L'intelligenza Artificiale Neuro-Simbolica integra le reti neurali, eccellenti nell'apprendimento da grandi set di dati, con l'IA simbolica, capace di ragionamento avanzato e manipolazione di simboli. Questa fusione mira a superare le limitazioni esistenti, creando sistemi AI più potenti, versatili e simili al ragionamento umano

Il mondo dell’IA è in continua evoluzione. Uno dei paradigmi sui quali si sta concentrando l’attenzione dei ricercatori è l’Intelligenza Artificiale Neuro-Simbolica. Si tratta di un approccio diverso all’Intelligenza Artificiale che di fatto unisce da un lato le architetture di AI neurale con quelle di AI simbolica, sfruttando i punti di forza di ciascuna, con l’obiettivo di superarne anche le debolezze.

Le reti neurali, in effetti, hanno il loro punto di eccellenza in particolare nell’apprendimento dai dati, mentre l’IA simbolica si concentra sull’elaborazione e la manipolazione di simboli o concetti, piuttosto che su dati numerici: l’obiettivo cui tendono i ricercatori è sbloccare nuovi livelli di comprensione, capacità e adattabilità nei sistemi di IA, combinando modelli statistici con regole e conoscenze definite esplicitamente, per dare ai sistemi di intelligenza artificiale la capacità di rappresentare, ragionare e generalizzare meglio i concetti.

---

Takeaway

---

Verso l’intelligenza Artificiale Neuro-Simbolica

La necessità di un approccio all’intelligenza Artificiale Neuro-Simbolica è ben spiegata da Gary Marcus, psicologo, scienziato cognitivo e autore americano, noto per le sue ricerche sull’intersezione tra psicologia cognitiva, neuroscienze e intelligenza artificiale, professore emerito di psicologia e scienze neurali alla New York University.

Già nel 2020, Marcus sottolineava come la ricerca nell’ambito dell’IA e dell’apprendimento automatico si fosse concentrata sull’apprendimento per scopi generici, utilizzando set dati per l’addestramento sempre più grandi, richiedendo un numero sempre maggiore di calcoli. Nella visione di Marcus, serve dunque un approccio diverso, ibrido, basato sulla conoscenza e sul ragionamento, incentrato su modelli cognitivi, che potrebbe fornire il substrato per un’intelligenza artificiale più ricca e robusta di quella attualmente possibile. Un triumvirato di architettura ibrida, ricca conoscenza pregressa e tecniche sofisticate di ragionamento, lo definisce, spiegando:

Chiamiamo questo nuovo livello intelligenza artificiale robusta: un’intelligenza che , pur non essendo necessariamente sovrumana o auto-migliorante, può essere in grado di applicare ciò che sa a un’ampia gamma di problemi in modo sistematico e affidabile, sintetizzando la conoscenza da una varietà di fonti in modo tale da poter ragionare in modo flessibile e dinamico sul mondo, trasferendo ciò che impara in un contesto a un altro, nel modo in cui ci aspetteremmo da un adulto normale. In un certo senso, si tratta di un obiettivo modesto, né ambizioso né illimitato come quello dell'”intelligenza generale artificiale” o “sovrumana”, ma forse è comunque un passo importante, auspicabilmente realizzabile, lungo il cammino – e vitale, se vogliamo creare un’intelligenza artificiale di cui ci si possa fidare, nelle nostre case, sulle nostre strade, nei nostri studi medici e ospedali, nelle nostre aziende e nelle nostre comunità.

Le basi dell’AI neuro-simbolica

Due sono i pilastri sui quali si sviluppa la neuro-symbolic AI: le reti neurali, che apprendono modelli dai dati, e l’AI simbolica, che utilizza regole e logiche predefinite per prendere decisioni.

Le reti neurali

Le reti neurali sono di fatto un modello di Machine Learning progettato per imitare la funzione e la struttura del cervello umano. Consistono in strati di nodi interconnessi (o “neuroni”) che possono imparare dai dati e collaborano per affrontare problemi complessi. Sono particolarmente adatte a gestire dati non strutturati come immagini, suoni e testi e sono alla base del cosiddetto deep learning. Le reti neurali eccellono nel riconoscimento dei modelli e possono fare previsioni o classificazioni basate su esempi passati.

