Un'introduzione all'emergente campo dell'AI neuro-simbolica

Oggi, grazie alla rapida crescita dell'intelligenza artificiale (AI) e alla crescente disponibilità di potenza di calcolo, i modelli di AI avanzati vengono rilasciati più rapidamente che mai. Di fatto, il settore dell'AI sta promuovendo un'innovazione significativa in molti comparti.

Per esempio, in ambito sanitario, i sistemi di AI vengono utilizzati per supportare attività come l'analisi di immagini mediche per la diagnosi precoce. Tuttavia, come ogni tecnologia, l'AI ha i suoi limiti.

Una delle principali preoccupazioni riguarda la trasparenza. Per esempio, un modello di rilevamento degli oggetti può localizzare con precisione un tumore in una risonanza magnetica cerebrale, ma può essere difficile capire come il modello sia arrivato a quella conclusione. Questa mancanza di spiegabilità rende più difficile per medici e ricercatori fidarsi pienamente dei risultati dell'AI o validarli.

È proprio per questo che cresce l'interesse per il campo emergente dell'IA neuro-simbolica. L'IA neuro-simbolica combina i punti di forza del riconoscimento dei pattern del deep learning con il ragionamento strutturato e basato su regole dell'IA simbolica. L'obiettivo è creare sistemi che producano previsioni accurate, ma che sappiano anche spiegare il proprio ragionamento in un modo comprensibile alle persone.

In questo articolo analizzeremo come funziona l'intelligenza artificiale neuro-simbolica e come riunisca apprendimento e ragionamento per costruire sistemi più trasparenti e consapevoli del contesto. Iniziamo!

I due aspetti dell'IA neuro-simbolica: apprendimento e ragionamento#

Prima di approfondire l'IA neuro-simbolica, osserviamo più da vicino i due sottoambiti che riunisce: deep learning e IA simbolica.

Il deep learning si concentra sul riconoscimento dei pattern nei dati, mentre l'IA simbolica utilizza regole, logica o buon senso per ragionare sui problemi. Entrambi hanno punti di forza, ma anche dei limiti. Combinandoli, l'IA neuro-simbolica crea sistemi in grado sia di apprendere dai dati sia di spiegare più chiaramente le proprie decisioni.

Panoramica sul deep learning#

Il deep learning è un ramo del machine learning che utilizza reti neurali artificiali, ispirate in modo semplificato al modo in cui il cervello elabora le informazioni. Queste reti apprendono analizzando grandi quantità di dati e modificando le proprie connessioni interne per migliorare le prestazioni.

Questo consente loro di riconoscere pattern in immagini, suoni e testi senza dover definire regole manuali per ogni situazione. Per questo, il deep learning è particolarmente efficace per attività incentrate sulla percezione, come il riconoscimento delle immagini, l'elaborazione vocale e la traduzione automatica.

Un buon esempio è un modello di computer vision addestrato per segmentare gli oggetti nelle immagini. Con un numero sufficiente di esempi annotati, può imparare a distinguere strade, veicoli e pedoni nei filmati del traffico in tempo reale.

Tuttavia, nonostante la loro accuratezza, i modelli di deep learning spesso hanno difficoltà a spiegare chiaramente come siano arrivati a un determinato risultato. Questa sfida, comunemente chiamata problema della scatola nera, rende più difficile per gli utenti interpretare o verificare le decisioni del modello, soprattutto in ambiti sensibili come la sanità o la finanza. È un aspetto importante perché un'AI responsabile richiede trasparenza, fiducia e la capacità di comprendere perché un modello abbia prodotto una determinata previsione.

Alla scoperta dell'IA simbolica#

L'IA simbolica adotta un approccio più strutturato all'intelligenza e al processo decisionale. Rappresenta la conoscenza usando simboli e applica regole logiche per lavorare con tale conoscenza, in modo simile a come utilizziamo il ragionamento e il linguaggio per risolvere i problemi. Ogni passaggio del processo di ragionamento è definito, rendendo le decisioni dell'IA simbolica trasparenti e più facili da spiegare.

La conoscenza simbolica funziona particolarmente bene nelle attività che seguono regole chiare e ben definite, come la pianificazione, la programmazione o la gestione di conoscenze strutturate. Tuttavia, l'IA simbolica ha difficoltà con i dati non strutturati o con le situazioni che non rientrano facilmente in categorie predefinite.

