Cris%na Bosco Dipar&mento di Informa&ca, Università di Torino Informa%ca applicata alla comunicazione mul%mediale a.a. 2015-‐2016

(1)

Cris%na Bosco

Dipar&mento di Informa&ca, Università di Torino

Informa%ca applicata alla comunicazione mul%mediale

a.a. 2015-‐2016

(2)

•  Cosa sono le tecnologie della parola

•  Brevissima storia dell’Intelligenza Ar7ﬁciale

•  Un po’ di fantascienza

•  Apprendimento del linguaggio umano

•  Rappresentazione del linguaggio umano

(3)

•  Telefoni smartphone, navigatori satellitari, tablet e smartTV che rispondono a comandi vocali

•  Motori di ricerca sempre più abili nel trovare i documen7 che ci servono

•  Si7 web che forniscono traduzioni

•  CorreFori ortograﬁci che correggono gli

strafalcioni o completano le parole mentre

scriviamo un sms

(4)

•  Sistemi automa7ci che rispondono alle

richieste di informazioni su orari e servizi

•  Sistemi che rilevano opinioni e sen7men7 espressi nei social media, ad es. analizzano

recensioni per scoprire la valenza commerciale di prodoH, o post di TwiFer per valutare

l’orientamento della popolazione nei confron7

di personalità poli7che, del mondo dello sport

o dello speFacolo.

(5)

(6)

(7)

•  TuFe queste tecnologie sono state rese possibili dallo sviluppo dell’intelligenza

ar7ﬁciale e di quella sua parte che si occupa del linguaggio umano, deFa linguis7ca

computazionale

•  TuFe queste applicazioni hanno molto a che

fare con la linguis7ca

(8)

•  Esse comportano forme di COMPRENSIONE DEL LINGUAGGIO UMANO che sono possibili da parte di una macchina solo se essa

“conosce” le parole e le regole che governano il linguaggio ed il comportamento linguis7co

•  Ma i computer conoscono tuFo ciòe e

possiamo dire che comprendono davvero la

nostra lingua?

(9)

•  Nel corso dei secoli passa7, grazie anche agli studi di anatomia e all’aﬀermarsi del

razionalismo si è sviluppata l’idea di cervello come macchina

•  Di lì il passo è breve ad immaginare, come

fecero Cartesio e Leibniz, la possibilità di

costruire macchine in grado di pensare e

quindi anche di manifestare tale capacità

tramite forme di espressione in linguaggio

umano

(10)

•  Alan Turing (1912-‐1954) intorno al 1935 geFa le basi teoriche dell’informa7ca, descrivendo la cosiddeFa “macchina di Turing”.

•  Si traFa di un modello teorico, descriFo in

alcuni ar7coli, che sarà determinante per lo

sviluppo del computer reale, che infaH sarà

costruito qualche anno dopo

(11)

•  Ben presto i ricercatori cominciano ad intuire le potenzialità del computer, e a progeFare applicazioni in mol7 campi in cui esso

potrebbe sos7tuire u7lmente l’uomo, anche superandone le capacità in termini di

eﬃcienza e rapidità

•  Quando si traFa di applicazioni che

richiedono intelligenza, si parla di

INTELLIGENZA ARTIFICIALE

(12)

•  L'espressione Ar#ﬁcial Intelligence fu coniata nel 1956 dal matema7co americano John

McCarthy, durante uno storico seminario

interdisciplinare svoltosi nel New Hampshire

•  Secondo le parole di Marvin Minsky, uno dei

"pionieri" della A.I., lo scopo di questa nuova disciplina sarebbe stato quello di "far fare alle macchine delle cose che richiederebbero

l'intelligenza se fossero fa8e dagli uomini"

(13)

•  Uno dei primi compi7 intelligen7 a cui si pensò di poter applicare il computer fu la traduzione da una lingua all’altra

•  Si traFava di un compito che richiedeva

conoscenza linguis7ca (il dizionario) ma

anche capacità di ragionamento, poiché

tradurre non consiste semplicemente nel

sos7tuire in un testo le parole di una lingua

con le parole di un’altra

(14)

•  Il problema della traduzione era urgente

•  Le diﬀerenze linguis7che cominciavano ad essere percepite come barriere allo sviluppo economico e scien7ﬁco, ma anche ai rappor7 sociali

•  La conoscenza di lingue straniere era allora

retaggio di pochi

(15)

•  Una macchina in grado di tradurre dal russo all’inglese e viceversa sarebbe stata uno

strumento strategico fondamentale per

aﬀrontare con successo la “guerra fredda”

•  USA e URSS, alleate durante la II guerra

mondiale, si spiavano infaH reciprocamente per evitare di esporsi a nuove esperienze

belliche

(16)

