L'Intelligenza Artificiale (AI) si configura come un potente mezzo nelle mani delle imprese per personalizzare l’esperienza di acquisto di ogni cliente basandosi sui dati estratti dagli stessi utenti.
Klaus Schwab, fondatore e direttore esecutivo del World Economic Forum (WEF) è certo dell’importanza che l’IA porterà nel contesto economico-sociale, e a riguardo afferma:
“Siamo sull'orlo di una rivoluzione tecnologica che cambierà radicalmente il modo in cui viviamo, lavoriamo e ci relazioniamo gli uni con gli altri. Nella sua scala, portata e complessità, la trasformazione sarà diversa da qualunque altra cosa l'umanità abbia mai conosciuto prima.”
L’intelligenza artificiale ha rimodellato non solo il modo in cui i consumatori interagiscono con le aziende acquistando prodotti e servizi ma anche la stessa professione del rappresentante di vendita adattandola ai progressi introdotti dall’IA allo stesso modo in cui è avvenuto con le tecnologie del passato come il telefono, il computer e Internet.
L’intelligenza artificiale gioca un ruolo fondamentale soprattutto nei settori retail e high-tech perché le frequenti interazioni azienda-cliente generano volumi enormi di dati da cui le tecnologie IA possono attingere e addestrarsi per creare anche processi di vendita. Proprio per questo motivo, oltre a riconoscere le principali differenze dei sistemi IA è necessario conoscere le caratteristiche che i dati devono possedere per creare un database di qualità e di cui l’azienda possa fidarsi.
Come e quando nasce l’Intelligenza Artificiale?
La nascita del dibattito sull’intelligenza artificiale è stata promossa per la prima volta nel 1950 da Alan Turing nel suo celebre scritto “Computing Machinery and intelligence” nel quale cercò di dare una risposta alla domanda “le macchine possono pensare?”. Nel 1956 l’informatico statunitense John McCarthy coniò per la prima volta il termine “Intelligenza artificiale” in occasione di un convegno presso l’università di Dartmouth (Hanover).
Sebbene negli ultimi decenni siano emerse numerose definizioni di intelligenza artificiale, non esiste un vero e proprio enunciato comunemente accettato. Nella sua definizione più semplice, l’intelligenza artificiale è un campo che combina conoscenze informatiche a grossi set di dati per risolvere problemi complessi. L'IA non è quindi una tecnologia a sé stante ma piuttosto un termine che copre diversi sistemi e processi.
L’obiettivo che i ricercatori si prefiggono è quello di rendere una macchina intelligente a tal punto da saper gestire autonomamente qualunque compito gli venga assegnato. L’IA può quindi essere classificata in base ai processi che mette in atto per raggiungere un obiettivo emulando il pensiero umano.
La letteratura definisce due principali tipologie: l’intelligenza artificiale debole e l’intelligenza artificiale forte.
-
L’intelligenza artificiale debole o “week AI” rappresenta sistemi appositamente programmati per eseguire compiti specifici di problem solving. Questa tipologia di sistemi è in grado eseguire centinaia di migliaia di calcoli al secondo superando di gran lunga le abilità umane in determinate attività. L’intelligenza artificiale debole è quindi limitata ad alcune prestazioni specifiche, apprende come eseguire una determinata attività automaticamente dai dati forniti in input ma è in grado di svolgere solo quella attività e nient'altro. I chatbot e i motori di raccomandazione all’interno delle piattaforme di streaming sono esempi pratici di applicazione dell’IA debole.
-
L’intelligenza artificiale forte o “strong AI” si riferisce a sistemi in grado di svolgere qualunque tipologia di attività, più un sistema IA si avvicina ai processi cognitivi di un essere umano, più “forte” sarà considerata l’IA stessa. Una IA forte sarà quindi in grado di generalizzare la propria conoscenza creando connessioni interdisciplinari, fare previsioni basandosi sulla propria esperienza passata e di adattarsi ad eventuali cambiamenti esterni. Sebbene i ricercatori sia nel settore pubblico che privato stiano investendo ingenti risorse nella creazione di IA forti ad oggi non esiste ancora una realtà tangibile e il dibattito su ciò che effettivamente è possibile realizzare è molto acceso. Se l'intelligenza artificiale riuscisse a pensare autonomamente, o meglio sviluppare un processo cognitivo e prendere decisioni senza alcun coinvolgimento umano, allora quella intelligenza sarà definita IA forte.
Le applicazioni dell’Intelligenza Artificiale
L’intelligenza artificiale è una definizione che contiene al suo interno alcune discipline specifiche tra cui il Machine Learning (ML), il Deep Learning (DL) e il Natural Language Processing (NLP).
Andiamo ad analizzarli nel dettaglio.