Un esempio comune di approccio simbolico applicato è rappresentato dai primi programmi per giocare a scacchi. Seguivano regole definite manualmente e strategie fisse, invece di apprendere dalle partite precedenti o adattarsi ad avversari diversi. Di conseguenza, il loro stile di gioco tendeva a essere rigido e prevedibile.

Fig. 1. Uno sguardo alla struttura dell'AI e ai suoi sottoambiti. (Immagine dell'autore)

Che cos'è l'IA neuro-simbolica?#

Negli anni 2010, con la diffusione del deep learning, i ricercatori hanno iniziato a cercare modi per andare oltre il semplice riconoscimento dei pattern e arrivare alla comprensione delle relazioni e del contesto. Questo cambiamento ha reso possibile per i modelli di AI non solo rilevare oggetti in una scena, come un gatto e un tappetino, ma anche interpretare il rapporto tra tali oggetti, riconoscendo per esempio che il gatto è seduto sul tappetino.

Tuttavia, questo progresso ha messo in evidenza anche un limite fondamentale. I modelli di deep learning riconoscono molto bene i pattern, ma spesso hanno difficoltà a spiegare il proprio ragionamento o a gestire situazioni non familiari. La rinnovata attenzione verso il ragionamento ha riportato i ricercatori a un campo esistente dagli anni '80: l'IA neuro-simbolica.

L'IA neuro-simbolica integra deep learning e IA simbolica. Consente ai modelli di apprendere dagli esempi come fa il deep learning, applicando al contempo logica e ragionamento come fa l'IA simbolica.

In parole semplici, l'IA neuro-simbolica può riconoscere le informazioni, comprendere il contesto e fornire spiegazioni più chiare delle proprie decisioni. Questo approccio ci avvicina allo sviluppo di sistemi di AI che si comportano in modo più affidabile e simile a quello umano.

Fig. 2. Comprendere l'IA neuro-simbolica (Immagine dell'autore)

Nozioni di base sul funzionamento dell'IA neuro-simbolica#

Un'architettura neuro-simbolica riunisce apprendimento e ragionamento all'interno di un unico framework. In genere include tre componenti principali: un livello di percezione neurale che interpreta i dati grezzi, un livello di ragionamento simbolico che applica la logica e un livello di integrazione che collega i due. Esaminiamo ora più da vicino ciascun livello.

Il livello di percezione neurale#

Il componente di percezione neurale elabora dati non strutturati, come immagini, video, testo o audio, e li converte in rappresentazioni interne con cui il sistema può lavorare. In genere utilizza modelli di deep learning per rilevare pattern e identificare oggetti o caratteristiche nell'input. In questa fase, il sistema riconosce ciò che è presente nei dati, ma non ragiona ancora sul significato, sulle relazioni o sul contesto.

Ecco alcuni tipi comuni di modelli di deep learning utilizzati in questo livello:

• Reti neurali convoluzionali (CNNs): sono un tipo di rete neurale progettata per elaborare dati disposti su una griglia, come le immagini. Le CNNs utilizzano filtri convoluzionali per scansionare un'immagine e rilevare pattern come bordi, texture e forme. Sovrapponendo questi pattern, imparano a riconoscere oggetti come automobili, frutti e persone.
• Transformer: i Transformer sono modelli progettati per comprendere come le diverse parti di un input siano correlate tra loro. Invece di leggere le informazioni rigorosamente in ordine, possono osservare contemporaneamente più parti dei dati e stabilire quali siano più importanti. Questo li aiuta a comprendere il contesto nei testi, nelle immagini o in entrambi. Grazie a questa flessibilità, i Transformer costituiscono l'architettura principale alla base della maggior parte dei moderni modelli linguistici e di molti sistemi visione-linguaggio.
• Reti neurali ricorrenti (RNNs): questo tipo di modello è progettato per analizzare dati sequenziali, come segnali vocali o serie temporali. Mantiene una memoria degli input precedenti, consentendo alle sue previsioni di tenere conto del contesto nel tempo.

In definitiva, questi modelli neurali estraggono e rappresentano caratteristiche significative dai dati grezzi. Questo output diventa quindi l'input del livello di ragionamento simbolico, che interpreta e analizza ciò che il sistema ha rilevato.

