano.

1.1.3 Artificial general intelligence

L’Artificial General Intelligence (AGI, letteralmente intelligenza artificiale generale) è l’intelligenza di una macchina che ha la capacità di capire o imparare ogni processo intellettuale che un umano può svolgere. È uno degli obiettivi primari della maggior parte delle ricerche sulle IA ed un argomento comune nella fantascienza e negli studi riguardo il futuro.

Con il passare del tempo sono state proposte molte modalità per testare le capacità di una presunta AGI (il famoso Test di Turing è la più conosciuta) ma ad oggi non si è riusciti a trovare una definizione che riesca ad accontentare tutta la comunità scientifica e tecnologica; si è comunque d’accordo che una AGI debba essere in grado di ragionare, mostrare conoscenza, pianificare, imparare, comunicare in modo naturale ed essere in grado di perseguire un obiettivo comune.

Andando oltre l’intelligenza generale si va poi a definire il concetto di superintelligence.

-v Figura 01 Alan Turing e alcuni suoi colleghi al lavoro sul computer

1.1.3 Super intelligence

Una superintelligence (superintelligenza) è un’ipotetica macchina che possiede un’intelligenza di molto superiore a quella umana. I ricercatori di tecnologia non sono però d’accordo riguardo quanto sia probabile che l’intelletto umano venga in futuro superato. Alcuni sostengono che gli sviluppi andranno a creare sistemi artificiali che mancheranno delle limitazioni prettamente umane, altri credono che gli esseri umani modificheranno la propria struttura biologica per raggiungere un intelletto superiore.

Alcuni studi suggeriscono una prospettiva mista, con la possibilità che gli umani riescano in futuro ad interfacciarsi con i computer, ipotizzando addirittura la capacità di caricare le proprie menti in apparati tecnologici per espandere il proprio intelletto. Alcuni ricercatori sostengono che lo sviluppo di superintelligenze avverrà poco dopo il raggiungimento di intelligenze generali artificiali, andando poi a sfociare in discorsi utopistici riguardo la creazione di una nuova specie e molto altro.

-v Figura 02 Hal 9000 da 2001: Odissea nello spazio, Stanley Kubrick, 1968

1.1.4 Ulteriori caratteristiche di un’intelligenza artificiale

Nonostante le varie categorizzazioni di tipi di IA ci sono delle caratteristiche comuni che possono essere osservate, tra cui:

1. La necessità di basarsi su dati già esistenti.

Senza dati tutto il castello crolla. Negli ultimi anni sono emerse molte controversie riguardo la raccolta di dati in generale ed il peso della responsabilità sul come raccoglierli e gestirli è sentito ormai sia da sviluppatori che creatori.

2. La capacità di imparare nuove abilità senza bisogno che vengano programmate.

Una IA impara e migliora il suo approccio durante lo sviluppo e l’uso, senza essere programmata.

Impara da i fallimenti e dalle esperienze.

Ciò vuol dire ovviamente che più volte una IA esegue una determinata operazione, più riesce a svolgerla meglio.

3. La tendenza ad avere competente specifiche.

Una IA è molto più utile a svolgere specifiche attività pre-determinate come per esempio scoprire pattern e trovare correlazioni.

4. La continua evoluzione del termine stesso.

Come detto prima, il concetto di IA ha molte definizioni e sfaccettature. Da specifica a super intelligente. Ciò vuol dire che il significato e la singola definizione di IA possono variare da persona a persona e dipendono dall’idea che il singolo invidivuo ha di una intelligenza artificiale.

I possibili e molto frequenti fraintendimenti che ne possono sicuramente derivare continueranno probabilmente a farsi strada tra le discussioni sull’ambito.

Questo a causa della natura intrinsecamente difficile da definire di cosa sia un’intelligenza.

1.2 Breve storia delle intelligenze artificiali

Una volta definite le linee guida del termine intelligenza artificiale e di cosa comporta il passo successivo è quello di una una analisi della storia passata, una storia di fantasie, possibilità, dimostrazioni e promesse. Sin da quando Omero scrisse di “tripodi” meccanici che fungevano da camerieri durante le cene degli dei (Omero, Iliade ⁰²) l’idea di assistenti meccanici è rimasta fissa nella nostra cultura. Nonostante questo, solamente negli ultimi settanta anni la comunità di ricercatori è stata in grado di costruire macchine sperimentali capaci di mettere alla prova le ipotesi su i meccanismi del pensiero e dell’intelletto dimostrando quindi idee prima solo teoriche. Nonostante l’idea di riuscire a creare un’intelligenza artificiale al pari di quella dell’essere umano rimanga un obiettivo nel lontano futuro, la letteratura ha sempre avuto un ruolo primario nel proiettare le idee delle persone in storie fantascientifiche e non.

1.2.1 Le IA in filosofia ed in fantascienza

I filosofi hanno spesso usato l’idea di macchine intelligenti come strumento letterario per aiutare a definire cosa significhi essere umani. Cartesio per esempio era interessato al concetto di uomo

meccanico come metafora; Leibniz dall’altra parte vedeva potenzialità

nell’utilizzare ragionamenti meccanici per risolvere conflitti. Lo stesso Leibniz insieme a Pascal progettò macchine calcolatrici attraverso delle forme di aritmetica meccanizzata ipotizzando degli uomini calcolatori ma nemmeno loro hanno mai parlato di strumenti in grado di pensare.

Gli scrittori di fantascienza hanno spesso utilizzato la possibilità di macchine intelligenti per mandare avanti idee di esseri non umani con intelletto, così come per farci riflettere sulle nostre caratteristiche umane. Tra i più famosi ritroviamo Jules Verne e Isaac Asimov ma ritroviamo riferimenti all’ambito anche negli scritti di L. Frank Baum

(autore de Il meraviglioso mago di Oz). Baum parla spesso di diversi robot e, per esempio, nel 1907 descrisse l’uomo meccanico Tiktok come un reattivo, creativo, eloquente uomo pensante…che pensa,

parla, agisce e fa tutto tranne vivere (Baum, 1907 ⁰³).

Questi scrittori hanno ispirato molta della ricerca nel campo delle IA. I robot e altre creature create artificialmente come il Golem della tradizione Ebraica o il mostro di Frankestein di Mary Shelly hanno sempre catturato l’attenzione e l’immaginazione del pubblico, anche giocando sulle sue paure.

1.2.2 Le prime macchine

Sin dal diciassettesimo secolo venivano costruiti animali e bambole meccaniche attraverso meccanismi ad orologeria che, nonostante fossero ovviamente limitati nelle loro capacità e fossero concepiti più come intrattenimento per incuriosire, riuscirono a dare un minimo di supporto e credibilità alla visione meccanica del comportamento. Con il progresso del settore industriale i macchinari stessi diventarono più sofisticati e comuni ma necessitavano comunque di una base ad orologeria.

