É davvero possibile realizzare computer in grado di pensare come la mente umana?
Senza andare troppo lontano con i precursori dei sistemi automatici del XVII e XVIII secolo come Pascal e Babbage possiamo dire che i primi passi dell’Intelligenza Artificiale (IA) fanno riferimento agli anni ’50 con la pubblicazione di un articolo di Alan Turing in cui, per la prima volta, si fa riferimento alla possibilità di creare un comportamento intelligente.
Da qui nasce il problema filosofico su cosa sia l’Intelligenza Artificiale e l’inizio delle distinzioni tra Intelligenza Artificiale Generale, Forte e Debole.
Intelligenza Artificiale Generale
Riguarda lo studio e la realizzazione di una IA capace di replicare l’intelligenza umana. Molte associazioni ed enti privati lavorano in questo campo della ricerca esplorando le possibilità di creare una macchina capace di avere coscienza di sé.
Intelligenza Artificiale Debole
Ci si riferisce ad applicazioni pratiche dove è richiesta la capacità da parte della macchina di comprendere e risolvere specifici problemi, come ad esempio il gioco degli scacchi oppure la capacità di leggere una radiografia ed emettere una diagnosi.
Intelligenza Artificiale Forte
Riguarda lo studio della creazione di una Intelligenza che non sia la semplice replica della mente umana, ma qualcosa di originale capace di pensare ed elaborare problemi mai affrontati prima. Sempre più ricercatori che lavorano nel campo della IA non vedono alcun impedimento alla creazione di una IA Forte, ma non c’è una visione comune sul risultato e nemmeno quando questo accadrà.
La strada attualmente percorsa è quella di capire ed emulare il cervello umano e implementarne le sue funzionalità. Le reti neurali artificiali basate su sistemi di apprendimento permettono a una macchina di decidere in base a input senza che gli output o le regole siano rese esplicite.
Apprendimento
I sistemi di IA Forte saranno in grado di fare dei meta-ragionamenti, ovvero ragionamenti sul ragionamento. Possiamo quindi affermare che un sistema di IA Forte migliorerà nel tempo riuscendo a ottenere risultati sempre migliori, aumentando le proprie capacità di risolvere problemi. Nel tempo il sistema diventerà sempre più bravo e applicherà i nuovi processi a se stesso in modo ricorsivo. Questo è quello che noi chiamiamo Intelligenza.
Machine Learning VS Deep Learning
Machine Learning è un set di algoritmi per analizzare grandi quantità di dati per raggiungere degli obiettivi specifici. Non è quindi un set di istruzioni ben definite, ma algoritmi generali in grado di raggiungere obiettivi specifici in base a un addestramento. Alla base ci sono funzioni matematiche e statistiche che sono in grado di fare previsioni sulla base dei dati elaborati in moltissimi campi, con risultati non prevedibili o programmabili.
Deep Learning è una tecnica implementativa di Machine Learning, ovvero si tratta di un approccio diverso per raggiungere gli stessi obiettivi. Deep Learning utilizza le Reti Neurali Artificiali che simulano il comportamento biologico dei neuroni del cervello umano. La differenza principale di questa tecnica sta nella scelta degli algoritmi. Deep Learning decide da solo l’approccio per raggiungere l’obiettivo utilizzando tecniche non precedentemente programmate. Singolarità Tecnologica rappresenta il momento storico nel quale l’IA Forte non sarà più prevedibile in quanto i sistemi di IA saranno in grado di migliorare esponenzialmente e infinitamente loro stessi. Se saremo in grado di comprenderle e renderle compatibili con la vita umana, allora il mondo cambierà in maniera profonda e gli esseri umani potranno trarne enormi vantaggi.
|
Un programmatore su tre verrà sostituito dall’Intelligenza Artificiale L’apprendimento automatico, chiamato anche Deep Learning, utilizza le Reti Neurali Artificiali che simulano il comportamento biologico dei neuroni del cervello umano. Per insegnare ad una rete neurale artificiale a riconoscere un cane basterà mostrargli migliaia di immagini di cani. Il processo continuerà finché il sistema non sarà in grado di individuare un cane in contesti diversi. Questo approccio non è certamente nuovo, ma solo di recente è diventato interessante grazie a nuove e potenti reti neurali basate su sistemi computazionali distribuiti su scala mondiale. Grazie a questa potenza sono in grado di essere utilizzate in contesti reali e anche in ambito business. Queste macchine sono meglio conosciute come Machine Learning.
Questi sistemi sono già largamente utilizzati da grandi aziende. Per esempio Facebook utilizza questi sistemi per comprendere le storie sulla vostra timeline o per riconoscere immagini da censurare o per riconoscere le facce dei vostri amici. Ogni volta che pubblicate una foto su Facebook il sistema ne riconosce il contenuto e aggiunge dei tag in automatico (basta controllare il sorgente HTML della pagina Facebook per controllare cosa è stato aggiunto automaticamente). Anche Microsoft utilizza questi sistemi ed un esempio recente è l’introduzione della traduzione in tempo reale delle video chat su Skype in diverse lingue. Lo stesso approccio è utilizzato dalle automobili che si guidano da sole come le Tesla o le Google car. Queste macchine imparano a guidare giorno per giorno migliorando le proprie capacità in base all’esperienza. Ci sarà ancora spazio per i programmatori come li conosciamo oggi? Presto non serviranno programmatori come li conosciamo oggi ma serviranno figure professionali diverse che conoscano le infrastrutture che sono alla base delle Machine Learning. Tim O’Reilly sostiene che, sebbene ci sarà bisogno di programmatori ancora per un lungo tempo, ad un certo punto il numero scenderà in modo sensibile in favore delle nuove figure professionali che si occuperanno delle architetture che sovraintendono le Machine Learning più che di programmi specifici. Stiamo per entrare in un mondo dove il rapporto con la tecnologia sarà sicuramente più complicato e fonte di modifiche strutturali al mondo del lavoro, ma allo stesso tempo sicuramente più gratificante.
|