Il livello di ragionamento simbolico#

Il livello di ragionamento simbolico prende le informazioni prodotte dal livello di percezione neurale e le interpreta usando la logica. Invece di lavorare soltanto sui pattern, si basa su elementi come regole, grafi della conoscenza, basi di conoscenza e ontologie (descrizioni organizzate dei concetti e delle loro relazioni). Questi elementi aiutano il sistema a comprendere come i diversi componenti si combinano e quali azioni siano sensate in una determinata situazione.

Per esempio, in un'auto a guida autonoma, il livello di percezione neurale può riconoscere un semaforo rosso nel flusso video della telecamera. Il livello di ragionamento simbolico può quindi applicare una regola come: «Se il semaforo è rosso, il veicolo deve fermarsi». Poiché il ragionamento si basa su regole chiare, le decisioni del sistema sono più facili da spiegare e verificare, aspetto particolarmente importante nelle situazioni in cui sicurezza e responsabilità sono fondamentali.

Il livello di integrazione#

Il livello di integrazione collega il livello di percezione neurale e quello di ragionamento simbolico, assicurando che apprendimento e ragionamento operino insieme. In una direzione, converte gli output dei modelli neurali (come il rilevamento di un pedone) in rappresentazioni simboliche che descrivono l'oggetto e i suoi attributi.

Nell'altra direzione, prende le regole simboliche (per esempio, «un veicolo deve fermarsi se un pedone si trova sulle strisce») e le traduce in segnali che guidano i modelli neurali. Ciò può comportare l'evidenziazione delle aree rilevanti di un'immagine, l'influenza sull'attenzione o la modifica dei percorsi decisionali del modello.

Questo scambio bidirezionale crea un ciclo di feedback. La componente neurale acquisisce struttura e interpretabilità dalle regole simboliche, mentre la componente simbolica può adattarsi più efficacemente sulla base dei dati del mondo reale. Tecniche come le reti neurali logiche (LNNs) contribuiscono a rendere possibile questa interazione incorporando vincoli logici direttamente nelle architetture neurali.

Collegando percezione e ragionamento in questo modo, l'IA neuro-simbolica può produrre decisioni accurate e più facili da interpretare. Molti ricercatori considerano questo approccio un passo promettente verso un'AI più affidabile e allineata ai valori umani, nonché una possibile base per i futuri progressi verso l'intelligenza artificiale generale (AGI).

Applicazioni dell'IA neuro-simbolica#

Ora che abbiamo compreso meglio cos'è l'IA neuro-simbolica e come funziona, esaminiamo alcuni dei suoi casi d'uso nel mondo reale.

Guidare in modo più sicuro: dal vedere i pedoni al comprenderli#

I veicoli autonomi devono comprendere l'ambiente circostante per operare in sicurezza. Utilizzano tecnologie come la computer vision per rilevare pedoni, veicoli, segnaletica orizzontale e segnali stradali.

Sebbene i modelli di deep learning possano identificare questi oggetti con precisione, non sempre ne comprendono il significato nel contesto o il rapporto reciproco in una situazione reale. Per esempio, un modello neurale potrebbe riconoscere un pedone sulle strisce, ma non riuscire a capire se stia per attraversare o sia semplicemente fermo ad aspettare.

L'IA neuro-simbolica cerca di colmare questa lacuna consentendo ai veicoli a guida autonoma di combinare il riconoscimento visivo con il ragionamento logico, così da interpretare le situazioni invece di limitarsi a identificare gli oggetti. Recenti ricerche sull'AI hanno dimostrato che i sistemi che combinano percezione neurale e regole simboliche possono migliorare la previsione del comportamento dei pedoni.

In questi sistemi, la componente neurale analizza indizi visivi come la postura, il movimento e la posizione del pedone. La componente simbolica applica quindi regole logiche, considerando fattori come la vicinanza della persona alle strisce o l'indicazione del semaforo in quel momento.

Combinando queste due prospettive, il sistema neuro-simbolico può fare più che limitarsi a rilevare un pedone. Può formulare una previsione ragionevole sulla probabilità che il pedone attraversi e spiegare perché abbia preso quella decisione. Questo porta a un comportamento più sicuro e trasparente nei veicoli autonomi.

Fig. 3. Formulare previsioni sulla base del comportamento osservato dei pedoni usando l'IA neuro-simbolica. (Fonte)

Interpretazione logica nelle risposte a domande visive#

Un'altra importante applicazione dell'IA neuro-simbolica è il visual question answering (VQA). I sistemi VQA sono progettati per rispondere a domande sulle immagini.