Prendiamo ad esempio un contesto di gioco; gli scacchi sono un’attività che richiede pensiero. Non è sorprendente quindi che le macchine da scacchi del diciottesimo e diciannovesimo secolo venissero presentate come macchine intelligenti ed addirittura riuscissero a convincere il pubblico della loro genuinità proprio attraverso quel gioco (famoso il caso del “Turco”). Gli scacchi sono rimasti negli anni uno dei veicoli principali per studiare meccanismi di deduzione (Un altro caso famosissimo è la vittoria del programma Deep Blue sul campione mondiale di scacchi Garri Kasparov nel 1997).

1.2.3 Prima metà del ventesimo secolo

Con le invenzioni del ventesimo secolo nell’ambito dell’elettronica e l’ascesa dei computer in un contesto post-seconda guerra mondiale, nei laboratori del periodo le idee cominciano a prendere forma. I computer crescono e vengono addirittura definiti cervelli giganti negli anni quaranta del novecento. Nonostante i robot siano sempre stati una parte della percezione pubblica riguardo i computer intelligenti i primi passi della robotica avevano più a che fare con ingegneria meccanica che sviluppo di intelletto. Nell’ultimo periodo però i robot sono diventati potenti mezzi per mettere alla prova le idee riguardo comportamenti intelligenti.

Recentemente hanno fatto scalpore i progressi effettuati dai laboratori Boston Dynamics in america con le loro tecnologie robotiche; il campo delle IA non tratta solo robot però, ma anzi cerca soprattutto di capire la natura del pensiero intelligente usando computer come strumenti sperimentali. Per esempio, nel 1944, Herb Simon scrisse le basi della processazione di informazioni nella psicologia:

Ogni decisione razionale può essere vista come una conclusione raggiunta da determinate premesse… Il comportamento di una persona razionale può quindi essere controllato se i valori e le premesse su cui basa le decisioni sono specificate (Newell, Simon, 1972 ⁰⁴)

Il campo delle IA nei suoi anni iniziali è stato influenzato da idee di molte discipline provenienti da esperti nel campo dell’ingegneria (come i lavori sulla cibernetica di Norbert Wiener), della biologia (i lavori di Ashby, McCulloch e Pitts sulle reti neurali), della psicologia sperimentale (lo stesso Simon), della teoria del gioco (Von Neumann), della matematica e della statistica e nel campo della logica e della filosofia (Turing). Queste linee di pensiero lasciano il segno sulla disciplina con tracce ancora oggi visibili, ma avendo assimilato tutto ciò il campo delle IA ha progredito parecchio, a volte addirittura superando le idee fondanti.

1.2.4 Il periodo d’oro, 1950-1970

Solo dalla metà del diciannovesimo secolo la tecnologia è stata in grado di produrre computer abbastanza potenti per permettere la sperimentazione di idee su concetti come intelletto e comportamento. Il paper di Turing scritto nel 1950 sulla rivista Mind è un grande passo in avanti della storia delle IA. Il paper solidifica idee riguardo la possibilità di programmare un computer elettronico di modo che possa comportarsi in modo intelligente, descrivendo anche delle linee guida di un gioco di imitazione (Imitation Game) che andrà poi a far parte dell’ormai famosissimo Test di Turing. Il paper di Vannevar Bush (di cui si parla anche nel successivo capitolo) del 1945 sull’Atlantic Monthly descrive una visione delle possibilità future ma era Turing a scrivere materialmente codice (per esempio di programmi in grado di giocare a scacchi).

I primi programmi erano necessariamente limitati da dimensioni e velocità delle memorie fisiche e dei processori e anche dalla relativa lentezza dei firmware e linguaggi di programmazione del tempo (la gestione della memoria per esempio è stata un grande problema fino all’invenzione dei sistemi di gestione della spazzatura); i nuovi linguaggi di programmazione degli anni cinquanta e sessanta diedero però ad i programmatori nuovi avanzamenti che permisero in quegli anni di progettare dimostrazioni in grado di risolvere problemi che richiedevano intelletto.

Mentre i vari programmi delle conferenze del periodo contengono

riferimenti a questi programmi la prima raccolta di IA funzionanti fu stilata da Edward Feigenbaum e Julian Feldman nel loro libro del 1963, Computers and Thought.

Sempre negli anni cinquanta Newell, Shaw e Simon erano in grado di scrivere programmi che potremmo considerare precursori per la loro epoca ma erano allo stesso tempo limitati dal lato hardware. Il loro programma chiamato LT (Logic Theorems) era in grado di fornire dimostrazioni di teoremi, processo che si potrebbe dire richieda decisamente un uso dell’intelletto; fu presentato alla conferenza di Darthmouth del 1956, la stessa che diede alle IA il loro nome. Newell e Simon nel 1972 accettano le prime dimostrazioni di Oliver Selfridge riguardo programmi di manipolazione dei simboli per il riconoscimento di pattern. Il lavoro di Selfridge sull’apprendimento e sull’approccio multiagente al problem solving più il lavoro di altri esperti durante gli anni cinquanta furono altre impressionanti dimostrazioni del potere dell’euristica.

Tutte queste dimostrazioni iniziali contribuirono a stabilire uno dei principi fondamentali delle IA a cui Simon diede il nome di satisficing:

In caso di assenza di un metodo che garantisca la soluzione ad un problema in tempi fattibili, l’euristica dovrebbe guidare la scelta verso una soluzione soddisfacente più che ottimale (Polya, 1945 ⁰⁵)

semplici all’inizio, si rivelarono talmente complesse da essere quasi infattibili. Nonostante ciò esperti come Robert F. Simmons, Robert Linday e Roger Schank riuscirono a dimostrare le potenzialità in ambito traduttivo, anche se in contesti molto limitati.

Nonostante i primi metodi basati su un semplice leggo>trovo la parola corrispondente>traduco non bastassero all’epoca, i recenti progressi tecnologici ci stanno fornendo una prospettiva molto fattibile e vicina sul poter realizzare dei veri e propri assistenti non umani. Inoltre i moderni sistemi di traduzione e comprensione del testo riescono ormai quasi senza problemi a giostrarsi nei reami della semantica e della sintassi del linguaggio.

Un altro punto di svolta fu lo sviluppo di sistemi basati sulla conoscenza negli anni sessanta e settanta. Ira Goldstein e Seymour Papert descrivono la dimostrazione del programma Dendral come un cambio epocale nelle IA incentrate su sistemi basati su conoscenza; prima di loro erano più comuni sistemi ad inferenza logica per risolvere teoremi. Mycin e le migliaia di esperti a seguito divennero una visibile dimostrazione del potere dei sistemi basati su conoscenza; nonostante fossero limitati in ambiti ed obiettivi, soprattutto per la difficoltà nell’accumulare la conoscenza necessaria, il loro successo dimostrò come il vecchio detto sapere è potere fosse importante anche in questa disciplina.

