a
a
HomeCAPIRE LA FINANZAFINTECHIntelligenza Artificiale, le parole chiave per saperne di più

Intelligenza Artificiale, le parole chiave per saperne di più

Quali sono i termini più usati nel mondo dell'Intelligenza Artificiale?

Poco più di un anno fa, la società di ricerca e consulenza Gartner diffuse un report nel quale riferiva che, a suo avviso, il valore del business globale derivato dall’Intelligenza Artificiale (anche nota come Artificial Intelligence, o AI) sarà sui 3.900 miliardi di dollari nel 2022.

 

Previsione del valore del business globale derivato dall’AI

2017 2018 2019 2020 2021 2022
Valore in miliardi di dollari USA 692 1.175 1.901 2.649 3.346 3.923
Tasso di crescita % 70% 62% 39% 26% 17%


Fonte: Gartner (aprile 2018)1

 

La crescita, spiegava Gartner, mostra la curva a S tipica di una tecnologia emergente: come si vede dalla tabella, infatti, il tasso d’incremento è destinato a rallentare progressivamente. Dopo il 2020, insomma, la curva si appiattirà e l’aumento nel corso degli anni successivi sarà più contenuto.

Tutto molto interessante. Ma cos’è – o meglio, cosa si intende oggi – per “Intelligenza Artificiale”? Cerchiamo di capirci qualcosa di più scomponendo e riproponendo una guida curata da Tom Taulli e recentemente pubblicata da Forbes.com2.

 

Alle radici dell’Intelligenza Artificiale

“Un computer merita d’essere definito intelligente se può ingannare un uomo, facendogli credere di essere umano”. L’annotazione è di Alan Turing, uno dei padri nobili dell’Intelligenza Artificiale.

Taulli ci ricorda che nel 1956 – due anni dopo la sua morte – l’informatico statunitense John McCarthy organizzò un progetto di ricerca di 10 settimane presso la Dartmouth University incentrato su questo concetto, allora nuovissimo. Un progetto che coinvolse molti nomi destinati a diventare leggendari in questo campo, come Marvin Lee Minsky.

La suggestiva espressione “Intelligenza Artificiale” ha avuto in seguito grande fortuna, per quanto non siano mai mancate le obiezioni. Basta davvero a descrivere tutto il complesso universo tecnologico che comprende? Non c’era per caso un modo migliore per dirlo? Se c’era, fa notare Taulli, nessuno finora l’ha trovato. E, quindi, AI era e AI è rimasta.

 

Le parole chiave dell’AI

Nel tempo si sono aggiunti altri termini e formule, che però sono abbastanza inaccessibili ai profani. Ecco allora che, ispirandoci al lavoro di Taulli pubblicato da Forbes.com, abbiamo deciso di riproporvi una panoramica di quelli attualmente più diffusi, cercando di capire una buona volta cosa esattamente vogliano dire.

 

Algoritmo

Qui si intende una serie di calcoli, dal più semplice al più complesso. Il Machine Learning (che vedremo tra poco) utilizza algoritmi per elaborare i dati e scoprirne le regole implicite, per codificarle in un “modello” utile a elaborare i dati successivi.

 

Backpropagation

Gli algoritmi di backpropagation consentono a una rete neurale di imparare dai suoi errori: procedendo a ritroso, dal risultato finale alla previsione iniziale, analizzano il margine di errore delle varie fasi, per migliorare via via le operazioni successive.

 

Bias

Le macchine sono sempre così precise, oggettive, coerenti. O no? No: spesso soffrono degli stessi pregiudizi inconsci degli esseri umani che le hanno realizzate. Ecco perché è fondamentale evitare che i bias umani finiscano involontariamente nell’algoritmo. La colpa generalmente è dei dati che alimentano l’algoritmo.

Taulli fa a riguardo un esempio molto interessante. Un’azienda sta cercando una figura professionale per coprire una posizione vacante. Arrivano 100 curriculum femminili e 300 maschili. Inserisce quindi i dati nel “cervellone” artificiale e gli chiede qual è la persona migliore per quel tipo di lavoro.

Ed è qui che scatta il bias: essendo i candidati uomini tre volte tanti rispetto alle donne, giocoforza verranno fuori più nomi maschili che femminili. Occorre allora “normalizzare” i dati correggendo il “pregiudizio”.

 

Chatbot

Una delle più popolari applicazioni dell’AI, che dopo aver imparato dai dati (e spesso dalle persone) è in grado di dare risposte automatiche, continuando a imparare da nuove situazioni. Esempi: Alexa, Siri, eccetera.