Riunisce modelli linguistici di grandi dimensioni (LLMs) e modelli visivi per eseguire ragionamenti multimodali, combinando ciò che il sistema vede con ciò che comprende. Per esempio, se a un sistema VQA viene mostrata un'immagine e viene chiesto «La tazza è sul tavolo?», deve riconoscere gli oggetti, ma anche comprendere la relazione tra loro. Deve determinare se la tazza si trova effettivamente sopra il tavolo nella scena.

Uno studio recente ha dimostrato come l'IA neuro-simbolica possa migliorare il VQA integrando percezione neurale e ragionamento simbolico. Nel sistema proposto, la rete neurale analizza innanzitutto l'immagine per riconoscere gli oggetti e i loro attributi, come colore, forma o dimensione.

La componente di ragionamento simbolico applica quindi regole logiche per interpretare le relazioni tra questi oggetti e rispondere alla domanda. Se viene chiesto «Quanti cilindri grigi ci sono nella scena?», la parte neurale identifica tutti i cilindri e i relativi colori, mentre la parte simbolica li filtra in base ai criteri e conta quelli corretti.

Fig. 4. Esempi di scenari VQA in cui sono necessarie conoscenze astratte e logica. (Fonte)

Questa ricerca mostra come il VQA neuro-simbolico possa andare oltre la semplice fornitura di risposte. Poiché il modello può mostrare i passaggi seguiti per arrivare a una conclusione, supporta l'AI spiegabile, in cui i sistemi producono previsioni e giustificano il proprio ragionamento in un modo comprensibile alle persone.

Pro e contro dell'IA neuro-simbolica#

Ecco alcuni dei principali vantaggi dell'utilizzo dell'IA neuro-simbolica:

• Maggiore capacità di ragionamento: a differenza dei modelli di puro deep learning, l'IA neuro-simbolica può svolgere attività che richiedono ragionamento in più passaggi, pianificazione, rispetto delle regole e gestione di ambiti di conoscenza strutturata, nei quali l'IA simbolica eccelle tradizionalmente.
• Adattabilità: questi sistemi funzionano bene su attività nuove o mai viste, poiché possono ragionare logicamente oltre ciò su cui sono stati addestrati. Invece di limitarsi a memorizzare i dati, comprendono relazioni e pattern.
• Robustezza al rumore e all'ambiguità: i vincoli logici possono aiutare a prevenire errori quando i dati sono rumorosi, incompleti o ambigui. Il livello di ragionamento può imporre regole che guidano o correggono le previsioni neurali.

Nonostante il suo potenziale, l'IA neuro-simbolica è ancora in evoluzione e presenta alcune difficoltà pratiche. Ecco alcune delle sue principali limitazioni:

• Integrazione complessa: sebbene questo framework ibrido offra una forte interpretabilità, progettare algoritmi che combinino percezione e ragionamento rimane difficile.
• Scalabilità: il ragionamento simbolico può diventare lento o costoso dal punto di vista computazionale quando si lavora con grafi della conoscenza di grandi dimensioni o insiemi di regole complessi. Questo può rendere più difficile implementare in modo efficiente applicazioni in tempo reale, come la guida autonoma, l'elaborazione video o il ragionamento su conoscenze su larga scala.
• Robustezza del ragionamento: se le regole simboliche sono troppo rigide, i sistemi possono avere difficoltà in scenari del mondo reale ambigui o imprevedibili. Trovare un equilibrio tra apprendimento flessibile e ragionamento affidabile è ancora una sfida aperta.

Punti chiave#

L'IA neuro-simbolica rappresenta un passo importante verso la costruzione di sistemi di AI in grado non solo di percepire il mondo, ma anche di ragionare su di esso e spiegare le proprie decisioni. A differenza dei sistemi di deep learning tradizionali, che si basano soprattutto sui pattern appresi dai dati, l'IA neuro-simbolica combina apprendimento statistico con logica e conoscenza strutturate. Anziché sostituire il deep learning, lo sviluppa ulteriormente, avvicinandoci alla realizzazione di un'AI in grado di comprendere e ragionare in modo più simile a quello umano.

Unisciti alla nostra community ed esplora il nostro repository GitHub. Consulta le nostre pagine sulle soluzioni per scoprire varie applicazioni dell'AI nell'agricoltura e della computer vision in ambito sanitario. Scopri le nostre opzioni di licenza e inizia a costruire il tuo progetto di vision AI!