1.2.5 Gli inverni delle IA e il ventunesimo secolo

Purtroppo nonostante i tentativi ed i grossi fondi, per decine di anni ricercatori e scienziati incontrarono enormi difficoltà nel creare forme di intelligenza nelle macchine. Per poter funzionare i programmi avevano bisogno di processare enormi quantità di dati ed i computer dell’epoca non erano abbastanza sviluppati per poter gestirne una tale mole così grande; il tutto portò alla crescente sfiducia delle aziende e dei governi nelle IA. Da metà degli anni settanta fino alla metà degli anni novanta i ricercatori attraversarono un periodo caratterizzato da una scarsezza di fondi ed interesse; questi anni diverranno poi noti come Gli inverni delle IA (AI Winters). Alla fine degli anni novanta però grosse aziende ed conglomerati ripresero l’interesse riguardo le IA; il governo Giapponese annunciò piani per sviluppare computer di quinta generazione per portare avanti il machine learning ed un clima di ottimismo si diffuse tra le comunità tecnologiche. Nel 1997 DeepBlue della IBM riesce a battere il campione mondiale di scacchi Garri Kasparov. Con l’inizio del ventunesimo secolo un po’ dell’entusiasmo va a perdersi ma il machine learning continua la sua marcia soprattutto grazie alle nuove frontiere dello sviluppo di computer; si cominciano quindi ad osservare piccoli utilizzi di IA da parte di aziende e governi in specifiche situazioni.

Con il passare del tempo l’aumento esponenziale di potenza di calcolo dei computer porta ad una sempre più grande capacità di archiviare dati. Colossi del mercato come Amazon, Google, Baidu ed simili hanno usato negli ultimi 15/20 anni il potere delle IA a loro favore; oltre a processare i dati degli utenti per capirne il comportamento, queste compagnie hanno continuato a lavorare su tecnologie come Computer Vision, Natural Language Processing e molto altro; le IA ed il machine learning sono quindi ad oggi incorporati in molti dei servizi online che usiamo, rendendoli parte integrante della nostra società.

-v Figure 07 e 08 DeepBlue batte il campione mondiale di scacchi Garri Kasparov in diretta mondiale

1.3 Cosa intendiamo per creatività

Abbiamo parlato della storia e delle innovazioni nei secoli riguardo il concetto di intelligenza artificiale ma uno degli aspetti più intriganti del dibattito moderni è proprio la relazione tra intelligenza e creatività, un concetto che ha una storia tanto elaborata quanto quella della ricerca dell’intelligenza.

1.3.1 Creatività

Le culture antiche (tra cui Antica Grecia, Cina ed India) non avevano lo stesso concetto di creatività che abbiamo noi oggi. Il tutto era visto più come una forma di scoperta; il rifiuto della creatività in favore della scoperta avrebbe dominato l’occidente fino al Rinascimento. A partire dal 18° secolo la parola creatività viene menzionata sempre più spesso, collegata frequentemente con il concetto di immaginazione. Verso la fine del 19° secolo studiosi come Walls, Wertheimer, Helmholtz e Poincaré cominciarono a riflettere e pubblicare il loro processo creativo, diventando pionieri dello studio scientifico della creatività. Questo tipo di studio ha prodotto molte teorie, modelli e sistemi nell’arco del ventesimo secolo; elementi filosofici, sociologici, storici, tecnici e pratici. Mentre definire la creatività in termini oggettivi era ed è ancora oggi una sfida, il suo studio sistematico ed i suoi concetti chiave hanno permesso a settori come quelli pubblicitario, dell’architettura, del design, della moda, del cinema e della musica di adottare rapidamente processi creativi e di riprodurli in scala.

1.3.2 Creatività Aumentata

Nel suo articolo As We May Think Vannevar Bush immagina il Memex, uno strumento simil scrivania dove le persone potevano cercare in

una libreria di articoli attraverso una serie di interruttori. Nonostante fosse interamente meccanico, Bush descrive uno strumento che comprende hyperlink di testo, note aggregate e segnalibri (Bush, 1945 ⁰⁶); il tutto per estendere la capacità umana di cercare e processare informazioni.

L’articolo ispirò al tempo un giovane Douglas Engelbart che decise di licenziarsi da lavoro e di frequentare l’università Berkeley in California. In università scrisse nel 1962 una pubblicazione chiamata

Augmenting the Human Intellect: A Conceptual Framework. Nella

pubblicazione Engelbart, influenzato dal memex di Bush scrisse riguardo una macchina da scrivere che:

Permetterebbe di usare un nuovo processo di composizione del testo(...). Si potrebbero integrare nuove idee più facilmente, e quindi imbrigliare in modo continuo la creatività (...). Tutto ciò permetterà probabilmente di elaborare ed usare procedure ancora più complesse per mettere in uso i propri talenti… (Engelbart, 1962 ⁰⁷)

Engelbart non solo diede una visione di come interagire con un sistema computerizzato ma aveva anche una filosofia da seguire. Credeva che i computer potessero essere usati per creare un’estensione dei modi in cui pensiamo, rappresentiamo e facciamo associazioni mentali.

La visione di Engelbart non era solo quella di automatizzare processi ma di aumentare esponenzialmente il potere delle persone creando un sistema per ampliare il nostro intelletto, la nostra umanità e la

nostra creatività; il suo obiettivo era di elevare il potenziale umano. Ivan Sutherland, uno studente di Claude Shannon, che a sua volta era studente di Vannevar Bush, costruì già nel 1963 un sistema funzionante ispirato al memex. Il suo progetto di dottorato chiamato Sketchpad viene considerato come l’antenato dei moderni sistemi di computer-aided design (cad). Dimostrò all’epoca il potenziale delle grafiche interattive per scopi tecnici e creativi.

Solo qualche anno più tardi, l’Augmentation Research Center (ARC) di Engelbart inventò una varietà di tecnologie ancora usate oggi tra cui le video chiamate ed il mouse. Contemporaneamente John McCarthy fondava lo Stanford Artificial Intelligence Laboratory (SAIL). Il gruppo di McCarthy non era interessato alla parte di miglioramento della capacità umane ma puntava a riprodurre l’intelligenza umana elettronicamente. Entrambi i gruppi unirono all’epoca figure di dottorandi esperti di hardware, software e studenti delle superiori come Steve Wozniak e Steve Jobs per svolgere esperimenti insieme. Quando la Xerox (colosso dell’industria della carta) decise di fondare il suo Palo Alto Research Center (PARC) nel 1970 catturò subito l’attenzione di veterani dell’ARC e del SAIL, intenti a lavorare su personal computing, interfacce utente e grafiche. Questa struttura sviluppò molte innovazioni moderne tra cui l’ethernet e fu pioniera di una nuova metafora per il lavoro creativo su sistemi computerizzati: il Desktop. Poco dopo l’apertura del centro Xerox un più informale ma non meno importante movimento emerse per esplorare le potenzialità dei computer: l’Homebrew Computing Club. Homebrew attrasse un misto di attivisti contro la guerra, creativi e scienziati informatici. Alla fine di tutto dozzine di aziende (incluse Apple e Microsoft) e tecnologie come il Personal Computer (PC) nacquero dal movimento

1.3.3 Creatività Computazionale

corretta grammatica inglese e generare nuove frasi usando metodi computazionali. Questi esempi di prima ricerca nella “Creatività Computazionale” portarono ad un dialogo interdisciplinare, esplorando l’uso di approcci computazionali per problemi creativi. Verso la fine degli anni 60 ricercatori dei laboratori Bell cominciano a lavorare sull’uso dei computer per elementi creativi; in una serie di esperimenti rivoluzionari generarono grafiche, animazioni ed opere artistiche con i primi sistemi computerizzati. Uno dei ricercatori più attivi era Michael Noll che nel 1970 mise in evidenza la necessità di una nuova branca di scienziati informatici-artistici.

