Intelligenza artificiale, sì ma cosa si intende per intelligenza?

Mettere in discussione la nostra comprensione dell'intelligenza e di come un sistema simile "intelligente" possa essere creato utilizzando l'intelligenza artificiale.

Fornire una definizione formale di intelligenza può essere un compito piuttosto arduo. Finora, infatti, non è stato raggiunto alcun accordo comune su questo argomento. Dall’inizio della storia umana, sono state proposte diverse definizioni di intelligenza e queste variavano a seconda del tempo storico e della cultura. Ad esempio, in una società in cui le abilità linguistiche e comunicative giocano un ruolo importante, un individuo a cui sono state donate queste abilità potrebbe essere riconosciuto come “più intelligente” di altri. Contemporaneamente, in una società nella quale sono le abilità numeriche ad essere valutate “superiori”, solo gli individui con tali capacità potrebbero essere considerati “più intelligenti”.

A dimostrazione di questa tendenza si può considerare che nel recente passato (fino al 1960 circa) era necessario conoscere il latino per essere ammessi in alcune Università (anche per corsi tecnici) mentre oggi non è più riconosciuto come prerequisito. Questo cambiamento potrebbe essere avvenuto poiché la società ha spostato il suo interesse dalle materie umanistiche a materie più tecniche, a causa delle recenti innovazioni tecnologiche.

Ma questo è un corretto sistema di misurazione dell’intelligenza?

A causa di queste discrepanze nella misurazione dell’intelligenza umana, sono stati creati test standardizzati come il test del quoziente intelligente (QI). Questi tipi di test sono ad esempio comunemente usati oggigiorno per valutare i candidati a un lavoro e rilevare disabilità intellettive.

L’inizio dell’intelligenza artificiale

L’Alan Turing Imitation Game è oggi considerato uno dei primi tentativi di definire un sistema intelligente. Secondo il gioco dell’imitazione (Test di Turing) infatti, un sistema può essere considerato intelligente se in grado di scambiare messaggi con un interrogante senza fargli capire la sua natura non umana. Questa definizione di sistema intelligente presenta alcune limitazioni poiché, ad esempio, presuppone che il sistema debba essere in grado di esprimere una forma di intelligenza simile a quella umana, anche se l’intelligenza umana non è teoricamente l’unica forma possibile di un sistema intelligente.

Dal Test di Turing in poi, si sviluppano due diversi approcci per cercare di ricreare sistemi intelligenti: il simbolismo (che enfatizza l’uso di una logica formale) e il connettivismo (che mira a riprodurre le capacità intellettuali utilizzando un modello semplificato delle funzionalità cerebrali).

Grazie all’approccio simbolico sono stati realizzati progetti come Shakey the robot, mentre grazie all’approccio connettivista sono stati costruiti Artificial Neural Networks e modelli di Deep Learning (Figura 1). Uno dei primi esempi di successo di un sistema in grado di esprimere un comportamento intelligente è il programma di gioco della dama di Arthur Samuel. Questo programma è stato infatti in grado di imparare con successo a giocare a un buon livello il gioco della dama utilizzando la ricerca euristica (algoritmo Mini-Max). Samuel ha inoltre incluso diverse funzionalità per addestrare il suo programma che assomiglia in una certa misura a un primo approccio all’apprendimento per rinforzo. In effetti, il programma è stato in grado di giocare con successo contro se stesso e imparare dai suoi errori passati per apportare miglioramenti.

Sequenza temporale dell'intelligenza artificiale
Figura 1: sequenza temporale dell’intelligenza artificiale

Intelligenza, una prospettiva biologica

Fino all’inizio degli anni ’80, gli scienziati cercavano di creare macchine intelligenti utilizzando un approccio dall’alto verso il basso (ad esempio, cercando di imitare direttamente comportamenti di sistemi complessi come quelli degli esseri umani). Tuttavia, questo approccio ha portato a varie limitazioni come:

  • tempi di reazione lenti in ambienti mutevoli;
  • capacità limitata di ridimensionare adeguatamente le abilità aumentando la difficoltà della sfida;
  • necessità di requisiti di memoria elevati quando si tenta di risolvere un problema tramite la ricerca o il recupero di informazioni da una tabella di ricerca sostanzialmente grande.

Un approccio alternativo (come sostenuto da Brooks) potrebbe essere quello di provare invece a imitare le caratteristiche chiave di organismi biologici semplici (approccio dal basso verso l’alto). In questo modo, il sistema di intelligenza non avrebbe bisogno di avere alcun sistema gerarchico e potrebbe essere in grado di garantire tempi di reazione più rapidi in ambienti mutevoli (come la maggior parte degli ambienti nel mondo reale in realtà sono). Infine, un altro modo possibile per creare sistemi intelligenti ispirati dalla biologia, non solo quindi all’intelligenza umana, sono gli algoritmi evolutivi (algoritmi euristici che si ispira al principio di evoluzione degli esseri viventi).

Nell’ultimo secolo, molte implementazioni connettiviste e simboliche dei sistemi di Intelligenza Artificiale (AI) sono state implementate nella speranza di creare sistemi intelligenti. Tuttavia, ancora oggi non possiamo essere sicuri se utilizzando uno (o entrambi) di questi due approcci sia davvero possibile creare un sistema di IA forte.

Un approccio di rinforzo e apprendimento online potrebbe fornire il miglior modo possibile per affrontare tale compito. In effetti, questo può essere considerato l’approccio più vicino in grado di imitare il modo in cui i sistemi biologici apprendono:

  • attraverso le loro esperienze passate (utilizzando un meccanismo di ricompensa / punizione);
  • continuamente, considerando uno stimolo (o un piccolo campione) alla volta (a differenza dei Sistemi di Deep Learning che vengono addestrati tutti in una volta e con enormi quantità di dati).

Contatti

Se vuoi tenerti aggiornato con gli ultimi articoli ed i progetti di Pier Paolo,  seguilo su Medium e iscriviti alla sua mailing list

Default image
Pier Paolo Ippolito
Data Scientist e studente dell'ultimo anno di Master in Intelligenza Artificiale presso l'Università di Southampton. Ha un forte interesse per i progressi dell'IA e le applicazioni di machine learning (come finanza e medicina). Pier Paolo è anche un autore, scrive per Towards Data Science e collabora con Kaggle.

Newsletter Updates

Enter your email address below to subscribe to our newsletter