In una rete neurale, i processori operano in parallelo e sono disposti in livelli o strati. Il primo livello, analogo ai nervi ottici nell’elaborazione visiva umana, riceve le informazioni grezze in ingresso. Ogni livello successivo riceve l’output del livello precedente, anziché l’input grezzo, allo stesso modo in cui i neuroni più lontani dal nervo ottico ricevono i segnali da quelli più vicini. L’ultimo livello produce l’output del sistema.

AI simbolica

La Symbolic AI è un sottocampo dell’IA che si concentra sull’elaborazione e la manipolazione di simboli o concetti, piuttosto che di dati numerici, con l’obiettivo di dar vita a sistemi intelligenti in grado di ragionare e pensare come gli esseri umani, rappresentando e manipolando la conoscenza e il ragionamento sulla base di regole logiche: regole e assiomi vengono utilizzati per fare inferenze e deduzioni.

Ecco dunque che la neuro-symbolic AI ha l’obiettivo di prendere il meglio di entrambi i mondi (vale a dire il riconoscimento dei modelli e le capacità di apprendimento delle reti neurali e il ragionamento strutturato e l’interpretabilità dell’IA simbolica) creare sistemi in grado di apprendere dai dati e di ragionare in modo simile a quello umano. Ciò potrebbe portare a un’IA più potente e versatile, in grado di affrontare compiti complessi che attualmente richiedono l’intelligenza umana e di farlo in modo più trasparente e spiegabile rispetto alle sole reti neurali.

IBM, che sta investendo in modo molto importante in questo ambito di ricerca, definisce l’IA neuro-simbolica come “un percorso per raggiungere l’intelligenza artificiale generale. Aumentando e combinando i punti di forza dell’IA statistica, come l’apprendimento automatico, con le capacità di conoscenza e ragionamento simbolico simile a quello umano, puntiamo a creare una rivoluzione nell’IA, piuttosto che un’evoluzione”. 

Va tuttavia chiarito che la combinazione dei due pilastri portanti può avvenire in modi diversi e non vi è al momento una visione univoca o dominante su come questo possa avvenire.

Al momento si stanno esplorando diverse strategie. Ad esempio, uno strato superiore composto da simboli familiari può aiutare a fornire risultati come spiegazioni più comprensibili. Questo design promuove anche la “composizionalità”, che consente la creazione sistematica di moduli da componenti più piccoli, con cui le reti neurali pure spesso hanno difficoltà. In alternativa, una rete neurale può anche essere costruita su un circuito di controllo tradizionale che fornisce i suoi input. Il circuito agisce come un regolatore che limita il problema di ricerca per la rete neurale.

IBM, ad esempio, si è concentrata su un’architettura che chiama reti neurali logiche, in cui non c’è differenziazione tra la parte neurale e quella simbolica. Invece di utilizzare regole pre-impostate, si possono allenare e possono imparare nuove regole.

Diversi approcci all’intelligenza Artificiale Neuro-Simbolica

In mancanza di un approccio univoco, sono molti a fare riferimento alla tassonomia elaborata da Henry Kautz, Professore Emerito dell’Università di Rochester, fondatore dell’Institute for Data Science dell’ateneo. Kautz fa riferimento a una serie di modelli, tra i quali:

• Symbolic Neural symbolic
  In questo caso gli input e gli output sono presentati in forma simbolica, ma tutta l’elaborazione effettiva è neurale. Questa, nelle sue parole, è la “procedura operativa standard” quando gli input e gli output sono simbolici. Ne sono un esempio gli LLM BERT, RoBERTa e GPT-3.
• Symbolic[Neural] 
  in questo caso le tecniche simboliche sono utilizzate per invocare le tecniche neurali. Parliamo di una subroutine di riconoscimento neurale di pattern all’interno di un risolutore di problemi simbolici. Esempi di questo modello sono AlphaGo, AlphaZero (algoritmo di intelligenza artificiale basato su tecniche di apprendimento automatico sviluppato da Google DeepMind) e gli attuali approcci alle auto a guida autonoma.
• Neural | Symbolic
  utilizza un’architettura neurale a cascata per interpretare i dati percettivi come simboli e relazioni su cui ragionare simbolicamente.
• Neural: Symbolic → Neural 
  si basa sul ragionamento simbolico per generare o etichettare i dati di addestramento che vengono successivamente appresi da un modello di deep learning.
• Neural_{Symbolic} 
  In questo caso si utilizza una rete neurale generata da regole simboliche.
• Neural[Symbolic] 
  consente a un modello neurale di effettuare direttamente una chiamata a un motore di ragionamento simbolico, ad esempio per eseguire un’azione o valutare uno stato. Il ragionamento simbolico viene embeddato all’interno di un motore neurale

