Scopriamo insieme i punti di vista dell'Intelligenza Artificiale con i suoi sviluppi, possibilità e linee guida. L'Intelligenza Artificiale (IA o anche AI: Artificial Intelligence) è ormai un settore su cui molte Aziende orientano investimenti al fine di ottimizzare produzione e mercato.
Ormai l'IA è quotidianamente nelle nostre case ma perchè fa davvero tanta paura e rende scettica la stragrande maggioranza delle persone? In questo articolo faremo mente locale sui pro e contro dell'intelligenza artificiale per riflettere su quali possano essere i vantaggi in una ormai certa direzione tecnologica.
Bene o Male? Giusto o Sbagliato? Sostegno o Contrasto? Amico o Nemico? Possibilità o Minaccia? Serenità o Timore?
Ebbene sì, quando penso all'AI, personalmente mi sento così...
AI, di cosa si tratta
L'intelligenza artificiale è un settore dell'informatica che sviluppa logiche e sistemi in grado di simulare processi di apprendimento e decisionali tipici dell'intelligenza umana. A differenza dei software tradizionali, un sistema AI non si basa sulla programmazione (cioè sul lavoro di sviluppatori che scrivono il codice di funzionamento del sistema) ma su tecniche di apprendimento ed elaborazione.
Vengono cioè definiti degli algoritmi che elaborano un’enorme quantità di dati dai quali è il sistema stesso che deve derivare le proprie capacità di comprensione e ragionamento.
Sappiamo bene che le capacità tipiche dell’essere umano riguardano, nello specifico, la comprensione ed elaborazione del linguaggio e delle immagini, l’apprendimento, il ragionamento, l'emotività, la capacità di pianificazione e l’interazione con persone, macchine e ambiente circostante.
Ma come acquisiamo tutte queste capacità? Ovviamente vivendo delle Esperienze durante tutto il percorso della nostra vita.
Noi esseri umani incameriamo esperienze e le arricchiamo di sensazioni e ricordi. In base a tutte queste informazioni, apprendiamo, ragioniamo e capiamo come agire, reagire o interagire con quello che ci circonda.
Ecco, l'obiettivo dell'AI è proprio di creare macchine in grado di imitare le capacità del comportamento e dell’intelligenza umana ma con l'alternativa che le nostre esperienze vengano tramutate in un'enorme mole di dati digitali.
Creare modelli computazionali capaci di astrarre e concretizzare questi dati per costruire un meta-apprendimento e meta-ragionamento non è tutt'oggi cosa semplice anche perché alcuni comportamenti del cervello umano restano completamente ignoti.
A causa di questa inadeguata capacità computazionale dei dispositivi, la comunità scientifica si trova oggi d'accordo a riconoscere il concetto di Intelligenza Artificiale suddivisa in due teorie distinte associandone a ciascuna una diversa Intelligenza: AI debole e forte.
Stato di fatto rispetto al traguardo tecnologico
Se quanto detto vi ha convito, dovrebbe risultare chiaro che l'AI, nel suo picco di sviluppo tecnologico, permetterebbe alle macchine di compiere le azioni tipiche dell’uomo:
agire in modo indistinto rispetto a un essere umano;
pensare risolvendo un problema con funzioni cognitive;
pensare razionalmente sfruttando la logica;
agire razionalmente avviando processi volti a ottenere il miglior risultato atteso in base alle informazioni a disposizione.
In realtà, allo stato attuale della ricerca, l'AI sviluppata non è pronta per essere paragonabile alla complessità cognitiva e alla versatilità delle reti neurali umane ma queste considerazioni sono di assoluta importanza perché permettono di classificare l’AI in AI debole e AI forte:
Intelligenza Artificiale debole (weak AI): la quale ritiene possibile sviluppare macchine in grado di risolvere problemi specifici senza avere però coscienza delle attività svolte. Rientrano in questa categoria tutti i programmi di problem-solving capaci di replicare alcuni ragionamenti logici umani per risolvere problemi, prendere decisioni o suggerire azioni partendo da una condizione di partenza nota. Sono quindi sistemi in grado di simulare alcune funzionalità cognitive dell’uomo senza tuttavia raggiungere le capacità intellettuali.