•  La soluzione del problema della traduzione sembrava essere a portata di mano

•  Mol7 ricercatori matema7ci, ingegneri,

informa7ci ante liFeram, erano convin7 che nel giro di pochi anni sarebbero state

costruite macchine in grado di tradurre da una lingua all’altra come dei traduFori

professionis7 umani

•  Tra gli altri fecero il madornale errore di non

consultare i linguis7 e i traduFori

(17)

•  La viForia oFenuta sulla Germania dagli allea7 anglo-‐americani era dipesa in modo

signiﬁca7vo dalle eﬃcien7 macchine che gli inglesi avevano costruito per la decriFazione dei messaggi radio dell’esercito tedesco

•  Proprio Alan Turing, aveva lavorato per i servizi

segre7 inglesi ed aveva coordinato lo sviluppo

delle macchine per la decriQazione

(18)

•  La ricostruzione di una macchina per la decriFazione

(denominata

“bomba”) costruita da Turing e il suo

team a Bletchley Park

nel 1939

(19)

•  Ma decriFare un codice segreto e tradurre da una lingua all’altra sono la stessa cosa?

•  Nascono i primi sistemi di traduzione

automa%ca, progenitori di Google Translate e di tuH quei sistemi che oggi ci consentono di oFenere una (abbastanza acceFabile)

traduzione da una lingua all’altra

(20)

•  Nel 1950, Turing era convinto che entro l’anno 2000 sarebbero state create delle macchine in grado di replicare le prestazioni di una mente umana

•  Per veriﬁcare le prestazioni di una macchina propose un test, noto come “test di Turing”, che consente di capire se il comportamento che la macchina esibisce può essere

considerato intelligente

(21)

•  Il test si basa sulla capacità della macchina di u7lizzare il linguaggio umano, mostrando di comprenderlo e di saperlo generare in modo adeguato

•  Il computer supera il test se fornisce risposte

tali da indurre degli esseri umani a credere di

avere a che fare con un altro parlante umano

(in almeno il 30% dei casi in una conversazione

della durata di 5 minu7)

(22)

•  Nel 2014 “Eugene Goostman”, un chatbot

costruito in Russia, ha superato il test di Turing

•  Si presenta come un 13enne ucraino che si vanta di sapere tuFo, ma è costreFo a

palesare varie lacune. L’insicurezza di un

adolescente è usata come una maschera per abbassare le aspeFa7ve dell’interlocutore rispeFo alle capacità dialogiche del sistema

•  La macchina ha mostrato capacità di

simulazione o vera intelligenza?

(23)

•  I ricercatori con7nuano ad interrogarsi su cosa signiﬁca intelligenza

•  Superare il test di Turing sembra non essere suﬃciente per mostrare l’intelligenza di una macchina

•  La soglia per veriﬁcare l’”intelligenza” di una

intelligenza ar7ﬁciale si è spostata anche verso

la crea%vità, le emozioni e la capacità di fare

ironia, tuFe cose che entrano pesantemente

in gioco in tuFa la comunicazione umana

(24)

•  La produzione legata all’immaginario della

fantascienza ha mostrato mol7ssimi esempi di intelligenze ar7ﬁciali in grado di dialogare con l’uomo e assumerne i comportamen7.

•  Una quan7tà di libri e ﬁlm hanno proposto en%tà ar%ﬁciali dotate di capacità di

linguaggio e ragionamento molto simili a

quelle degli umani.

(25)

•  Nel 1968, Stanley Kubrik, nel ﬁlm “2001

ODISSEA NELLO SPAZIO”, immagina che nel 2001 lo sviluppo dell’intelligenza ar7ﬁciale sia stato tale da poter costruire macchine

pensan7 e parlan7.

(26)

•  HAL9000 è l’IA del ﬁlm, macchina "incapace di commeFere errore", capace di pensare e di comunicare in

linguaggio umano, ma anche di tentare di

distruggere gli esseri

umani per evitare di

essere spenta.

(27)

•  Nel 1982, Ridley ScoF ambienta nel 2019 il ﬁlm “BLADE RUNNER”, in cui macchine che

sono in grado di superare il test di Turing sono realtà.

•  Si traFa di replican#, esseri che condividono

con gli esseri umani l’aspeFo e la capacità di

provare emozioni grazie all’innesto di ricordi

emo7vamente carichi. Questo rende molto

diﬃcile dis7nguerle dagli umani.

(28)

•  C3PO è il droide di protocollo di “STAR WARS”, in grado di

dialogare con gli esseri

umani in 6.000.000 di

lingue diverse parlate

nella galassia.

