Artificial Intelligence (AI)

L'intelligenza artificiale (IA) è il ramo dell'informatica che sviluppa sistemi in grado di svolgere attività associate all'intelligenza umana: percepire immagini e suoni, comprendere e generare linguaggio, ragionare, pianificare e apprendere dall'esperienza. La definizione dell'OCSE, a cui il regolamento UE sull'IA si attiene da vicino, descrive un sistema di IA come un sistema basato su una macchina che deduce dai propri input come generare output quali previsioni, contenuti, raccomandazioni o decisioni. Oggi la maggior parte dell'IA in uso apprende questi comportamenti da dati di esempio tramite l'apprendimento automatico (ML).

Breve storia dell'IA#

Nel suo articolo del 1950 «Computing Machinery and Intelligence», Alan Turing si chiese se le macchine potessero pensare e propose il gioco dell'imitazione, oggi noto come test di Turing. John McCarthy, Marvin Minsky, Nathaniel Rochester e Claude Shannon coniarono il termine «intelligenza artificiale» nella loro proposta del 1955 per il seminario estivo di Dartmouth del 1956, che diede origine al campo. Nei tre decenni successivi prevalse l'IA simbolica, basata su logica, ricerca e sistemi esperti basati su regole; i finanziamenti crollarono due volte, durante gli «inverni dell'IA» degli anni Settanta e della fine degli anni Ottanta, quando i risultati non furono all'altezza delle promesse.

Negli anni Novanta presero il sopravvento i metodi di IA statistica, che apprendono dai dati. Nel 1997, Deep Blue di IBM sconfisse il campione mondiale di scacchi Garry Kasparov grazie a hardware specializzato che analizzava circa 200 milioni di posizioni al secondo. Nel 2012, la rete neurale convoluzionale AlexNet vinse con ampio margine la sfida di classificazione delle immagini ImageNet, dando inizio all'era del deep learning (DL). L'architettura Transformer, introdotta nel 2017, ha portato ai modelli linguistici di grandi dimensioni (LLM); il rilascio di ChatGPT nel novembre 2022 ha portato l'IA generativa a centinaia di milioni di utenti.

Relazione tra IA, apprendimento automatico e deep learning#

L'IA è il campo più ampio. L'IA simbolica e l'apprendimento automatico sono i suoi due approcci principali: il primo codifica la conoscenza sotto forma di regole esplicite, mentre il secondo apprende schemi dagli esempi. Il deep learning è un sottoinsieme dell'apprendimento automatico che utilizza reti neurali con molti livelli; quasi tutte le recenti scoperte nella visione, nel linguaggio e nella generazione di immagini si basano su di esso.

I sistemi di apprendimento automatico apprendono in alcuni modi principali. L'apprendimento supervisionato si adatta a esempi etichettati, come immagini contrassegnate con gli oggetti che contengono. L'apprendimento non supervisionato individua strutture nei dati non etichettati; l'apprendimento auto-supervisionato crea il proprio segnale di addestramento a partire dai dati grezzi, il metodo alla base del preaddestramento degli LLM; l'apprendimento per rinforzo apprende invece dalle ricompense ottenute agendo in un ambiente.

Tipi di IA in base alle capacità#

• Intelligenza artificiale ristretta (ANI) o IA debole: IA sviluppata per un'attività specifica o un insieme di attività. Tutti i sistemi distribuiti rientrano in questa categoria, compresi quelli sovrumani nell'attività che svolgono.
• Intelligenza artificiale generale (AGI): sistema ipotetico che raggiunge il livello degli esseri umani praticamente in tutte le attività cognitive, spesso chiamato IA forte.
• Superintelligenza artificiale (ASI): sistema ipotetico che supera i migliori esseri umani in quasi ogni ambito, lo scenario alla base della singolarità tecnologica.

Gli LLM generici sfumano il primo confine. Un unico modello può scrivere codice, tradurre e descrivere immagini, ma le sue capacità variano da un'attività all'altra: un fenomeno chiamato intelligenza frastagliata. La classifica VLM di Ultralytics misura una di queste capacità: la precisione con cui questi modelli rilevano oggetti nelle immagini del mondo reale.

Applicazioni dell'IA#

• Visione artificiale: rilevamento di oggetti, segmentazione di scene e tracciamento del movimento per veicoli autonomi, ispezioni in fabbrica, analisi per il commercio al dettaglio e analisi di immagini mediche.
• Linguaggio e voce: chatbot, traduzione automatica, sintesi di documenti e trascrizione da voce a testo.
• Previsioni e classifiche: rilevamento delle frodi, previsione della domanda e sistemi di raccomandazione per streaming e acquisti.
• Scienza: AlphaFold di DeepMind prevede le strutture delle proteine e ha fruttato ai suoi creatori una parte del Premio Nobel per la Chimica 2024.
• Agenti e robotica: agenti di IA che pianificano attività composte da più fasi e richiamano strumenti software, e robot che combinano percezione e controllo.

Il modo più rapido per osservare un sistema di deep learning in azione è eseguire un modello di visione preaddestrato. Ultralytics YOLO26 è un rilevatore di oggetti che ha appreso 80 classi di oggetti di uso quotidiano da immagini COCO etichettate:

from ultralytics import YOLO

# Carica un rilevatore di oggetti YOLO26 preaddestrato
model = YOLO("yolo26n.pt")

# Esegui l'inferenza su un'immagine mai vista dal modello
results = model("https://ultralytics.com/images/bus.jpg")
result = results[0]

# Salva l'immagine con i riquadri, le etichette delle classi e i punteggi di confidenza previsti
result.save(filename="bus_detections.jpg")

L'immagine salvata contrassegna ogni oggetto rilevato, come l'autobus e le persone accanto, con un riquadro, un'etichetta di classe e un punteggio di confidenza: tutto è stato appreso dagli esempi.

Rischi, etica e regolamentazione#

I sistemi di IA ereditano i difetti dei dati e degli obiettivi su cui si basano. I modelli possono incorporare distorsioni nei confronti di gruppi sottorappresentati o trattati ingiustamente nei dati di addestramento; gli LLM possono enunciare falsità con disinvoltura; i modelli generativi possono produrre deepfake; e i modelli opachi sono difficili da sottoporre a verifica senza l'IA spiegabile (XAI). La ricerca sull'etica dell'IA e sulla sicurezza dell'IA affronta questi rischi, mentre il quadro di gestione dei rischi dell'IA del NIST, di adozione volontaria, offre alle organizzazioni un processo per gestirli. Il regolamento UE sull'IA, in vigore dall'agosto 2024, vieta del tutto un breve elenco di pratiche, come il punteggio sociale, e impone requisiti rigorosi per gli usi ad alto rischio, quali selezione del personale, valutazione del merito creditizio e IA nei dispositivi medici.