Intelligenza Artificiale forte (strong AI): la quale ritiene fattibile produrre sistemi complessi in grado di diventare sapienti e coscienti di sé. Il traguardo degli esperti è di sviluppare macchine di questo tipo in modo che abbiano una intelligenza propria acquisita attraverso stimoli ed esperienze con un proprio sviluppo delle capacità.
In altre parole, mentre l’AI debole è tipicamente orientata all’analisi e al processamento di dati per fornire risposte specifiche o eseguire compiti precisi, come il riconoscimento di immagini, con lo scopo di migliorare l’efficienza o l’accuratezza di un compito già definito, l’AI forte tende a rigenerarsi perchè punta a creare e modellare contenuti che non esistevano prima.
Come l'AI crea la sua esperienza
Ciò che caratterizza l’Intelligenza Artificiale nelle sue diverse forme e nelle sue diverse possibilità tecnologiche, è il metodo con cui l'intelligenza apprende e diventa abile in un compito o azione. Questi metodi si possono accorpare principalmente in due modelli di apprendimento e sono ciò che contraddistinguono i termini ormai noti del Machine Learning e Deep Learning.
Il machine learning o apprendimento automatico consente alle macchine di apprendere dall'acquisizione costante di dati e di migliorare le proprie performance nel tempo senza che vengano esplicitamente programmate per svolgere un compito specifico.
Questo tipo di approccio si basa su algoritmi che acquisiscono dati, li elaborano e li accorpano in cluster a seconda di quanto i parametri e variabili siano simili tra loro. La suddivisione in cluster identifica dei modelli di dati che vengono poi utilizzati dalla macchina stessa per fare previsioni o compiere determinate azioni.
L’apprendimento automatico è dunque un metodo che viene utilizzato per “educare” un algoritmo in modo che possa "alimentarsi" con i dati acquisiti in varie situazioni ambientali circostanti e che possa poi apprenderne l'azione conseguente, adattarsi e migliorarsi.
Il machine learning automatizza la costruzione del modello analitico applicando metodi di reti neurali, ricerche operative e modelli statistici sulla grande mole di dati acquisiti.
Un esempio classico di machine learning è rappresentato dai sistemi di visione artificiale che consiste nella capacità di un sistema computazionale di riconoscere oggetti acquisiti digitalmente da sensori di immagine. L’algoritmo impiegato in questi casi dovrà riconoscere determinati oggetti, distinguendoli tra animali, cose e persone, e nello stesso tempo, imparerà dalle situazioni per memorizzarle e renderle più efficaci durante le prossime acquisizioni.
Il deep learning, invece, è una sottocategoria del machine learning che utilizza reti neurali artificiali, ispirate al funzionamento del cervello umano, per analizzare ed elaborare ampie quantità di dati. Queste reti sono composte da strati di neuroni artificiali che apprendono rappresentazioni multiple e sempre più complesse dei dati generando una scala gerarchica di concetti equivalenti a vari livelli di astrazione. Il risultato di tale gerarchia è permettere di far compiere alle macchine compiti sofisticati come il riconoscimento fine di immagini o differenziare accenti nel linguaggio naturale. apprendono livelli di rappresentazione multipli che costituiscono una scala gerarchica di concetti equivalenti a vari livelli di astrazione.
Può sembrare un livello tecnologico futuristico ma questi sistemi sono già in uso nel riconoscimento di pattern, nel riconoscimento vocale o di immagini per svolgere azioni e previsioni accurate.