La chiamata di Noll fu presto sentita da artisti e musicisti come Brian Eno. Già nel 1975 Eno stava usando principi algoritmici e generativi per comporre musica, successivamente descrivendo il suo lavoro come un utilizzo della tecnologia inventata per imitare per invece creare opere originali. Un’altra pietra miliare fu raggiunta nel 1979 da Benoit Mandelbrot con la scoperta del Mandelbrot set. Fu il primo ad usare grafiche computerizzate per mostrare immagini geometriche di frattali. In questo modo fu in grado di dimostrare come complessità visuale poteva essere creata da semplici regole. I frattali ebbero un profondo effetto sulla percezione di creatività e macchina. Portarono molti a chiedersi se un computer/algoritmo potesse essere creativo ed ispirò scienziati, artisti ed ingegneri a sperimentare con creatività. I videogiochi furono pionieri delle applicazioni industriali di questa creatività computazionale.

Intorno al 1978 i giochi cominciarono a fare grande uso di sistemi procedurali per definire le mappe da gioco e i comportamenti dei personaggi. Questi metodi permettevano di sviluppare un gameplay complesso senza dover spendere troppo tempo lavorando sul codice. Giochi come Simcity di Will Wright portarono questi concetti ancora più avanti con delle divertenti simulazioni interattive di sistemi complessi famose ancora oggi (Simcity è un franchise ancora presente sul mercato, l’ultimo titolo risale al 2013).

Oggi l’interesse nella creatività dalla prospettiva delle intelligenze artificiali sta crescendo, con conferenze annuali, programmi

1.3.4 Sistemi creativi

Dopo la seconda guerra mondiale gli Stati Uniti goddero di un periodo di euforia. I poteri alleati avevano trionfato a quanto pare attraverso la scienza, tecnologia e sistemi di pensiero. In questo ambiente la fondazione Josiah Macy Jr. organizzò una serie di conferenze dal 1946 al 1953 sui lavori della mente umana più tardi intitolata Cybernetics. Lo scopo delle conferenze era di promuovere una comunicazione importante tra discipline scientifiche e riportare unità nella scienza. Includeva persone come J.C.R. Licklider, Margaret Mead, Heinz vor Foerster, Jon von Neumann, Claude Shannon e Norbert Wiener. Ispirato dalla conferenza nel 1948 Wiener pubblicò i suo grande lavoro Cybernetics: or Control and Communication in

the Animal and the Machine e Shannon pubblicò A Mathematical Theory of Communication.

Lavori del genere crearono le basi per l’età dell’informazione moderna fornendo delle teorie scientifiche per concetti come informazione,

comunicazione, feedback e controllo. Wiener definì la cibernetica

come la scienza del controllo adattivo basato su feedback; il nome scolastici e di dottorato dedicati alla creatività computazionale. Uno stabile flusso di idee e tecniche che sono computazionali e creative nelle intenzioni si sta inserendo nella cultura generale: personaggi artificiali, musicisti artificiali, bot giornalistici, architettura generativa e reti neurali che “sognano”. Nonostante questi sistemi siano ancora molto lontani dalle capacità umane, vengono comunque usati nelle società, nell’industria e negli ambiti universitari per creare artefatti che interessano sempre di più il pubblico. In molte aree i sistemi stanno effettuando il salto dalla fase sperimentale a quella di produzione, portando a nuovi processi creativi ed output.

deriva dalla antica parola greca per timoniere. La cibernetica adotta una prospettiva secondo cui il controllo in ambienti complessi deve essere discorsivo. Ha bisogno non solo di azioni ma anche di ascolto ed adattamento: per direzionare una barca attraverso un lago bisogna usare timone e vele per adattarsi al vento e alle correnti. Il modello di controllo della cibernetica è circolare; le decisioni dipendono non solo da come le persone portano avanti le loro intenzioni ma anche da come l’ambiente risponde.

Un primo collegamento tra Cibernetica e Creatività fu fatto nel 1968 con l’esibizione Cybernetic Serendipity all’Istituto delle Arti Contemporanee a Londra; la mostra esplorava le connessioni tra creatività e tecnologia. Artisti come Gordon Pask e Nam June Paik usavano sistemi per generare musica, poesia, film, dipinti e grafiche computerizzate. Questo nuovo spirito di creazione fu trattato da Buckminister Fuller nella sua nozione del comprehensive designer che lui descrive come una emergente sintesi tra un artista, un meccanico, un economo ed uno stratega evoluzionario. Nei decenni successivi le idee cibernetiche influenzano profondamente altri campi di pensiero come il business, la politica, le arti, il design e l’architettura.

Integrando sistematicamente contesto e relazioni la cibernetica spinse le creazioni ed il design oltre il suo approccio basato su oggetti. Nonostante la cibernetica perse di impatto negli anni 70 la sua eredità vive in campi come quello della Teoria del Controllo e quello degli Studi di Sistemi Complessi o dell’Interaction Design. Gli approcci olistici moderni che cercano di unire bisogni tecnologici, umani e sociali vengono citati in molti campi. Ispirato dalla cibernetica, il creative design thinking (di cui si parlerà più avanti) ha trovato sorprendenti applicazioni in aree come il software (agile, open-source), il management (la filosofia del 20% di Google ⁰⁸), il lavoro (Uber e Lyft) e l’allocazione del lavoro (trading con algoritmi e amazon).

1.3.5 Creazione assistita

Ispirati dalla visione di Engelbart degli anni 60, numerose pubblicazioni scientifiche e esperimenti esplorarono come aiutare gli umani con attività creative o come il ricercatore Ben Shneiderman definì il tutto, tecnologie che permettono a più persone di essere più creative e più spesso. Questa ricerca, insieme all’emergente rivoluzione dei PC permise a compagnie come Apple o Lotus di progettare le prime applicazioni per attività creative.