 

Data Analytics

È il processo di analisi dei dati attraverso l’uso di tutte le tecniche disponibili, in primis quelle fornite dalla Data Science, oltre che dalla Business Intelligence. Ed è il campo in cui si muove Virtual B, società proprietaria di AdviseOnly.

 

 

Data Science

È il processo che porta a utilizzare dati, Computer Science, algoritmi di Machine Learning per modellizzare situazioni e risolvere problemi.

 

Deep Learning

Forma specializzata di Machine Learning basata su reti neurali particolarmente stratificate e complesse, tanto da emulare le capacità cognitive della mente umana.

 

Explainability

Il software basato sull’intelligenza artificiale non deve solo funzionare bene: deve anche essere spiegabile. E ciò vale anche per i suoi errori.

Che vuol dire? Che io devo essere messo/a nelle condizioni di capire perché un sistema basato sull’AI rifiuta l’addebito sulla mia carta di credito identificandolo come frode o perché confonde il lato di un camion con un cielo nuvoloso.

Naturalmente, la “spiegabilità” è essenziale affinché nei consumatori si possa innescare la necessaria fiducia verso l’Intelligenza Artificiale.

 

Machine Learning

Anni fa, il programmatore impostava una sequenza di istruzioni che dicevano al computer cosa fare passo dopo passo. Vi ricordate i tempi antichi dell’“if-then-else”?

Come sa bene la già citata Virtual B, il Machine Learning è un paradigma della programmazione del tutto diverso: il programmatore non istruisce il computer a svolgere un certo compito secondo una certa sequenza, ma “insegna” alla macchina a utilizzare i dati (quindi l’“esperienza”) per migliorare con calcoli successivi la performance del sistema.

Esistono tre grandi categorie di “apprendimento automatico”.

  • Supervisionato (Supervised): la macchina osserva una serie di casi (“c’è il sole e fa caldo”) e i loro risultati (“Mario andrà in spiaggia”) e apprende le regole per poter prevedere i risultati di future situazioni analoghe (se in passato Mario è andato in spiaggia quando c’era bel tempo, la macchina prevede che in futuro molto probabilmente andrà in spiaggia ogni volta che c’è bel tempo).
  • Non supervisionato (Unsupervised): la macchina osserva una serie di casi e impara a riconoscere strutture interne ai dati, ad esempio i “cluster”, cioè insiemi con caratteristiche simili. Finirà così con l’apprendere che “c’è il sole e fa caldo” è diverso da “piove e fa freddo”.
  • Di rinforzo (Reinforcement Learning): la macchina riceve un riscontro sulle sue operazioni e apprende e migliora per prove ed errori. Esempio: se la macchina sta cercando di aiutare Mario a evitare di andare in spiaggia quando piove e fa freddo, potrebbe imparare a suggerirgli quando fare la sua gita al mare attraverso i feedback positivi e negativi del nostro buon Mario.

 

NLP (Natural Language Processing)

Il campo dell’elaborazione del linguaggio naturale coniuga Machine Learning e analisi delle strutture del linguaggio con l’obiettivo di insegnare alle macchine a comprendere ed elaborare il linguaggio umano nelle sue varie forme.

Una sfida, questa, che risale all’avvento dell’Intelligenza Artificiale stessa. A renderla difficilissima è la natura stessa del linguaggio umano, che si è evoluto nel corso di millenni e che continua a evolversi. Ma anche il NLP negli ultimi anni ha fatto passi da gigante.

 

Reti neurali

Le reti neurali (Neural Networks) sono costrutti matematici che imitano la struttura del cervello umano utilizzata per sintetizzare informazioni complesse in quelli che per noi diventano pochi semplici passaggi (tipo quando allunghiamo un braccio per afferrare una matita o una penna).

Negli ultimi cinque anni la stratificazione di queste reti ha registrato enormi progressi che hanno portato alla nascita del Deep Learning, favoriti dalla crescente disponibilità di potenza di calcolo per addestrarle.

 



1 – Gartner
2 – AI (Artificial Intelligence) Words You Need To Know, fonte: Forbes

Tag Articolo
Scritto da

Nata a Rieti, gli studi universitari a Roma, lavora a Milano dal 2007. Dopo un'esperienza di quattro anni in Class CNBC, canale televisivo di economia e finanza del gruppo Class Editori, si è spostata in Blue Financial Communication, casa editrice specializzata nei temi dell'asset management e della consulenza finanziaria. A dicembre 2017 si è unita al team di AdviseOnly.

Nessun commento

lascia un commento

Questo sito usa Akismet per ridurre lo spam. Scopri come i tuoi dati vengono elaborati.