Siamo spesso portarti a considerare l’intelligenza artificiale come una sfera lontana dall’applicazione quotidiana. La situazione è differente ed esistono realtà, più o meno consolidate, che ne fanno largo uso. Ecco alcuni esempi con cui ci confrontiamo ogni giorno ed altri più intriganti con cui ci confronteremo nel prossimo futuro.
Siamo ancora ben lontani dal poter considerare l’intelligenza artificiale come un’intelligenza senziente paragonabile a quella umana, capace di pensare autonomamente con spirito critico e secondo coscienza1. Se pur non mancano dei casi controversi2, l’intelligenza artificiale oggi è un insieme di precisi algoritmi o simulatori di apprendimento (sviluppati dall’uomo) che sono in grado, grazie al potere computazionale dei computer moderni, di svolgere compiti definiti in ambiti definiti.
l’IA contemporanea si basa su Machine Learning o Deep Learning: un insieme di metodi grazie ai quali la macchina (attraverso algoritmi o la simulazione decisionale delle reti neurali) apprende (analizzando massivamente i dati che vengono dati in pasto al sistema) e si allena (grazie a regole di input prescritte), correggendo gli errori in modo da riuscire nel tempo, dopo una grande mole di dati analizzati e su base statistica, a svolgere una determinata attività in autonomia.
Alcune applicazioni usuali
- Le ricerche predittive
- Gli assistenti virtuali (Siri, Alexa, Google)
- Le raccomandazioni (prodotti – musica – film – social media)
- La pubblicità online
Alcune applicazioni inusuali
- Esperimenti artistici
- Intelligenza artificiale nel gaming
- Ricerca scientifica
- Astronomia
Come funziona?
Lo schema di funzionamento generale è il seguente:
- Si crea un’infrastruttura tecnologica basata su IA capace di ricevere input ed esportare output
- Gli input sono i dati che vengono dati al sistema, i big data, ne sono un esempio concreto
- Questi dati vengono analizzati e processati dall’algoritmo (machine learning) o dalla rete neurale (deep learning) che li rielabora
- In base all’obiettivo preposto la rielaborazione genera un output. Questo varia chiaramente in base all’infrastruttura precedentemente progettata.
Per fare alcuni esempi:
- Nel caso delle ricerche predittive di Google, i suggerimenti proposti (output) sono le parole più digitate in quella determinata ricerca, con quel determinato mix di parole da parte dei fruitori (input)
- Nel caso dei film consigliati da Netflix, i film raccomandati (output) sono derivati dal gusto del fruitore (input), basandolo su una serie di fattori come genere del film, attori, preferenze stilistiche etc
- Nel caso dell’IA che batte i videogiocatori umani, tramite l’analisi degli schemi ricorsivi di gioco da parte dei videogiocatori (input) la macchina decide autonomamente la migliore strategia (output) per battere l’avversario
- Nel caso dell’analisi dei crateri lunari, l’IA viene istruita a capire cosa è un cratere (dimensioni, colore, difformità etc) analizzando il materiale fotografico (input). Successivamente riesce a estrapolare, da altro materiale fotografico quello che interpreta come cratere (output)
In questo contesto tecnologico fioriscono quindi i progetti di intelligenza artificiale, più o meno complessi, basati su tecniche di machine learning e deep learning.
Le applicazioni sono di vario genere, alcune business ready: come le startup tecnologiche che ne fanno uso, per risolvere problemi di una determinata industria, grazie alla vasta mole di dati a disposizione (Big Data) o che vengono generati (IoT, Web etc).
Altre più visionarie come negli esempi proposti nel campo della sanità, dell’arte o dell’astronomia che, sfruttando le stesse tecnologie, aprono la porta da un lato all’accelerazione nel progresso scientifico e di ottimizzazione nei processi, dall’altro a tutta una disquisizione di interrogativi sociali e filosofici.
