marzo | 2019 | Soroptimist international d'Italia

Estrema chiarezza ha caratterizzato la conferenza L’intelligenza artificiale tenuta dal professor Carlo Tasso, Ordinario di Sistemi di Elaborazione dell’Informazione presso la Facoltà di Scienze Matematiche Fisiche e Naturali dell’Università di Udine, creatore nel 1984 del primo Laboratorio di Intelligenza Artificiale in una università italiana e socio fondatore dell’Associazione Italiana di Intelligenza Artificiale. Manifestata la volontà di spazzare via le banalità e le approssimazioni sul tema della serata, Tasso ha richiamato le tappe dell’informatica tradizionale: tra 1940 e 1950 le prime macchine per operazioni di calcolo, archiviazione e trasferimenti dati, quindi la costruzioni delle prime applicazioni secondo precisi modelli matematici, infine l’algoritmo progettato per l’esecuzione automatica in termini sempre più coraggiosi. L’era dell’intelligenza artificiale si apre nel 1956 con l’obiettivo di costruire sistemi di software capaci di risolvere problemi, capire significato di testi e immagini, gestire robot, diagnosticare e supportare decisioni. Ciò che caratterizza l’intelligenza artificiale da un punto di vista metodologico e tecnologico è il suo modellarsi sui processi di apprendimento con cui l’intelligenza umana diventa abile in un compito o azione. Questi modelli di apprendimento incorporati sono ciò che distinguono Machine Learning e Deep Learning.
Machine Learning (ML) è un insieme di processi che consentono al software di adattarsi in funzione delle richieste: per tale via si permette alle macchine di apprendere in modo da poter poi svolgere compiti senza una preventiva e immediata programmazione. È quindi un “modello di apprendimento” ed in base a questi modelli si può fare una classificazione degli algoritmi. In altre parole, si tratta di sistemi che servono ad “allenare” l’intelligenza artificiale di modo che imparando, correggendo gli errori, autoregolandosi possa svolgere autonomamente un compito. Deep Learning (DL) consiste in modelli di apprendimento ispirati alla struttura e al funzionamento del cervello umano. In questo caso il modello matematico da solo non basta e necessita di reti neurali artificiali progettate ad hoc (deep artificial neural networks) e di una capacità molto potente in grado di “connettere” differenti strati di calcolo e analisi, come avviene nelle connessioni neurali del cervello. Tra gli esempi di applicazioni ML e DL si possono indicare l’analisi dei comportamenti dei consumatori con ricaduta nella pubblicità di prodotti, la diagnosi medica, la manutenzione predittiva di impianti, la possibilità di capire se dei testi sono positivi, negativi o neutri rispetto a qualcosa, individuandone la motivazione. E si aggiungono le traduzioni automatiche, l’analisi vocale, la composizione musicale, i veicoli a guida autonoma. Tutti possiamo osservare la grande diffusione di queste ormai indispensabili tecniche introdotte dai grandi sistemi informatici nella nostra vita di ogni giorno.