Alla fine di tutto, questo movimento portò alla fondazione di aziende come Autodesk (1979) e Adobe (1982) che si concentravano esclusivamente sulla creazione di strumenti e sistemi per permettere di essere creativi. L’industria fece da pioniere per lo sviluppo di sistemi di creazione assistita di prima generazione negli anni 80: Photoshop, Autocad, Pro-Tools, Word e molti altri. I sistemi di prima generazione imitano strumenti analogici con metodi digitali. È necessaria la completa attenzione dell’umano per mandare avanti il processo creativo e il feedback è lento e con assistenza limitata. Nonostante ciò, questi strumenti permisero ad esperti e non esperti di essere più creativi, portando un flusso di nuovi processi ed artefatti creativi. La camera Autofocus, inventata da Leica nel 1976 è un primo esempio di sistema di creazione assistita di seconda generazione. In questi sitemi gli umani e le macchine negoziano il processo attraverso un loop di azione-feedback. La macchina ha più azioni quindi il controllo può essere condiviso, Le decisioni sono fatte in collaborazione con il sistema.

I sistemi di seconda generazione sono onnipresenti oggi e vengono usati nella produzione in molte culture ed industrie. Autocorrect, inventato nel 1991 da Dean Hachamovitch in Microsoft ha cambiato il modo in cui milione di persone scrivono; Autotune, inventato nel 1998 da Andy Hildebrand in Exxon ha trasformato il modo in cui la musica viene prodotta. L’impatto che questi sistemi hanno avuto sulla creatività è difficile da misurare, ma chiaramente importante: abbassando il livello di padronanza, i sitemi di creazione assistita hanno permesso agli esperti e ad i non esperti di spostare l’attenzione

-v Figura 10 La prima demo di Adobe Photoshop, 1990

su problemi di livello più alto, di eseguire attività creative in modo più affidabile e di fare esperimenti in modo più veloce. Nonostante questi sistemi non siano senza rischi e complicazioni, alla fine ci permettono comunque di essere più creativi e per più tempo.

1.3.6 Creazione assistita

I sistemi di seconda generazione sono però spesso limitati e limitanti: negoziare per il controllo è un processo mitigato e le interazioni non sono abbastanza precise. Per colpa di queste limitazioni gli strumenti molto usati come l’autocomplete hanno una reputazione mista. Un gruppo di nuove idee e tecniche provenienti da diverse discipline di ricerca promette però di superare le precedenti limitazioni.

Li definiamo come sistemi di creazione assistita di terza generazione. La visione condivisa è quella di progettare sistemi che negoziano il processo creativo in una conversazione precisa, aumentano le possibilità creative e accelerano il processo di apprendimento, da novizio ad esperto. I principi di creazione assistita di terza generazione stanno trovando uso pratico in sempre più attività creative; alcuni esempi sono: disegno assistito, corregge le linee aiutando gli illustratori; scrittura assistita; video editing assistito; creazione musicale assistita.

1.3.7 Democratizzazione ed intensificazione

Facendo ricerca sulla creazione assistita si riconoscono dei trend emergenti con implicazioni sulla creatività. I più evidenti sono la crescente accessibilità di una sempre più ampia fetta di abilità creative e il sempre più facile apprendimento delle stesse, anche grazie alla nascita di piattaforme collaborative sempre più funzionali. Con la costante convergenza di questi trend il processo di passaggio da novizio ad esperto sta diventando sempre più veloce. Questo sta portando ad un fenomeno che alcuni esperti chiamano la

_Capitolo 2

Machine learning ed apprendimento

Analizzate e definite storia e caratteristiche di concetti chiave come intelligenza artificiale e creatività per poter comprendere meglio il loro punto di interesezione è bene analizzare il processo attraverso il quale un’intelligenza artificiale gestisce ed analizza i dati per poter imparare a riconoscere pattern all’interno di situazioni comuni.

2.1 L’importanza del Machine Learning

Il codice è sempre stata la parte invisibile di grandi progetti ed esperienze. Con l’avvento di una società sempre più indirizzata verso l’utilizzo di IA il Machine Learning è diventato quindi un argomento spesso discusso ed anche un importante strumento progettuale in grado di cambiare il modo in cui creiamo i nostri prodotti.

Il Machine Learning è un campo delle scienze tecnologiche che si concentra sullo sviluppare la capacità per le macchine di imparare senza essere esplicitamente programmate; l’obiettivo principale è quindi quello di fornire algoritmi che possono essere allenati su una determinata attività. Se ne parla sempre di più recentemente soprattutto grazie all’enorme sviluppo della potenza di calcolo dei computer avvenuto negli ultimi due decenni; elaborare dati ed allenare modelli al giorno d’oggi è facile ed economico. Senza poi contare gli sviluppi dal lato della ricerca; il Machine Learning sta riuscendo ad automatizzare algoritmi in grado di svolgere attività prima riservate solo agli umani tra cui il riconoscimento di immagini, la generazione di testo e la possibilità di imparare a giocare.

2.1.1 Una società ad alta produzione di dati

Parte degli enormi sviluppi che il Machine Learning sta

raggiungendo derivano però soprattutto dal costante cambiamento della società moderna in una struttura prevalentemente basata e produttrice di dati.

Grazie agli sviluppi degli ultimi dieci anni nell’ambito della telefonia e della minaturizzazione dei componenti ormai ognuno di noi porta costantemente con se un dispositivo altamente sensibile ed attrezzato con sensori di ogni genere: movimento, temperatura, posizione e molto altro. Monitorare le attività di tutti i giorni ed ottenere dati

2.1.2 I settori che più usufruiscono del Machine Learning

I settori che ad oggi producono più dati da analizzare e quindi usufruiscono di più di sistemi di Machine Learning sono settori come quello della finanza (principalmente per identificare insight e prevenire frodi), quello governativo (per ottimizzare ed analizzare problemi riguardo i cittadini), quello medico (che grazie ad i sempre più presenti wearables riescea a monitorare in tempo reale le condizioni dei propri pazienti), quello del retail (che analizza i dati di acquisti passati per prevedere acquisti futuri) e quello dei trasporti (che analizzando pattern riesce ad identificare ed ottimizzare determinati mezzi e vie di traporto).

Accumulare dati è solo una parte della base del Machine Learning, la macchina deve poi processare i dati ed apprendere schemi e pattern. sulle abitudini quotidiane è ormai la norma per compagnie di analisi. Il tutto non si ferma però ad i nostri smartphone; internet, computer, servizi pubblici o finanziari, i dati che produciamo ogni giorno sono in quantità spropositate. Ed è proprio questo, come vedremo dopo, quello di cui Machine Learning ed IA hanno bisogno. Un’enorme mole di dati da analizzare. Il tutto ovviamente è diverso da settore industriale a settore industriale ma alcuni emergono più facilmente.

