I termini intelligenza artificiale (AI) e machine learning (ML), o apprendimento automatico, sono spesso usati in modo intercambiabile, nonostante siano due cose diverse, seppur correlate.
Tuttavia, la differenza non è così significativa come si può credere. Una volta compresa, non si potrà più confondere l’uno con l’altro.
Quella che tratteremo oggi è una spiegazione molto elementare e non approfondisce molti dei dettagli tecnici dell’Intelligenza Artificale (AI) e del Machine Learning (ML). Questo poiché tali caratteristiche sono al di fuori della portata del pubblico a cui è destinato questo blog. Le definizioni e gli esempi che seguono vogliono essere solo una prima infarinatura per ulteriori approfondimenti sugli argomenti citati, qualora l’interesse sia una spiegazione approfondita, e non una panoramica sui rudimenti quale vuole essere la lettura di oggi.
Oltre all’apprendimento automatico, il campo dell’intelligenza artificiale (AI) comprende un’ampia varietà di altre tecnologie e metodi. Tra questi figurano l’elaborazione dei linguaggi naturali, la computer vision, la robotica e i sistemi esperti.
D’altra parte, il Machine Learning (ML) è una tecnica specifica per costruire sistemi di IA. Si basa sul concetto di consentire alle macchine di imparare dai dati senza essere esplicitamente programmate. Questo approccio è chiamato deep learning.
Indice dei contenuti
Un sistema di intelligenza artificiale (AI) è l’intera macchina
La creazione di computer in grado di svolgere attività che in genere richiederebbero l’intelligenza umana viene definita intelligenza artificiale (AI), si tratta pertanto di un termine molto ampio. La percezione visiva, il riconoscimento di parole pronunciate, la capacità di prendere decisioni e la traduzione di lingue sono tutti esempi di tali attività.
All’interno dell’area dell’intelligenza artificiale (IA) esistono diversi sottogruppi e sottocampi. Ognuno di questi cerca di risolvere una sfida unica e specifica o intraprende un percorso univoco verso la creazione di “intelligenza”. Di seguito sono elencati i cinque sottocampi più noti dell’intelligenza artificiale:
Elaborazione del linguaggio naturale (NLP)
Il campo dell’elaborazione del linguaggio naturale (NLP) si occupa di sviluppare metodi per insegnare ai computer a comprendere, analizzare e produrre il linguaggio umano.
Applicazioni come i chatbot, gli assistenti vocali e la traduzione linguistica fanno tutte uso dell’elaborazione del linguaggio naturale (NLP). L’NLP è ciò che è ChatGPT di OpenAI.
Computer Vision
Il campo della computer vision si concentra sullo sviluppo di metodi per insegnare ai computer a interpretare e comprendere i dati visivi provenienti dall’ambiente circostante. Il rilevamento degli oggetti e il riconoscimento facciale sono due esempi di applicazioni che fanno uso della computer vision. La computer vision è utilizzata da veicoli autonomi come diverse versioni di Tesla.
Robotica
Il campo della robotica si concentra sullo sviluppo di robot in grado di interagire fisicamente e autonomamente con l’ambiente circostante per svolgere attività come lavorare su catene di montaggio o eseguire missioni di salvataggio. La robotica è l’obiettivo principale di Boston Dynamics.
Expert Systems
Questi sistemi sono programmi informatici che hanno lo scopo di simulare le capacità di persone esperte di prendere decisioni basate su un ragionamento solido in un determinato ambito, come la diagnosi medica o l’analisi finanziaria. Si sente continuamente parlare di avvocati AI che difendono persone in tribunale, perché i sistemi esperti ne sono la causa.
Machine Learning (ML)
Il processo di machine learning, o apprendimento automatico, prevede la fornitura di dati a un algoritmo di apprendimento automatico, per poi consentire al sistema di imparare da quei dati in modo da poter fare previsioni o classificazioni corrette su dati nuovi.
Per questo motivo, il Machine Learning è un sottocampo dell’Intelligenza Artificiale. Questa è la distinzione principale che deve essere chiarita. Nonostante l’espressione “intelligenza artificiale” si riferisca a una serie di approcci diversi, “apprendimento automatico” si riferisce a un metodo particolare per sviluppare sistemi di AI.
Un ecosistema di tecnologie per la creazione di Intelligenza Artificiale
È utile concepire l’intelligenza artificiale come il “robot intero”, che si riferisce a una macchina completamente autonoma in grado di pensare e comportarsi come una persona. Tuttavia, ogni sottoinsieme è solo un singolo componente della macchina complessiva. Il campo della robotica cerca di creare il “corpo” per interagire con l’ambiente circostante.
Il robot è ora in grado di percepire visivamente l’ambiente circostante grazie alla computer vision. L’uso della PNL gli conferisce la capacità di comunicare efficacemente. La capacità di educare è conferita dal ML. E poi l’università riceve dai sistemi esperti. Quando tutti i suoi diversi componenti vengono riuniti, assomiglia a un vero e proprio mostro di Frankenstein, ma alla fine raggiungerà lo scopo dell’IA.
Cosa significa Machine Learning
Poiché il machine learning (ML), o apprendimento automatico, è una parte così importante del processo di costruzione dei robot, se ne sente parlare molto. Quasi tutto ciò che consideriamo vivo deve avere la capacità di acquisire nuove conoscenze. Gli uccelli lo fanno spesso. Sempre più in alto! Anche le amebe lo fanno. Tuttavia, nonostante la sua pervasività nel mondo dei viventi, l’apprendimento è un processo molto complesso.