Con riferimento alle immagini precedenti, proviamo a descrivere alcuni esempi applicativi di AI che esulano dai classici esempi quali chatbot, assistenti vocali domestici, pubblicità di e-commerce o sistemi di cyber-sicurezza:
Non solo sostenibile. L'agricoltura intelligente con il supporto delle macchine Immaginiamo che l'Azienda Agricola che coltiva e commercializza pomodori faccia l'investimento per acquistare una macchina dotata di braccio meccanico in modo che possa intervenire a supporto delle attività agricole. Le logiche di machine learning implementate sulla macchina potrebbero essere tali da poter identificare la presenza di pomodori tra le foglie o i rami della pianta. Un'ulteriore complessità nel processo di rilevazione delle immagini potrebbe essere raggiunta integrando logiche di rilevamento dei pattern cromatici in modo che il braccio meccanico possa individuare quali pomodori abbiano raggiunto la loro piena colorazione. L'agricoltore verrebbe dunque avvisato per la veloce individuazione dei pomodori maturi per consentirgli la successiva raccolta. Immaginiamo ora quali capacità possano essere garantite dalle logiche del deep learining. Una volta individuato il pomodoro maturo, il braccio meccanico potrebbe valutare l'orientamento del pomodoro e individuare la corretta posizione del peduncolo. In questo caso, il braccio meccanico potrebbe recidere correttamente il pomodoro senza danneggiare la pianta circostante. Una volta completata la fase di raccolta, alla macchina si potrebbe assegnare la capacità di apprendere le caratteristiche rappresentative della pianta. Nello specifico, l'analisi ottica, cromatica, termica, densimetrica del pomodoro potrebbero rilevare eventuali sfumature di colorazione, irregolarità sulla superficie o punti di non completa maturazione e la macchina, comprendendo tali irregolarità, diventerebbe capace di valutare e differenziare questi prodotti. Immaginiamo che in base a quanto rilevato, il braccio meccanico possa porre i pomodori in raccoglitori diversi e associare a ciascuna di esse un prezzo e un cliente target diverso a secondo delle diverse esigenze dei consumatori o dei clienti dell'Azienda Agricola. A questo punto la macchina entrerebbe a far parte attivamente del ciclo di vita del pomodoro perchè dalla selezione arriverebbe persino all'individuazione del mercato più opportuno scegliendo il target di clientela.
Auto a guida autonoma, logiche complesse ma possibili Nonostante i sondaggi rivelino che la maggior parte dei conducenti non abbia intenzione di affidarsi ad auto con guida autonoma, molte ricerche e noti investitori stanno spingendo l'acceleratore su questa direzione tecnologica. Tuttavia, questo settore di sviluppo per l'Intelligenza Artificiale richiede più dati di addestramento e test a causa delle numerosi variabili di cui si deve tener conto, come dare il diritto di precedenza, presenza di pedoni, limiti, detriti o lavori lungo la strada. In tale tecnologia vige la completa sicurezza delle persone e quindi le reti neurali artificiali che si vanno a implementare devono essere necessariamente molto più complesse e articolate perché non si devono concedere margini di errore. Andando un po' più nello specifico, qui non parliamo delle note logiche di machine learning ormai presenti nella maggior parte delle auto come il Cruise Control, Park Assist, Lane Assist, Road Sign, sistemi AEB o molte altre funzionalità ma cerchiamo di ipotizzare alcune direzioni di ulteriore sviluppo. Immaginiamo che in un quartiere cittadino esista un centro di controllo che analizza e gestisce la viabilità e il traffico delle strade e che tale sistema sia dotato di logiche di machine learning. Come potrebbe supportare la viabilità? Acquisendo costantemente i dati sul traffico, impiegando le logiche di predittività, un primo sviluppo potrebbe riguardare la capacità di variare la temporizzazione semaforica in funzione delle fasce orarie. Potrebbe apprendere in quali giorni e ore ci sia maggior afflusso e adattare i tempi dei semafori in modo da agevolare il flusso dei veicoli nelle strade del quartiere cittadino. Immaginiamo però che, grazie alla capacità di rilevare le immagini, il sistema possa anche riconoscere la tipologia di veicoli sulle strade. In questo caso l'adattamento dei semafori non dipenderebbe solo dalla quantità di veicoli presenti in un preciso orario ma anche in funzione della tipologia di veicoli presenti (auto, moto, autocarri, furgoni, autobus, taxi, ecc.). Basti pensare all'emergenza di un'autoambulanza per la quale occorre necessariamente una viabilità fluida. In questo caso il sistema centrale dovrebbe valutare l'urgenza e dare priorità a tutta la linea di percorrenza del veicolo di soccorso. Ma cosa c'entra il sistema centrale di controllo del traffico con la guida autonoma? Di fatto può non c'entrare nulla se non ci fosse una "comunicazione" costante tra questo sistema e i veicoli stessi. Il navigatore di bordo, ad esempio, potrebbe dare e ricevere informazioni real-time al sistema centralizzato e, in funzione del traffico, valutare autonomamente quale strada percorrere in funzione del tipo di veicolo, dell'urgenza o degli impegni salvati nel calendario del conducente. Un altro possibile sviluppo per le logiche di deep learning potrebbero riguardare le "raccomandazioni contestuali" ovvero la capacità di considerare il contesto e prevedere il comportamento dell'elemento analizzato. In questo caso, sempre il veicolo nel traffico cittadino sarebbe in grado di analizzare la presenza di pedoni sul ciglio della strada analizzandone la postura, la direzione del passo e l'ambiente circostante che lo circonda. Il veicolo potrebbe conoscere l'intenzione del pedone e valutare anticipatamente se rallentare in moda da agevolarne l'attraversamento.