Quali le prospettive di utilizzo della Intelligenza Artificiale neuro-simbolica

L’idea alla base delle ricerche in questo campo è che i sistemi di neuro-symbolic AI possano in futuro comprendere e interagire con il mondo in un modo molto più simile a quello degli esseri umani.
Così, il sistema potrebbe imparare a riconoscere gli oggetti nelle immagini, applicando così capacità tipiche delle reti neurali, inferendo sugli oggetti, sfruttando quindi capacità tipiche dell’IA simbolica.
Questo porterebbe portare allo sviluppo di soluzioni e applicazioni di IA più sofisticate, come robot in grado di navigare in ambienti complessi o assistenti virtuali in grado di comprendere e rispondere a domande in linguaggio naturale in modo più simile a quello umano.

Glimpses of Futures

Anche se siamo di fronte a un ambito di ricerca relativamente nuovo, è chiaro che già se ne intravedono opportunità e obiettivi. Cerchiamo di analizzarli avvalendoci della matrice STEPS (Social, Technological, Economic, Political, Sustainability).

S – SOCIAL: Secondo uno studio pubblicato dall’Università di Shanghai, in termini di valore pratico, l’IA neuro-simbolica si è dimostrata utile nella ricerca empirica nel campo delle scienze umane e sociali. Ciononostante, il rapporto l’AI neuro-simbolica e i metodi qualitativi classici che attribuiscono importanza all’interpretazione del testo non deve essere inteso come antagonista o sostitutivo, ma dovrebbe essere complementare e di reciproco supporto. La ricerca di risultati accurati attraverso le sole metodologie empiriche potrebbe non riuscire a comprendere veramente le questioni umane e sociali nel loro complesso.

T – TECHNOLOGICAL: Dal punto di vista prettamente tecnologico, l’intelligenza artificiale neuro-simbolica è in grado di generalizzare da un numero inferiore di esempi rispetto ai modelli tradizionali di apprendimento profondo. Questo perché il ragionamento simbolico può catturare concetti di alto livello da dati scarsi. Di conseguenza, può essere più efficiente in termini di dati rispetto alle reti neurali tradizionali. Sebbene questi progressi segnino passi significativi verso la replica delle capacità di ragionamento umane, le attuali iterazioni di sistemi di IA neuro-simbolica non sono ancora in grado di risolvere problemi matematici più avanzati e astratti.

E – ECONOMIC: Dal punto di vista dei settori economici impattati dalla AI neuro-simbolica, in ambito sanitario o finanziario, la neuro-symbolic AI aiuta a rendere più trasparenti i processi decisionali.
Inoltre, rispetto ai “tradizionali” modelli di deep learning, che richiedono enormi set di dati, con la neuro-symbolic AI i processi decisionali possono essere eseguiti con un minor numero di dati, sfruttando per l’appunto il ragionamento simbolico. E proprio la struttura simbolica della neuro-symbolic AI consente di adattare gli agenti a nuovi scenari, senza dover riqualificare completamente il modello.

P – POLITICAL: Le aspettative rispetto alla neuro-symbolic AI guardano tutte allo sviluppo di macchine del futuro, sistemi autonomi in grado di svolgere compiti senza input esterni, di grande importanza in situazioni critiche come disastri naturali o incidenti industriali. Restano considerazioni etiche e considerazioni rispetto all’effettiva possibilità che questi sviluppi siano alla portata di tutti, in un’ottica di inclusione.

S – SUSTAINABILITY: Dal punto di vista della sostenibilità, anche per l’AI neuro-simbolica valgono alcune delle considerazioni più comuni applicate all’Intelligenza Artificiale: utile a supporto di iniziative di gestione dei rifiuti o dell’inquinamento; capacità predittive per eventi estremi; analisi di dettaglio su animali e ambienti per migliorare la biodiversità e gli sforzi di conservazione; aiuto nella riduzione delle emissioni di gas serra. Il contraltare di queste considerazioni è rappresentato dall’impatto sui consumi energetici e sulla produzione di rifiuti elettronici.