Machine Learning (ML)
Machine Learning o Apprendimento Automatico è la disciplina più studiata dell'IA. L'obiettivo che le tecnologie ML si prefiggono è costruire sistemi in grado di migliorare le proprie prestazioni imparando dall'esperienza passata.
Arthur Lee Samuel, informatico statunitense che coniò il termine nel 1959, definisce il Machine Learning come “campo di studi che fornisce ai computer la capacità di imparare senza bisogno di essere programmati esplicitamente”.
A differenza della programmazione tradizionale che definisce precise istruzioni per trattare i dati in ingresso e generare determinati risultati, i sistemi ML vengono addestrati attraverso dati in ingresso e risultati desiderati per generare funzioni capaci di legare l’input all’output.
Il Machine Learning pertanto analizza ed esamina grandi set di dati per trovare modelli comuni. Ad esempio, un sistema ML potrebbe ricevere un ampio set di immagini relative ad automobili ed imparare a riconoscere le caratteristiche comuni affinché attribuisca l'etichetta "automobile" alle immagini che ne raffigurano una. Allo stesso modo, il programma può essere addestrato per rilevare qualunque altra tipologia di immagine.
Deep Learning (DL)
Il deep learning, come mostrato precedentemente, è una sottocategoria di ML e fa riferimento agli algoritmi ispirati ai processi di apprendimento dalla struttura del cervello umano. Per raggiungere questo obiettivo, il deep learning è organizzato in una struttura composta da diversi livelli (o layer) chiamata rete neurale.
Una rete neurale artificiale rappresenta quindi il tentativo di simulare la rete di neuroni che compongono la mente umana in modo tale che il computer sia in grado autonomamente di apprendere informazioni e generare un output. Insomma, le reti neurali vengono programmate affinché si comportino come se fossero delle cellule cerebrali interconnesse; la loro efficienza dipenderà dalla qualità e dalla quantità di dati forniti durante l’addestramento.
Gli algoritmi ML non possono essere applicati direttamente a dati grezzi (es. immagini) ma è necessario pre-elaborarli (feature extraction) per individuare ex ante le caratteristiche proprie del dataset. Gli algoritmi DL, invece, non necessitano di questa fase: i vari livelli delle reti neurali sono in grado di apprendere autonomamente le caratteristiche in modo implicito nei dati grezzi; in altre parole, la fase di estrazione delle caratteristiche è parte integrante del processo.
Natural Language Processing (NLP)
Il NLP è un campo dell’intelligenza artificiale il cui obiettivo è l’elaborazione del linguaggio naturale ovvero la capacità da parte di un calcolatore di analizzare e comprendere il linguaggio così come viene scritto e parlato. L’espressione linguaggio naturale rappresenta la forma di comunicazione nata lungo il corso della storia le cui sfumature, espressioni ed ambiguità rendono difficile per le scienze matematiche e logiche una formalizzazione.
Fin dagli albori dell’informatica e dell’IA l’elaborazione del linguaggio ha riscontrato un forte interesse. Basti pensare che già nel 1950 Alan Turing propose il cosiddetto “Imitation Game” con cui definire l’intelligenza di un calcolatore sulla base delle sue capacità di interloquire con un essere umano. Nonostante l’ultimo decennio sia stato protagonista di importanti applicazioni e sviluppi nel campo del NLP, la comprensione esaustiva del linguaggio naturale risulta una meta ancora lontana da raggiungere.
I sistemi NLP si suddividono in due categorie o sottoinsiemi: il Natural Language Understanding (NLU) e il Natural Language Generation (NLG).
-
NLU tenta di determinare il significato di un’espressione verbale attraverso analisi sintattiche e semantiche. La sintassi si riferisce alla struttura grammaticale di una frase mentre la semantica al suo significato. Il NLU pertanto cerca di stabilire la struttura e le relazioni delle parole all’interno di un’espressione verbale.
-
NLG consente ai calcolatori di generare un testo scritto, o meglio produrre una risposta testuale basata su di un input seguendo le regole della lingua naturale. A volte i testi generati sono successivamente convertiti in un formato vocale tramite strumenti di sintesi. Sistemi NLG sono utilizzati anche per attività di riepilogo del testo, sono in grado infatti, a partire da un documento, di generare riassunti o estrarre le informazioni principali mantenendo fede a quelle contenute all’interno del documento.
Il Natural Language Generator è utilizzato in diversi ambiti, tra le applicazioni più famose è possibile riconoscere i chatbot e gli assistenti vocali come Alexa di Amazon e Siri di Apple ma di certo le possibilità non si fermano qua. Infatti il NLG è impiegato anche per riassumere documenti, automatizzare le risposte alle email, personalizzare contenuti e persino generare interi articoli per il proprio blog.