Marketing e pubblicità, l'immaginazione diventa realtà virtuale Immaginiamo di essere in un centro commerciale o in una piccola bottega di abbigliamento e accessori. Non sempre si ha tempo di provare tutto ciò che ci attrae, molte volte vorremmo qualcuno che ci dia un parere oppure, molto spesso, si è confusi tra acquisto compulsivo emozionale o di reale necessità. Sicuramente con il machine learning alcuni di questi problemi possono essere risolti perché specchi o pannelli a muro possono "rubare" i nostri visi e la nostra fisicità per emularci con i vestiti che abbiamo scelto. I cartelloni pubblicitari possono diventare dinamici attraverso logiche di deep learning che si basano sui sistemi di raccomandazione. Tali sistemi svolgono la funzione di filtrare e personalizzare in modo automatico le informazioni che maggiormente ci influenzano presentandocele in un modo completamente dinamico e integrato nella nostra vita quotidiana. Risulta essere uno strumento potentissimo in ambito di marketing e di pubblicità perché queste logiche ci possono mostrare ciò che vogliamo e viviamo. Ovviamente si possono differenziare quali siano le sorgenti di dati a cui le logiche di deep learning possono attingere e, principalmente, le categorie possono essere: Contenuti in base ai giudizi o valutazioni che altri utenti hanno dato nel breve periodo; Oggetti simili che storicamente sono stati identificati come interessanti, acquistati, vissuti, ecc.; Elementi basati su aspetti demografici della persona (età, sesso, residenza, studio, lavoro, ecc.; Contenuti sociali che amici, parenti, colleghi hanno suggerito o valutato come apprezzabili; Elementi legati all'emotività della persona, alle condizioni socio-politiche o all'ambiente in cui vive. Ma tornando alla nostra scelta degli abiti e accessori, immaginando di essere nei camerini del negozio, di essere alla fermata dell'autobus, alla stazione o lungo la via dei negozi della nostra città, il processo di raccomandazione del deep learning ci fornirebbe emulazioni con abiti che meglio ci si addicono. Il tutto potrebbe essere influenzato dallo stato d'animo, dallo stile, dalle abitudini o dagli ambienti tipicamente frequentati.Un'altra rete neurale artificiale che l'AI potrebbe applicare al nostro "noi virtuale" sono le logiche di riconoscimento vocale. Grazie a questa tecnologia ci potremmo vedere concretamente con l'abbigliamento virtuale e saremmo inseriti nel contesto per cui quel vestito sarebbe adatto (colloquio di lavoro, cena aziendale, attività sportiva, ecc.). Non ci sarebbe più alcuna indecisione perché tutto sarebbe emulato fisicamente e, addirittura, "emotivamente personalizzato".
