Nella puntata precedente: Le origini e le tappe principali della sua storia

Stuart J. Russell e Peter Norvig hanno proposto nel loro libro “Intelligenza Artificiale, un approccio moderno” partendo dalle definizioni di intelligenza artificiale di vari autori, quattro approcci diversi alle funzionalità e caratteristiche dell’Intelligenza Artificiale.

Pensare umanamente: imitare il pensiero della mente umana.

Pensare razionalmente: imitare il pensiero basato sul ragionamento logico.

Agire umanamente: agire in modo da imitare il comportamento umano.

Agire razionalmente: agire in un modo inteso a raggiungere un obiettivo particolare.

Le prime due idee riguardano i processi di pensiero e il ragionamento, mentre le altre riguardano il comportamento. Norvig e Russell si concentrano in particolare sugli agenti razionali che agiscono per ottenere il miglior risultato, osservando che “tutte le abilità necessarie per il test di Turing consentono anche a un agente di agire razionalmente“.

L’ex professore di intelligenza artificiale e informatica del MIT Patrick Winston ha definito l’AI come “algoritmi abilitati da vincoli, esposti da rappresentazioni che supportano modelli mirati a circuiti che legano insieme pensiero, percezione e azione“.

Sebbene queste definizioni possano sembrare astratte per la persona media, aiutano a focalizzare il campo come area dell’informatica e forniscono un modello per infondere macchine e programmi con MachineLearning e altri sottoinsiemi di AI.

L’intelligenza artificiale può essere suddivisa in quattro categorie, in base al tipo e alla complessità delle attività che un sistema è in grado di eseguire. Ad esempio, il filtraggio automatico dello spam rientra nella classe più semplice di intelligenza artificiale, mentre software per le macchine in grado di percepire i pensieri e le emozioni delle persone fa parte di un sottoinsieme di intelligenza artificiale completamente diverso.

Ecco quindi i quattro tipi:

Macchina reattiva: in grado di percepire e reagire al mondo davanti a sé mentre svolge compiti limitati.

Memoria limitata: in grado di memorizzare dati e previsioni passate per costruire previsioni su ciò che potrebbe accadere dopo.

Teoria della mente: in grado di prendere decisioni in base alle sue percezioni di come gli altri si sentono e prendono decisioni.

Autoconsapevolezza: in grado di operare con coscienza a livello umano e comprendere la propria esistenza.

 

La Macchina Reattiva

Una macchina reattiva segue il più basilare dei principi dell’AI e, come suggerisce il nome, è in grado di usare la sua intelligenza solo per percepire e reagire al mondo che ha di fronte. Una macchina reattiva non può immagazzinare un ricordo e, di conseguenza, non può fare affidamento su esperienze passate per alimentare ed influenzare il processo decisionale in tempo reale.

Percepire e reagire al mondo davanti a sé significa che le macchine reattive sono progettate per completare solo un numero limitato di compiti specializzati. Tuttavia, restringere la visione del mondo di una macchina reattiva non è una sorta di misura di riduzione della validità del processo, perché significa che questo tipo di intelligenza artificiale sarà più affidabile: reagirà ogni volta allo stesso modo agli stessi stimoli.

Un famoso esempio di macchina reattiva è Deep Blue, che è stato progettato da IBM negli anni ’90 come un supercomputer per giocare a scacchi e ha sconfitto il grande maestro internazionale Gary Kasparov in una partita. Deep Blue era solo in grado di identificare i pezzi su una scacchiera e sapendo come ogni pezzo si muove in base alle regole degli scacchi, riconosceva la posizione di ogni pezzo e determinava quale sarebbe stata la mossa più logica in quel momento. Il computer non stava cercando di prevedere le potenziali mosse future del suo avversario o cercando di mettere i propri pezzi in una posizione migliore. Ogni svolta era vista come una realtà a sé stante, separata da qualsiasi altro movimento compiuto in precedenza.

Un altro esempio di macchina reattiva per il gioco è AlphaGo di Google. Anche AlphaGo non è in grado di valutare le mosse future, ma fa affidamento sulla propria rete neurale per valutare gli sviluppi del gioco in ciascun momento.

Sebbene di portata limitata e non facilmente modificabile, l’AI reattiva può raggiungere un certo livello di complessità e offre un buon livello di affidabilità se creata per svolgere compiti ripetibili.