(29)

•  In “INTERSTELLAR“

l’intelligenza ar7ﬁciale TARS, dall’aspeFo

poco umano, dialoga con i protagonis7

facendo anche ironia,

e li aiuta nel corso del

loro viaggio aFraverso

lo spazio-‐tempo.

(30)

•  Mol7 altri libri e ﬁlm hanno proposto in forme diverse le macchine pensan7 capaci di parlare e superare brillantemente il test di Turing.

•  Dai tempi di Turing, tra alterne vicende, le

tecnologie della parola hanno faFo piccoli e

grandi passi avan7, e oggi pervadono la nostra

esistenza. Ma non sempre con i risulta7 che

vorremmo … la strada è ancora lunga!

(31)

•  Nel 2011 Brad Lewis e John Lasseter nel ﬁlm per Disney -‐ Pixar “CARS 2” mostrano

disposi7vi controlla7 dalla voce, che ogni tanto sbagliano anche a comprendere i comandi.

•  Questa non è più fantascienza, è realtà (in un

ﬁlm di pura fantasia!).

(32)

(33)

•  Una soluzione oHmale del problema della traduzione e di vari altri lega7 al linguaggio non è ancora stata raggiunta

•  Non esistono oggi computer che producono per qualunque testo in qualunque circostanza prestazioni linguis%che della stessa qualità di quelle prodoQe da un essere umano

•  Ma la ricerca procede e le prestazioni dei

sistemi migliorano gradualmente

(34)

•  TuH ques7 anni di ricerca hanno portato ad una conoscenza molto più profonda del

linguaggio umano e del suo funzionamento, ma anche alla consapevolezza della

complessità che lo caraFerizza soFo mol7 pun7 di vista

•  Linguis7, traduFori, ﬁlosoﬁ, scienzia7

cogni7vi, psicologi e altri scienzia7 oggi sono

aFori di primaria importanza nella linguis7ca

computazionale, insieme agli informa7ci

(35)

•  MA la competenza linguis7ca dei parlan7

umani è ben lungi dall’essere completamente

spiegata

(36)

•  Si traFa di compi% molto complessi che

richiedono conoscenza linguis%ca ed extra linguis%ca

•  Ad es. la traduzione automa7ca da una lingua A ad una lingua B comporta:

–  Recepire il testo in lingua A

– Comprendere il signiﬁcato del testo

–  Generare il testo corrispondente in lingua B

(37)

•  La comprensione di un testo può richiedere la conoscenza del contesto di enunciazione:

•  Ad esempio possiamo dire che la frase “questa

è un’aula molto grande” ha signiﬁcato (vero o

falso) solo se siamo in grado di vedere il luogo

in cui viene pronunciata

(38)

•  La comprensione di un testo può richiedere la conoscenza del mondo:

•  Ad esempio, se confron7amo le frasi

“La penna è dentro la scatola” e

“La scatola è dentro la penna”

non abbiamo diﬃcoltà a riconoscere che la

prima ha senso e la seconda non ne ha, ma

solo perchè sappiamo che le scatole sono più

grandi delle penne

(39)

•  La comprensione di un testo può richiedere la conoscenza di comportamen7 sociali

•  Se dite ad un amico “Su, dimmi qualcosa.” e lui risponde “Qualcosa.”, rimanete quanto meno stupi7, perchè nella comunicazione tuH ci

basiamo su convenzioni sociali che gius7ﬁcano interpretazioni non leFerali delle nostre

parole

(40)

•  I computer di oggi mostrano di poter traFare il nostro linguaggio entro cer7 limi7

•  Le tecnologie della parola funzionano nello

svolgimento di cer% compi%, su cer% %pi di tes%

e in cer% contes% di applicazione

•  L’area dell’Intelligenza Ar7ﬁciale che si occupa speciﬁcamente del linguaggio umano si chiama LINGUISTICA COMPUTAZIONALE o

TRATTAMENTO AUTOMATICO del LINGUAGGIO

(TAL, NLP natural language processing)

(41)

•  Al pari di un essere umano, per poter

comunicare in linguaggio umano un sistema di TAL deve:

•  acquisire la conoscenza rela7va al linguaggio

•  rappresentare al suo interno tale conoscenza

•  u%lizzare tale conoscenza in modo da poter

ricevere domande, coglierne il signiﬁcato,

generare risposte, tradurre, ecc.

(42)

Acquisizione Rappresentazione U%lizzo

Traduzione

Risposta a domande Rilevazione di

opinioni …

(43)

•  Noi umani acquisiamo la conoscenza della lingua madre mentre cresciamo e

con7nuamente veniamo espos7 ad esempi.

•  Astraiamo dagli esempi e interiorizziamo le regole della lingua a cui siamo espos7.