Salute con diagnosi preventive e predittive L'applicazione dell'AI nel settore medico ha numerose aree di sviluppo e di supporto alla ricerca. Sia il machine learning che il deep learning possono avere impatti molto significativi negli studi clinici per identificare nuove opzioni terapeutiche o per identificare pazienti che potrebbero trarre maggior beneficio da un particolare trattamento. In molti casi, l'AI può facilitare la lettura delle cartelle cliniche grazie ad una visione chiara e veloce della storia clinica e delle condizioni attuali suggerendo trattamenti personalizzati più efficaci. Abbiamo visto come le logiche di AI sfruttano una grandissima mole di dati quindi è facile pensare che gli algoritmi di deep learning possano analizzare le cartelle cliniche valutando persino modelli e casistiche complesse della società che, apparentemente, non risultano direttamente correlate con il paziente. Un'altra area cruciale è nello sviluppo farmacologico perché grazie alla grande capacità degli algoritmi dell'Intelligent Data Processing, l'AI è in grado di anticipare come una molecola interagirà con bersagli specifici nel corpo umano, le sue caratteristiche farmacocinetiche e il profilo tossicologico, fornendo informazioni cruciali per identificare nuovi bersagli farmacologici. Nel campo chirurgico, vi è l'ormai quasi scontato utilizzo di robot dotati di logiche di AI per eseguire procedure chirurgiche complesse con assoluta precisione e accuratezza. In questo caso, basti pensare che i robot, non avendo bisogno di un tempo di riposo tra un'operazione e l'altra, consentono di eseguire un maggior numero di operazioni nell'arco della giornata con una conseguente accelerazione nei tempi di attesa. In aggiunta, gli algoritmi di intelligenza artificiale possono analizzare immagini mediche come risonanze magnetiche, radiografie e TAC per aiutare i medici a rilevare e diagnosticare malattie come cancro, patologie cardiache, disturbi neurologici o stadi d'impoverimento del tessuto cartilagineo e osseo. Adottando flussi di lavoro digitali basati sugli standard universali per l'archiviazione delle immagini (PACS, RIS e DICOM), la Radiologia, rispetto agli altri campi della medicina, è in una posizione favorevole per adottare algoritmi applicativi di AI. In questo settore, infatti, il machine learning sta migliorando notevolmente l'elaborazione delle immagini radiologiche ottenendo immagini nitide e prive di rumore con contrasto e brillantezza a livelli ottimali. Un grande pregio per il machine learning se si pensa che tali risultati di alta qualità e affidabilità si raggiungono nonostante si tenda a ridurre l'emissione della dose di raggi-X. Si ha quindi una tecnologia che pone sempre di più il paziente al centro per garantirne maggiore sicurezza e benessere. Inoltre, anche per i tecnici di radiologia, sempre di più i sistemi e le apparecchiature mediche sono gestite da applicativi software che offrono processi guidati al fine di una più facile e sicura impostazione dei parametri, movimentazione meccanica o per suggerire il posizionamento adeguato del paziente. Oggigiorno si stanno investendo tempo e denaro anche per implementare logiche di deep learning con le quali ci si spinge sempre di più verso la predittività. Tra queste innumerevoli possibilità, forse il traguardo più ambito è quello di riuscire a rilevare, localizzare e classificare condizioni di rischio per poter intervenire preventivamente limitandone lo sviluppo. Reti neurali artificiali di questo tipo sono decisamente complesse e delicate perché potrebbero possedere capacità interpretative superiori a quelle di operatori esperti e in grado di predire esiti clinici tramite biomarkers digitali. Insomma, velocità ed efficienza migliorate nell'analisi delle immagini, medicina e farmacologia personalizzate, individuazione e prevenzione precoci delle malattie, diagnostica remota e telemedicina sono solo alcune delle potenzialità e sviluppi che si possono raggiungere con l'impiego dell'Intelligenza Artificiale nel settore medico.
Linee Guida e Criterio imprescindibile
Innumerevoli sono le applicazioni e le opportunità generate dall’intelligenza artificiale. Viene sempre più utilizzata nell’ambito dei processi gestionali, decisionali, pubblicitari, tecnologici o d'intrattenimento. Nonostante i rilevanti benefici per la società e le aziende, in tutti gli esempi che abbiamo visto è comprensibile come l’utilizzo dell’AI ponga importanti questioni, non solo sul piano etico, ma anche dal punto di vista della cybersicurezza e della privacy.
Sempre più dati vengono acquisiti ed elaborati in formato digitale per essere storicizzati alimentando le complesse reti neurali dell'Intelligenza Artificiale. Come descritto negli esempi precedenti, non sempre si parla di dati di processo o di set-up della macchina perché, in alcuni casi, si trattano dati personali, privati e di estrema delicatezza e sensibilità. Per tali motivi è di estrema importanza continuare a svolgere ricerche approfondite per uno sviluppo tecnologico dei sistemi di AI ma tale sviluppo deve garantire affidabilità, lealtà e rispetto etico-sociale.
Lo sviluppo virtuoso che l'AI deve avere si fonda sul "dogma" che “non si deve perdere di vista la centralità dell’essere umano” né deve sostituirlo nelle attività o professioni che svolge.
