IA simbolica

L'IA simbolica, spesso definita Good Old-Fashioned AI (GOFAI), è una branca dell'Intelligenza Artificiale (IA) che si concentra sulla rappresentazione della conoscenza umana attraverso regole e simboli espliciti. Questo approccio è stato il paradigma dominante nella ricerca sull'IA dagli anni Cinquanta alla fine degli anni Ottanta. A differenza dei moderni metodi basati sui dati, l'IA simbolica si basa sul principio che l'intelligenza può essere ottenuta manipolando simboli che rappresentano concetti del mondo reale, regolati da un insieme di regole logiche. L'idea centrale, sostenuta da pionieri come John McCarthy, era quella di costruire sistemi in grado di ragionare sul mondo in modo simile alla logica deduttiva umana.

Come funziona l'intelligenza artificiale simbolica

I sistemi di intelligenza artificiale simbolica sono tipicamente composti da due componenti principali: una base di conoscenza e un motore di inferenza.

• Base di conoscenza: Un database strutturato contenente fatti, concetti e relazioni tra di essi, tutti codificati in un linguaggio simbolico. Questa conoscenza è spesso curata manualmente da esperti umani. Un equivalente moderno di questo concetto è rappresentato dai grafi della conoscenza.
• Motore di inferenza: Un insieme di regole e algoritmi che applicano la deduzione logica alla base di conoscenza per ricavare nuove informazioni o prendere decisioni. Utilizza la logica formale, come IF-THEN per elaborare le richieste e risolvere i problemi. Questo processo è altamente trasparente e costituisce una pietra miliare della IA spiegabile (XAI).

Linguaggi di programmazione come il Lisp e il Prolog sono stati sviluppati appositamente per supportare questo stile di programmazione basato su regole.

IA simbolica e apprendimento automatico

L'IA simbolica è fondamentalmente diversa dall'apprendimento automatico (ML), che è alla base della maggior parte delle moderne applicazioni di IA, compresi i modelli avanzati di visione artificiale (CV) come Ultralytics YOLO.

La distinzione fondamentale sta nel modo in cui la conoscenza viene acquisita:

• L'IA simbolica è un approccio top-down. Un esperto umano programma esplicitamente le regole e le conoscenze nel sistema. Il ragionamento del sistema è limitato a questa conoscenza predefinita.
• L'apprendimento automatico è un approccio dal basso verso l'alto. I modelli, in particolare quelli che utilizzano l'apprendimento profondo e le reti neurali (NN), apprendono schemi e relazioni in modo implicito analizzando grandi quantità di dati di addestramento. Ad esempio, un modello YOLO impara a rilevare gli oggetti grazie all'addestramento su migliaia di immagini etichettate, e non grazie alle regole esplicite su cosa si intende per "auto" o "persona".

Mentre i modelli ML eccellono nella gestione di dati complessi e non strutturati, il loro processo decisionale può essere opaco. Al contrario, il ragionamento dell'IA simbolica è facilmente tracciabile, il che è fondamentale per le applicazioni in cui la responsabilità e l'etica dell'IA sono fondamentali.

Applicazioni ed esempi del mondo reale

Anche se oggi è meno diffusa, l'IA simbolica ha dato vita a diverse applicazioni importanti e i suoi principi rimangono attuali.

1. Sistemi esperti: Sono state tra le applicazioni di maggior successo dell'IA simbolica. Un sistema esperto è progettato per emulare la capacità decisionale di un esperto umano in un dominio specifico. Ad esempio, MYCIN era un famoso sistema esperto sviluppato negli anni '70 per identificare i batteri che causano gravi infezioni e consigliare gli antibiotici. Utilizzava una base di conoscenza di circa 600 regole derivate da esperti medici.
2. I primi sistemi di elaborazione del linguaggio naturale (NLP): Prima dell'avvento dei metodi statistici e dei Large Language Models (LLM), i sistemi di NLP si basavano su approcci simbolici. Utilizzavano grammatiche formali e regole sintattiche per analizzare le frasi e comprendere la struttura del linguaggio. I primi controllori grammaticali automatizzati e i primi sistemi di traduzione automatica si basavano su questi principi.

Il futuro: IA ibrida

I limiti dell'IA simbolica, in particolare la sua fragilità di fronte a situazioni nuove o ambigue e la difficoltà di scalare la sua base di conoscenza, hanno portato all'ascesa del ML. Tuttavia, il futuro probabilmente risiede in modelli di IA ibridi che combinano i punti di forza di entrambi gli approcci. Integrando il ragionamento logico dell'IA simbolica con la potenza di riconoscimento dei modelli del ML, gli sviluppatori possono creare sistemi di IA più robusti, trasparenti e capaci. Questi sistemi ibridi mirano a sfruttare la conoscenza strutturale dei sistemi simbolici per migliorare il processo di apprendimento dei modelli di base, un concetto esplorato in campi come la Neuro-Symbolic AI. Piattaforme come Ultralytics HUB semplificano la distribuzione dei modelli di ML, che un giorno potrebbero incorporare queste tecniche ibride.