•  Nel caso di altre lingue (es. inglese, francese,

la7no e greco an7co) par7amo dallo studio

delle regole e dall’esposizione ad esempi.

(44)

Il modo in cui apprendiamo fa sì che non ci rendiamo conto:

•  di quanta conoscenza è necessaria per u7lizzare una lingua

•  di quali sono le nozioni che dobbiamo conoscere per poter essere considera7

parlan7 di una lingua, anche se sappiamo ben valutare la competenza linguis7ca di una

persona

(45)

•  Il linguaggio si evolve costantemente e si

modiﬁca, es.: oggi non parliamo l’italiano di Dante o di Manzoni

•  Si caraFerizza in base al luogo, assorbendo le inﬂuenza derivante dai dialeH o da altre

lingue, es.: i parlan7 provenien7 dal Sud Italia usano con molta maggiore frequenza il

passato remoto rispeFo a quello del Nord

(46)

•  Siamo inoltre abitua7 a comprendere il linguaggio anche quando è “scorreFo”

•  La necessità di comunicare infaH prevale sulle regole della gramma7ca e ci porta a produrre messaggi sgramma7ca7, pieni di espressioni sinte7che e crea7ve, hashtag, emoji ed

emo7con, come negli sms sui cellulari, nei messaggi di e-‐mail, nei post sui social media come TwiFer e Facebook (a questo

dedicheremo una lezione)

(47)

•  Lo sviluppo dei sistemi di TAL, ha mostrato che tante informazioni linguis7che che paiono

irrilevan7 ad un essere umano, e su cui non siamo abitua7 a focalizzarci, sono invece

fondamentali per un sistema.

•  Risulta fondamentale l’ambiguità che pervade

il linguaggio umano a tuH i possibili livelli di

analisi.

(48)

•  Sono molto diﬀuse le ambiguità morfologiche, ovvero determinate da parole che possono

avere diverse categorie gramma7cali o signiﬁcato:

“TuH hanno un TELEFONINO e a chi

TELEFONINO non si capisce”

PESCA nome (il fruFo, lo sport, l’estrazione) verbo (l’aHvità)

aggeHvo (il colore)

(49)

•  AltreFanto frequen7 le ambiguità sintaHche, ovvero determinate dalle relazioni tra parole:

•  “Giorgio vide un uomo nel parco con il telescopio”

•  “Chi uccise il polizioFo?”

•  “La vecchia porta la sbarra”

(50)

•  E le ambiguità seman7che, ovvero

determinate dal signiﬁcato delle parole:

•  “Ogni uomo ama una donna”

signiﬁca che per ogni singolo uomo esiste una singola donna che egli ama

oppure signiﬁca che esiste una par7colare

singola donna che ognuno degli uomini preso

singolarmente ama

(51)

•  Questa complessità rende il linguaggio un oggeFo molto diﬃcile da apprendere,

rappresentare ed u7lizzare

•  In pra7ca, non è per nulla intui7vo e semplice fare un elenco completo di tuFe le cose che si devono sapere per u7lizzare una certa lingua

•  Ma questo elenco completo è proprio quello

che sarebbe necessario per un sistema di TAL

(52)

•  I computer non sono oggeFo di evoluzione nel senso in cui lo sono gli esseri umani, e

neppure vivono all’interno di un tessuto

sociale come gli esseri umani. La conoscenza dobbiamo fornirgliela noi.

•  Ma quale e quanta conoscenza è necessaria

per riuscire ad usare il linguaggio umano?

(53)

•  I primi sistemi contenevano delle basi di conoscenza in cui erano raccolte le regole della gramma7ca, i dizionari e tuFe le

informazioni che sembravano necessarie a traFare il linguaggio.

•  Ma questo non era suﬃciente: i risulta7

con7nuavano ad essere scarsi, la conoscenza

non era mai abbastanza … e aggiungerne era

molto costoso

(54)

•  I sistemi più recen7 contengono poca

conoscenza, ma sono in grado di apprenderla da esempi con uno sforzo limitato

•  Si costruiscono quindi delle grandi raccolte di

esempi di uso del linguaggio, in cui le regole e

le irregolarità sono presen7 e possono essere

u7lizzate dai sistemi per fare astrazione

(55)

•  Ad es. se il sistema deve imparare ad u7lizzare l’ar7colo, dovrà essere esposto ad un gran

numero di frasi in cui l’ar7colo compare:

IL cane mangia in giardino

Paolo beve UNA birra ghiacciata

LA migliore giornata fu quella in cui IL nonno gli comprò L’album di ﬁgurine

Ieri ho comprato LO stesso 7po di fruFa

…

(56)

•  Che cosa si astrae dalle 4 frasi seguen7?