2.2 Intelligenze artificiali ed apprendimento

Ci sono diversi modi in cui un’Intelligenza Artificiale (IA) può imparare ed evolversi. Generalmente si può dire che una IA impara da pattern di dati, errori e successi (processo trial and error). Diversamente dal tradizionale approccio della programmazione, il Machine Learning comincia alla fine; non si va quindi a programmare la soluzione, ma si lascia che la macchina stessa la trovi imparando da un set di regole. Immaginiamo per esempio di voler creare il miglior hamburger al mondo; invece di creare la ricetta però compriamo alcuni tra i migliori hamburger sul mercato e cominciamo da li; dopo averli assaggiati diciamo alla macchina come sono fatti e quali sono le parti che ci piacciono di più. La macchina parte da li scomponendo gli hamburger ed analizzandone le parti, ottenendo alla fine la ricetta dell’hamburger perfetto.

La parte che gli utenti a volte ritengono come magica è che spesso non sappiamo nemmeno come la macchina ha fatto.

2.2.1 Machine Learning, il primo passo verso una IA

Il Machine Learning può essere quindi definito come la scienza per aiutare i computer a scoprire schemi e relazioni nei dati. Come possiamo osservare da progettisti, schemi e pattern sono elementi chiave nei prodotti di tutti i giorni, quindi avere un robusto modello di apprendimento è spesso la strada migliore per il successo. Ci sono tre modalità base con cui le macchine imparano. Allenamento supervisionato, non supervisionato e di rinforzo.

Allenamento supervisionato: allenare un algoritmo sulla classificazione e regressione di un data set classificato (tag,

categorie, classi, significati ecc…);

Allenamento non supervisionato: allenare un algoritmo nel riuscire a trovare cluster ed associazioni in un data set non classificato; Allenamento di rinforzo: allenare un algoritmo a prendere decisioni in un ambiente senza data set ma con solo feedback;

2.2.2 Machine Learning supervisionato

Rimaniamo nel contesto dell’esempio dell’hamburger; vogliamo quindi creare il migliore hamburger al mondo. Per farlo dobbiamo prima capire ed imparare in cosa consiste un buon hamburger. Questa è la parte dove il Machine Learning entra a far parte del processo; la macchina, in questo caso, da in pasto all’IA informazioni utili come qual’è il miglior tipo di pane, di carne o di formaggio da usare (basandosi ovviamente su tutte le informazioni che vengono fornite).

In generale il Machine Learning è ottimo per gestire singole attività. Ogni parte dell’hamburger (pane, carne, formaggio) avrà in questo esempio un modello di Machine Learning designato per identificare quali tipi funzionano meglio per ogni parte. Ed è questa praticamente la modalità di apprendimento; bisogna fornire esempi all’algoritmo. Questo specifico metodo viene chiamato Machine Learning supervisionato. Funziona esattamente come il nome fa pensare; simile a quando un bambino impara, si cerca di supervisionare il processo e fare in modo che tutto sia preciso e funzionante. In questo caso si supervisiona la macchina dandole degli esempi di hamburger (nell’opinione di chi gestisce il processo) perfetti di modo che possa imparare come sono fatti.

I dati usati per allenare il modello sono di due tipi:

Dati categorizzati (dati già elaborati, definiti anche dati di allenamento); i dati categorizzati sono un set di dati che hanno già

un significato, come per esempio: questa è una mela;

Dati non categorizzati (dati che vengono usati per allenare il modello alla ricerca della soluzione);

Per testare la precisione del modello invece che fornirgli le caratteristiche e le informazioni su come classificare i dati come in allenamento, nella fase di testing anche se si conoscono informazioni è bene non fornirle al modello.

2.2.3 Machine Learning non supervisionato

Con questo forma di apprendimento si saprebbe quali hamburger siano i migliori ma non si saprebbe di cosa siano fatti; la macchina organizzerebbe il data set, che all’inizio le sembrerebbe disorganizzato, e arriverebbe alle sue conclusioni ed associazioni. La tecnica consiste nel fornire al sistema informatico una serie di input che egli riclassificherà ed organizzerà sulla base di caratteristiche comuni per cercare di effettuare ragionamenti e previsioni sugli input successivi. Al contrario dell’apprendimento supervisionato, durante l’apprendimento vengono forniti alla macchina solo esempi non annotati, in quanto le classi non sono note a priori ma devono essere apprese automaticamente.

Un esempio tipico di questi algoritmi sono i motori di ricerca. Questi programmi, data una o più parole chiave, sono in grado di creare una lista di link rimandanti alle pagine che l’algoritmo di ricerca ritiene attinenti alla ricerca effettuata. La validità di questi algoritmi è legata alla utilità delle informazioni che riescono ad estrarre dalla base di dati.

2.2.4 Machine Learning di rinforzo

Nel caso dell’allenamento di rinforzo prendere in esempio una azienda come DeepMind aiuta molto a spiegare il concetto. DeepMind sta sviluppando tecnologie cercando di inseguire il concetto di IA Generale (rimando al capitolo 1.1); la loro missione è ben chiara e si muovono seguendo questa linea guida:

La missione scientifica di DeepMind è di spingere il progresso delle IA, sviluppando sistemi che imparano a risolvere problemi complessi senza aver bisogno di qualcuno che gli insegni come. Per riuscirci, lavoriamo sotto la premessa che le IA devono essere generali.

Con l’aiuto di allenamenti di rinforzo DeepMind sta sviluppando tecnologie intelligenti ed in evoluzione che svolgono attività

di allenamento in modo non supervisionato ed autonomo. Nel loro caso specifico questi agenti mettono in pratica diverse strategie (per vincere ad un gioco; DeepMind si sta recentemente concentrando su Starcraft, popolare gioco di strategia in tempo reale) per riuscire a trovare quella perfetta. Ogni sconfitta porta ad un utilizzo di una diversa strategie fino a che non si trova quella definitiva.

2.3 Il feedback loop con l’utente

Dato che le IA sono allenate con dati passati per poi predire un risultato, può spesso capitare che diventino obsolete in veramente poco tempo; è proprio questo uno dei problemi riscontrati durante lo sviluppo dell’algoritmo di previsione utilizzato da Google in Gmail, ecco una dichiarazione del team a riguardo:

Diciamo che si voglia elaborare un modello per anticipare quali email siano le più importanti tra la casella di posta del tuo utente e che per farlo si prendano diverse cose in considerazione; soggetto, contenuto, tempo impiegato dall’utente per interagire con una determinata email, tempo per rispondere ed altre cose.

Lo si allena quindi con una moltitudine di dati passati (o storici) e ora il suo output finale è preciso al 90% ed il modello da una stima abbastanza giusta; il che vuol dire che quando l’utente riceve una email l’algoritmo riesce a capire quanto quella email sia importante. Sfortunatamente questa precisione non dura per sempre perché il concetto di “importante” è relativo ad innumerevoli aspetti dell’utente; il che vuol dire che se non si aggiorna il modello si finisce per fornire previsioni sbagliate senza neanche saperlo. Aggiungere il feedback dell’utente nel totale può aiutare a mitigare questo scenario non voluto.