La Memoria Limitata

L’intelligenza artificiale con memoria limitata ha la capacità di memorizzare dati e previsioni precedenti durante la raccolta di informazioni e di valutare potenziali decisioni, essenzialmente esaminando il passato alla ricerca di indizi su ciò che potrebbe accadere in futuro. L’intelligenza artificiale a memoria limitata è più complessa e presenta maggiori possibilità rispetto alle macchine reattive.

Questo tipo di AI viene creata quando si addestra continuamente una macchina fornita del programma su come analizzare e utilizzare nuovi dati, o viene creato un ambiente di intelligenza artificiale in modo che le macchine fornite del programma possano essere addestrate e aggiornate automaticamente.

Quando si utilizza l’intelligenza artificiale a memoria limitata in Machine Learning, è necessario seguire sei passaggi:
1) è necessario creare i dati per l’addestramento,
2) è necessario creare il modello ML,
3) il modello deve essere in grado di fare previsioni,
4) il modello deve essere in grado di ricevere feedback umano o ambientale,
5) i feedback ricevuti devono essere memorizzati come dati,
6) tutti questi passaggi devono essere ripetuti come un ciclo.

Esistono diversi modelli ML che utilizzano AI con memoria limitata:

• Apprendimento per rinforzo, che impara a fare previsioni migliori attraverso ripetuti tentativi ed errori.
• Reti neurali ricorrenti (RNN), che utilizzano dati sequenziali per prendere informazioni da input precedenti in modo da poter influenzare l’input e l’output correnti. Questi sono comunemente usati per problemi ordinali o temporali, come la traduzione linguistica, l’elaborazione del linguaggio naturale, il riconoscimento vocale e la didascalizzazione delle immagini. Un sottoinsieme di reti neurali ricorrenti è noto come memoria lunga a breve termine (LSTM, Long Short Term Memory), che utilizza i dati passati per aiutare a prevedere l’elemento successivo in una sequenza. Gli LTSM considerano le informazioni più recenti come le più importanti quando fanno previsioni e considerano meno importanti i dati da un passato più lontano pur continuando a utilizzarli per trarre conclusioni.
• Reti avversarie generative evolutive (E-GAN), che si evolvono nel tempo, crescendo per esplorare percorsi leggermente modificati basati su esperienze precedenti con ogni nuova decisione. Questo modello è costantemente alla ricerca di un percorso migliore e utilizza simulazioni e statistiche, o possibilità, per prevedere i risultati durante il suo ciclo di mutazione evolutiva.
• Transformers, che sono reti di nodi che imparano a svolgere un determinato compito addestrandosi sui dati esistenti. Invece di dover raggruppare gli elementi insieme, i transformer sono in grado di eseguire processi in modo che ogni elemento nei dati di input presti attenzione a ogni altro elemento. I ricercatori si riferiscono a questo come “auto-attenzione“, il che significa che non appena inizia l’allenamento, un transformer può vedere le tracce dell’intero set di dati.

Teoria della mente

La teoria della mente è al momento solo questo: teoria. Non abbiamo ancora raggiunto le capacità tecnologiche e scientifiche necessarie per raggiungere questo livello successivo di intelligenza artificiale.

Il concetto si basa sulla premessa che il sistema sia in grado di comprendere che altri esseri viventi hanno pensieri ed emozioni che influenzano il comportamento di ciascuno di loro. In termini di macchine AI, ciò significherebbe che l’AI potrebbe comprendere come esseri umani, animali e altre macchine sentono e prendono decisioni attraverso l’autoriflessione e la determinazione, quindi utilizzeranno tali informazioni per prendere decisioni da sole. In sostanza, le macchine dovrebbero essere in grado di cogliere ed elaborare il concetto di “mente”, le fluttuazioni delle emozioni nel processo decisionale e una serie di altri concetti psicologici, in tempo reale, creando una relazione bidirezionale tra le persone e l’intelligenza artificiale.

Autoconsapevolezza

Una volta stabilita la teoria della mente, a un certo punto nel futuro dell’AI, il passo finale sarà che l’AI diventi consapevole di sé. Questo tipo di intelligenza artificiale possiede una coscienza a livello umano, percepisce e comprende la propria esistenza nel mondo, così come la presenza e lo stato emotivo degli altri. Sarebbe in grado di capire ciò di cui gli altri potrebbero aver bisogno in base non solo a ciò che comunicano loro, ma anche a come lo comunicano.

Il raggiungimento dell’autoconsapevolezza nell’intelligenza artificiale necessita che i ricercatori umani possano riuscire a
a) comprendere la premessa della coscienza e poi
b) imparare a replicarla in modo che possa essere incorporata nelle macchine.

E.P.