Pertanto, l’apprendimento automatico sta affrontando una delle questioni più difficili, ma il suo successo si tradurrà nel massimo ritorno sugli investimenti. Una volta sviluppata una macchina in grado di apprendere, saremo in grado di istruirla a fare scelte più sagge. Quindi la domanda è: come si insegna esattamente a una macchina ad apprendere?
L’apprendimento automatico è l’uso di metodi statistici per consentire ai computer di apprendere dai dati, al fine di migliorare le loro prestazioni su determinati compiti nel tempo. L’obiettivo degli algoritmi di apprendimento automatico è quello di trovare modelli analizzando grandi volumi di dati e applicando poi tali modelli a dati nuovi per fare previsioni o scelte. L’apprendimento automatico è un processo che, analogamente al modo in cui le persone imparano, richiede che i robot vengano “istruiti” fornendo loro delle conoscenze.
Esempio di ML: Stimatore del prezzo della casa
Immaginiamo di voler sviluppare un sistema di apprendimento automatico in grado di stimare il costo di una casa in base a fattori quali la metratura e la posizione. A tale scopo, è necessario disporre di un set di dati di addestramento e di un set di dati di test.
- Per prima cosa, compiliamo un set di dati di addestramento che comprende le case vendute di recente, il prezzo di vendita e la posizione di tali case.
- I dati di addestramento vengono poi elaborati dalla ML per individuare le tendenze. Immaginiamo che, dopo una certa elaborazione, abbia “imparato” le seguenti “regole”:
- I prezzi delle case con più di 2.000 metri quadrati superano spesso i 200.000 dollari.
- I prezzi delle case con meno di 2.000 metri quadrati sono tipicamente inferiori a 200.000 dollari.
- Le case situate nel raggio di 5 miglia dall’aeroporto hanno un prezzo inferiore a 100.000 dollari.
- Le case situate entro 5 miglia dal lago vengono spesso vendute a più di 300.000 dollari.
Il programma può quindi applicare queste informazioni per fare una previsione sul prezzo di una casa non inclusa nel set di dati di addestramento (ossia l’insieme di prova).
Un esempio pratico
A titolo di esempio, si consideri una casa di 2.500 metri quadrati e situata a circa quattro miglia dall’aeroporto:
- L’algoritmo applicherebbe il criterio “> 200.000 dollari” alla casa nuova di zecca perché ha più di 2.000 metri quadrati, ma applicherebbe anche la regola “100.000 dollari” perché si trova a meno di 5 miglia dall’aeroporto. Entrambe le regole verrebbero combinate per ottenere il risultato finale. Di conseguenza, la previsione fatta dall’algoritmo sarà probabilmente “150.000 dollari”.
- Il programma di apprendimento automatico confronta quindi la sua stima con il prezzo reale, che è di 170.000 dollari. Al momento c’è una disparità di 20.000 dollari che deve essere risolta. L’algoritmo cerca altri modelli e scopre che i prezzi delle proprietà di dimensioni comparabili diminuiscono man mano che ci si avvicina a un aeroporto. L’algoritmo è in grado di identificare le variazioni di prezzo causate dalla vicinanza eseguendo alcuni calcoli e utilizzerà queste informazioni come valore ponderato nelle sue successive previsioni. A titolo di esempio, si supponga che il prezzo scenda del 10% per ogni chilometro di distanza dall’aeroporto.
Per migliorare le sue previsioni, il computer si impegna in un processo continuo di ipotesi e verifiche, noto come backpropagation. L’algoritmo diventa “più intelligente” quando vengono utilizzate più iterazioni e input nel processo.
Si potrebbe chiedere: “E allora? “Oppure si potrebbe pensare: “Non si tratta di semplice logica di base?”. Perché è necessario utilizzare una macchina per ottenere questo risultato?
L’algoritmo migliora se stesso durante l’esecuzione
Per iniziare, l’apprendimento automatico ha una capacità sorprendentemente veloce di analizzare i dati, scoprire schemi e verificare le proprie conclusioni con i fatti del mondo reale. In poche parole, l’intelligenza artificiale (AI) è in grado di “imparare” molto più rapidamente degli esseri umani.
Un altro aspetto da considerare è che l’intelligenza artificiale è in grado di bilanciare un numero di variabili molto più ampio di quello umano, il che significa che le sue previsioni diventeranno invariabilmente più precise con il passare del tempo.
Arrivare dove la mente umana non ha strumenti
Considerate tutte le componenti che determinano il prezzo di una casa, non solo la metratura o il quartiere. Per citarne solo alcuni, vi sono l’età dell’immobile, le sue condizioni, la quantità di stanze, le circostanze di mercato e le motivazioni del venditore. Tuttavia, ci sono alcuni fattori che vengono presi in considerazione meno frequentemente, come i tassi ipotecari attuali, la posizione del lotto o il tipo di tetto.
Se si approfondisce la questione, si scopre che il numero reale di componenti che contribuiscono è piuttosto elevato. Ad esempio, cosa si può dire del passato di un immobile o delle prospettive della comunità in cui si trova attualmente? Quanto più accurata è la nostra capacità di prevedere i risultati, tanto maggiore è il peso da attribuire a questi fattori apparentemente “minori”.
È possibile che gli immobili con più finestre rivolte a est siano stati venduti a un prezzo inferiore rispetto a quelli con più finestre rivolte a ovest. Il processo di apprendimento automatico può prendere in considerazione tutti questi elementi e altri ancora, e può farlo in tempo reale.
Immaginiamo, per amor di discussione, che questo algoritmo di apprendimento abbia la capacità di cercare, monitorare e compilare informazioni sui prezzi degli immobili per una porzione significativa del Paese. Si tratterebbe di una macchina di apprendimento e previsione completamente autosufficiente che, più a lungo viene utilizzata, più diventa intelligente. Questo riassume lo stato attuale del Machine Learning (ML).