2.3.1 Come creare un loop di feedback attraverso Machine Learning Continuando ad esaminare l’esempio di Google, ecco la soluzione ideata dal team:

Il sistema di priorità di Gmail classifica le email in base alla probabilità che all’utente importi della email, ma il concetto di importanza è qualcosa di molto personale quindi l’unico modo

-v Grafico 02 Il modello di Machine Learning utilizzato da Gmail

per farcela è imparare cosa sia importante utente per utente ed aggiornare il sistema il più frequentemente possibile; dato che le nostre priorità cambiano, anche la nostra casella postale dovrebbe. Google fornisce all’utente un modello base (un dummy) e lo allena ogni singolo giorno osservando come le persone interagiscono con le loro email. Il modello viene quindi migliorato ogni 24 ore. (Gmail team, 2017 ⁰⁹) Viene applicato il modello Viene costruito un modello per il singolo utente Modello iniziale L’utente interagisce con le sue email (entro 24 ore) Il modello iniziale viene provato con i dati delle 24

ore passate Loop di

feedback attraverso il Machine Learning

2.3.2 Progettare tenendo in mente il feedback

Parlare con gli utenti e tenere in considerazione il loro feedback è parte integrante della progettazione moderna e nello specifico un campo dove un designer può contribuire in modo sostanziale. Mentre elaborare sistemi intelligenti rimane una delle priorità nello sviluppo di prodotti, gli interessi ed obiettivi degli utenti stanno assumendo sempre di più un ruolo centrale, spingendo i progettisti ad allinearsi con essi.

Pratiche come l’inclusione di ottime meccaniche per fornire feedback, strumenti di analisi delle statistiche e di contesto ed una costante attenzione alle opinioni dei propri utenti si stanno facendo strada nella progettazione di servizi digitali andando a definire le basi dei processi.

I feedback degli utenti vengono presi in considerazione anche in situazioni gestite da algoritmi, come nel caso di Spotify, che integra insime ad i propri sistemi di analisi delle traccie e del testo anche un sistema di categorizzazione e valutazione del feedback degli utenti all’interno del proprio algoritmo per la selezione delle tracce raccomandate. Sistemi basati su intelligenze artificiali sono ormai parte integrante delle nostre abitudini quotidiane, andando ad influenzare la nostra relazioni con il mondo della tecnologia.

_Capitolo 3

L’impatto delle intelligenze artificiali sul

nostro rapporto con la tecnologia

Tecnologie basate su IA sono ormai presenti in molte delle nostre attività quotidiane, ma dire che la loro presenza non abbia causato dibattiti e proteste sarebbe sbagliato. Molto spesso l’accumulare dati viene considerato invasivo o non etico, e sono molte ormai le aziende dell’ambito informatico che hanno dovuto o stanno rendendo conto a governi ed autorità per la loro gestione dei dati degli utenti. Recentemente i CEO di colossi come Facebook e Google sono stati invitati a rispondere alcune domande di fronte al Congresso degli Stati Uniti d’America

3.1 Principali sfide etiche

Negli anni molto è stato detto e scritto riguardo i rischi ed il senso delle IA, tanto da rendere il discorso quasi un cliché. Chris Duffey, responsabile del settore AI Strategy & Innovation presso Adobe dice al riguardo: la tecnologia non è ne buona ne cattiva, ma più un

riflesso della persona che l’ha creata (Stephen Lepitak, 2017 _¹⁰). La

frase ha pienamente senso e mette in evidenza la responsabilità che chiunque lavori nel settore ha; lo sviluppo di tecnologia basata sulle IA dipende sulla fiducia, perché le IA dipendono da dati. Senza dati sarebbe impossibile fare previsioni. L’argomento etico è un dibattito in crescita in questa industria, e giustamente, perché molto spesso i dati degli utenti sono stati usati in modo incorretto da terzi che in passato mettevano la sicurezza in secondo piano. Quando si parla di fattore etico alcuni punti salienti riescono a mettere in evidenza l’importanza della percezione che gli utenti hanno dei propri dati.

3.1.1 L’archiviazione dei dati

C’è una generale mancanza di fiducia del pubblico verso la conservazione dei propri dati; lo scetticismo deriva molto spesso da studi e scandali riguardo la gestione illegale dei dati, andando ad intaccare la fiducia e la disponibilità degli utenti. Un atteggiamento preoccupante che a lungo andare potrebbe limitare lo sviluppo delle IA.

Scandali del calibro di quello di perdita di dati di Yahoo! di due anni fa vanno a minare un importante presupposto per il funzionamento e l’accettazione di sistemi a base di IA, la fiducia. Come già detto in precedenza gli utenti raramente conoscono i processi dietro le elaborazioni dei sistemi di Machine Learnig e ciò vuol dire che non ne hanno nessun controllo. Quello che succede quando una situazione

manifesta mancanza di controllo da parte degli utenti, come ben sappiamo, è il generarsi di un senso di turbolenta inquietudine che può essere mitigata solamente attraverso una fiducia verso la persona (o in questo caso la macchina) che va a gestire i nostri dati personali. Tutto viene meno però quando, dopo essersi affidati completamente, gli utenti vedono i loro dati trattati in modo non adeguato, utilizzati per attività senza il consenso degli utenti stessi o addirittura a volte sottratti dai servizi a cui appartengono a causa di falle del sistema e rilasciati al pubblico, o peggio, utilizzati per causare danni.

La sicurezza dei dati dei propri utilizzatori è ormai una priorità chiave di molte delle aziende del settore, tanto che colossi come Apple ne fanno uno dei punti di forza dei propri sistemi operativi, insieme alle misure di privacy.

3.1.2 Privacy

La privacy è importante tanto quanto, se non più, la sicurezza dei dati stessi; così come un utente non vuole che i propri dati vengano sottratti dall’ente a cui a dato il permesso di gestirli, allo stesso modo non vuole che l’ente dia uno sguardo alle parti sensibili degli stessi, specialmente per ragioni di marketing. Con il passare del tempo però sempre più aziende specializzate nell’analisi di dati personali a fini politici/economici stanno venendo messe sotto accusa dall’opinione pubblica.

Non ho niente da nascondere è quello che molte persone avrebbero

risposto ad una domanda riguardo la possibilità che un ente diffonda i loro dati personali. Questa mentalità è cambiata molto da quando le informazioni degli utenti sono state utilizzate in modo non etico da compagnia come Cambridge Analytica.

3.1.3 Mancanza di trasparenza e controllo

I due paragrafi precedenti parlano di sicurezza e privacy riguardo l’uso dei propri dati, ma ancora più importante è la posizione della singola azienda riguardo quete problematiche. Molti studi mostrano che gli utenti danno molto valore a trasparenza e controllo e che una aziend che dimostra qualità percepite come sincere viene considerata in modo più positivo rispetto ad una situazione opposta. Come è naturale vogliono essere in controllo e comprendere i risultati che derivano da prodotti e servizi che integrano IA, e spesso comunicare direttamente con loro è la risposta adeguata.