Tale significato è talmente complesso e importante che molte iniziative nazionali, europee ed extraeuropee si sono orientate a dover affrontare il tema di sviluppo tecnologico dell'AI e a doverlo regolamentare. La principale iniziativa è conosciuta come "Trustworthy Artificial Intelligence".
Rivolgendo l'attenzione sugli argomenti quali sicurezza, riservatezza e privacy dei dati e del materiale informatico, sono di particolare interesse le Linee Guida Etiche sull’intelligenza artificiale stilate il giorno 8 aprile 2019 dal Gruppo di 52 Esperti (tra cui cittadini, istituzioni e ricercatori) della Commissione Europea. Ecco di seguito i sette requisiti imprescindibili emanati dalla UE a cui ogni sistema di Intelligenza Artificiale dovrà rispondere nei prossimi anni. Inoltre, per dare solidità a questi sette requisiti, a ciascuno di essi è stato associato un'insieme dettagliato di elementi di valutazione finalizzato proprio a verificarne l’applicazione.
Dignità e supervisione umana: Le logiche di AI devono consentire l'adozione di un approccio con intervento umano (“human-in-the-loop”), con supervisione umana (“human-on-the-loop”) o con controllo umano (“human-in-command”)
Robustezza e sicurezza: I sistemi con AI devono essere in grado di affrontare autonomamente eventuali errori o incoerenze durante le varie fasi del ciclo di vita e deve essere scarsamente vulnerabile ad attacchi esterni.
Privacy e governance dei dati: I cittadini devono avere il pieno controllo sui propri dati, e i dati che li riguardano non dovrebbero essere utilizzati per danneggiarli o discriminarli.
Trasparenza: Gli algoritmi devono essere accessibili a terzi e gli umani devono avere la possibilità di "seguire e tracciare" le decisioni fatte dal software.
Diversità, non discriminazione ed equità: Per evitare che i sistemi di Intelligenza Artificiale vengano influenzati da condizionamenti involontari, gli stessi sistemi devono avere logiche fondate sull'intera gamma delle abilità e capacità umane, assicurando l'accessibilità a tutte le età, a tutti i generi, a tutte le razze.
Benessere sociale e ambientale: I sistemi di Intelligenza Artificiale dovrebbero essere utilizzati per abilitare un cambiamento positivo nella società, aumentando la sostenibilità e la responsabilità ecologica.
Responsabilità e consapevolezza: I potenziali impatti negativi dei sistemi di IA devono essere individuati, valutati, documentati e ridotti al minimo prima del loro utilizzo e integrazione nei sistemi di vita quotidiana e di processo. Proprio su quest’ultimo punto la Commissaria UE pone particolare accento sottolineando che “Un soggetto deve sempre sapere quando si trova di fronte a una macchina e non a un essere umano. I sistemi di IA devono essere riconoscibili “.
È chiaro che i requisiti della UE sono piuttosto astratti e soggettivi. Basti pensare al Criterio n°6 che parla di sostenibilità e benessere. Rispetto a cosa? Rispetto a chi? Chi stabilisce il cambiamento più "positivo" o meno?
Oltre a questi aspetti ci sono anche temi piuttosto interessanti e decisamente più oggettivi: ad esempio, la UE propone in maniera evidente la supervisione dei sistemi da parte dei governi, la condivisione dei dati e delle modalità di training dei sistemi, il monitoraggio umano e la tracciabilità delle logiche. Il tutto per combattere l'insorgere di sistemi automatizzati potenzialmente di parte. Rimane comunque chiaro che ci sono ancora ampi margini di miglioramento e di necessaria protezione e tutela dell'essere umano e dei dati sensibili e privati che lo riguardano.
Il 2023 è stato l’anno in cui l'Intelligenza Artificiale ha segnato una significativa e collettiva diffusione nei più svariati ambiti del sociale. Si delineano nuove prospettive e pressanti interrogativi. Basta considerare che la progressione degli investimenti globali sull’IA prevede per il 2024 investimenti per circa 300 milioni di dollari e oltre 420 per il 2025. Per il 2030, ben 1900 miliardi di dollari. Un trend che ovviamente sembra essere sotto i riflettori di molti investitori.
La ricerca deve avanzare e la tecnologia deve crescere. L'Intelligenza Artificiale non è bene né male ma richiede, prima di tutto, di rispettare in modo oggettivo i criteri etici per lo sviluppo sociale ed economico.