3.1.4 Alienazione delle capacità umane

Uno dei rischi del continuare ad instillare capacità e conoscenze umane negli algoritmi è una possibile alienazione degli utenti verso quelle capacità e conoscenze. In modo molto simile alle discussioni del 18° secolo riguardo l’alienazione dell’operaio in fabbrica, la percezione dell’opinione pubblica è il rischio che continuando a delegare attività e processi produttivi (ma non solo) alle IA più togliamo la capacità alle singole persone di capire come e perché le cose funzionano, viziandole con sistemi automatizzati in grado di effettuare ogni decisione senza l’intervento umano.

Questo ultimo punto è forse il più forzato ma lavorare in un ambito tecnologico nuovo significa anche essere molto cauti nel gestire la percezione pubblica dei propri strumenti.

3.2 Il futuro della tecnologia, esempi in

alcuni settori

Le nuove tecnologie non stanno solo cambiando le nostre esperienze ma si stanno inserendo sempre di più nel mondo del lavoro e dell’industria. Le IA hanno un enorme potenziale per migliorare la produttività, l’efficienza e la precisione in molti settori, eccone alcuni in cui il cambiamento si noterà sul breve termine.

3.2.1 Sanità

Con l’aiuto di sistemi basati su IA e robot chirurghi automatizzati il rischio generale delle operazioni chirurgiche può essere drasticamente diminuito dato che anche piccole operazioni possono ora essere effettuate con un incredibile grado di precisione ed efficacia.

Dato che i sistemi di IA sono in continuo apprendimento e si evolvono come un singolo elemento, a differenza dei medici che possono solamente imparare dalle proprie esperienze, si ipotizza che potranno in futuro arrivare persino a superare le capacità tecniche dei medici moderni nel diagnosticare e trattare malattie grazie all’incredibile mole di dati disponibile. Alcune ricerche già ci mostrano come sia possibile allenare profonde reti neurali per produrre referti radiologici con elevata affidabilità allenandoli con i dati dei raggi in archivio di milioni di pazienti già trattati. Un esempio è il sistema

Da Vinci, introdotto negli anni 2000 come tecnologia per l’aiuto in

piccole operazioni di bypass cardiaco per poi espandersi in ambiti come ricerca sul cancro. Il sistema, ora nella sua quarta iterazione, riesce al giorno d’oggi a fornire ad i medici una visualizzazione 3D e strumenti adatti attraverso una funzionale piattaforma, rendendolo uno degli strumenti principali nel campo della laparoscopia. E non è l’unica piattaforma, molti ricercatori nell’ambito medico stanno lavorando su strumenti simili con l’obiettivo di rendere più efficace il sistema sanitario globale.

-v Figura 13 Un versione moderna del sistema di chirurgia artificiale Davinci, 2018

3.2.2 Vita privata / cura personale

Possiamo già osservare sul mercato una miriade di sistemi come chatbot o assistenti personali come Google Home (che si basa sul Google Assistant), Alexa e Siri che vengono costruiti con l’obiettivo di semplificare piccole scelte della vita quotidiana. Nel prossimo futuro potrebbero con molta probabilità arrivare sul mercato robot umanoidi in grado di svolgere alcuni dei nostri lavoretti quotidiani. Il National Bureau of Labor Statistics americano prevede che l’aiuto casalingo crescerà del 36% nei prossimi dieci anni (bls.gov, 2018

¹¹). C’è una richiesta da parte del mercato e le grosse compagnie non si stanno facendo sfuggire l’occasione. Aziende come Amazon Robotics e Uber stanno lavorando su degli umanoidi in grado di fornire supporto casalingo di base. Gli enormi progressi nei campi di Natural Language Processing e Image Processing (rispettivamente elaborazione del linguaggio naturale e delle immagini) resi possibili dallo sviluppo delle reti neurali andranno direttamente ad influenzare le interazioni delle macchine con le persone; un ottimo esempio e la cura degli anziani.

Le IA sono destinate a diventare parte integrante delle nostre vite riempiendo le nostre case di dispositivi interconnessi e rendendo i servizi di cui usufruiamo più efficienti e comodi, facendoci risparmiare tempo, denaro ed energia. Un moderno esempio sono gli store Amazon Go che usano tecnologie con base ad IA e Computer Vision per eliminare il concetto di coda al supermercato risparmiando tempo e sforzi.

I settori che beneficiano da strumenti esterni non sono però solamente settori con moderati rischi come i precedenti, ma anche settori dove poter implementare sistemi di IA va a ridurre drasticamente il rischio di perdite umane.

3.2.3 Lavori manuali e pericolosi

Nonostante gli enormi progressi fatti dalle moderne tecnologie è difficile che il tutto possa essere considerato una come una vita umana. Ciò vuol dire che potenzialmente, lungo un arco di tempo, tutti i tipi di lavori che mettono in pericolo la vita umana potranno essere svolti da robot gestiti da IA; lavori come la riparazione di linee elettriche, la ricerca di fonti di petrolio nelle profondità degli oceani o nella gestione del crimine.

Un ottimo esempio della gestione del pericolo grazie alle nuove tecnologie sono le operazioni di saldatura industriale, un’attività riconosciuta come altamente pericolosa e nociva per i lavoratori. RobotWorx, una startup americana, ha sviluppato robot in grado di compiere attività del genere con un minimo supporto da parte dei lavoratori umani. Un altro simile esempio e la perlustrazione fognaria; attualmente piccoli strumenti controllati a distanza sono in grado di inserirsi in piccole fessure e tubature ed investigare, ma potranno in futuro essere in grado di agire indipendentemente?

-v Figura 14 Uno degli esempi di robot per attività pericolose della RobotWorx, 2019

3.2.4 Moderazione dei contenuti sui social network

Nonostante sembrino innoqui, Facebook, Twitter e molti altri social network hanno delle limitazioni riguardo quello che i propri utenti possono pubblicare; spesso si tratta di limitazioni riguardo linguaggio razziale, violenze, incitamento all’odio e simili. Purtroppo la moderazione ed eliminazione di tali contenuti è attualmente affidata per la maggior parte a dipendenti umani, di solito dipendenti di aziende terze che lavorano per conto dei colossi; recentemente l’attenzione dei media si sta spostando sui rischi psicologici che un lavoro del genere possa portare. Molti degli ex dipendenti vengono diagnosticati con shock post traumatico, depressione e molte altre malattie che anche se non prettamente dannose a livello fisico vanno ad intaccare duramente la vita privata dell’individuo. La speranza degli esperti e dei giornalisti è che con lo sviluppo delle tecnologie di IA si riesca a rimpiazzare del tutto questa figura professionale con software in grado di riconoscere automaticamente contenuti che violano le policy del singolo sito attraverso modelli di apprendimento basati sulle enormi banche dati già in possesso dei colossi della comunicazione.

-^ Figura 15 Un fotogramma del mini-documentario di The Verge, Inside the traumatic life of a Facebook moderator, 2019