Apprendimento automatico e intelligenza artificiale

Apprendimento automatico e intelligenza artificiale sono termini sempre più diffusi in una cultura attuale tecnologicamente avanzata, ma allo stesso tempo molto diversi tra loro – seppure complementari. Utilizzarli come sinonimi sarebbe dunque un errore.

Quali sono dunque le differenze che intercorrono tra queste tecnologie?

 

Cos’è l’intelligenza artificiale?

Cominciamo dall’intelligenza artificiale, conosciuta anche con l’acronimo AI o con il termine inglese “Artificial Intelligence”.

Diversamente dal credere comune, questo termine non è affatto nuovo: la definizione è stata infatti coniata negli anni Cinquanta per descrivere una serie di macchine cosiddette computazionali che avevano la caratteristica specifica di saper replicare compiti tipicamente associati all’intelligenza umana. A livello logico, è facile comprendere che una macchina che svolge attività umane è, in qualche modo, “intelligente”.

In pratica, dunque, l’intelligenza artificiale è la capacità specifica di un computer, o di una macchina, di imitare in qualche modo il comportamento umano attraverso la comprensione di specifici pattern che includono pianificazione, comprensione del linguaggio, capacità di riconoscere strumenti o suoni, risoluzione di problemi e criticità e, naturalmente, abilità di imparare.

Se dovessimo paragonare le macchine dotate di intelligenza artificiale al corpo umano, parleremmo di un cervello composto da una serie di sensori che sono controllati dal “cuore” del circuito, la CPU, e che possono attivare il movimento degli “arti”, come ad esempio i bracci di un robot industriale.

E l’apprendimento automatico? Come si lega all’intelligenza artificiale? Semplice: è la tecnologia che dà vita all’AI.

Apprendimento automatico: cos’è?

Il termine apprendimento automatico, conosciuto anche con l’equivalente inglese di “machine learning”, può essere definito come il sistema alla base dell’intelligenza artificiale, ossia la modalità attraverso cui i computer sono in grado di elaborare le informazioni.

Anche il termine machine learning non è figlio del ventunesimo secolo: è stato infatti coniato nel 1959 da Arthur Samuel, pioniere dell’AI e ingegnere al celebre MIT, che lo descrisse come “un campo di studio che offre ai computer la possibilità di apprendere senza essere programmati esplicitamente per farlo”. In termini più semplici, il machine learning altro non è dunque che la “strada” attraverso cui l’intelligenza artificiale riesce ad esprimersi: la macchina riceve una serie di dati, li analizza e apprende da essi, modificando i propri algoritmi in modo automatico all’aumentare delle informazioni.

L’apprendimento automatico è dunque la capacità di un algoritmo di modificarsi ed evolvere mentre apprende da diverse situazioni ambientali, attraverso un addestramento che è tanto più efficiente tanto più è grande la mole di dati osservata(Big Data). Maggiori e più dettagliati saranno i dati a disposizione della macchina, più approfondito sarà il machine learning, più evolute e sofisticate saranno le azioni dell’intelligenza artificiale.

Il primo esempio da fare quando si parla di apprendimento automatico riguarda, molto spesso, la cosiddetta “visione artificiale” tipica di alcuni sistemi: in questo caso, la macchina avrà la capacità di vedere e riconoscere specifici oggetti grazie alla loro acquisizione digitale tramite appositi sensori di immagine. A livello più profondo, l’algoritmo alla base di questo sistema riuscirà dunque a differenziare ciò che vede, distinguendo persone, animali e cose, e al contempo apprendendo in modo sempre più dettagliato mano a mano che acquisisce dati “osservando” un numero sempre maggiore di oggetti diversi.

Apprendimento automatico e deep learning

Quando si parla di intelligenza artificiale e apprendimento automatico, è importante quantomeno accennare al cosiddetto “deep learning”, o apprendimento approfondito tramite reti neurali artificiali. Questo può essere definito come un approccio al machine learning che si basa, essenzialmente, sulla struttura del cervello umano e sulle interconnessioni presenti tra i neuroni.

Come è facile intuire, il deep learning rappresenta una versione ancora più evoluta e sofisticata dell’apprendimento automatico, perché utilizza non soltanto incredibili quantità di Big Data, ma spesso anche insiemi di modelli di reti neurali con diverse unità di elaborazione. Tipicamente, le principali applicazioni del deep learning riguardano la speech recognition e la computer vision.

Una curiosità: il deep learning viene chiamato talvolta anche rete neurale profonda.

 

Lucrezia Noli

Sono una Data Scientist specializzata nella modellazione di soluzioni di Analisi Predittiva. Mi prefiggo di aiutare il cliente dall’individuazione delle problematiche aziendali risolvibili grazie alla Data Science, fino alla messa in atto delle architetture ottimali per eccellere nell’industria 4.0. Sono anche formatrice e docente di corsi extracurricolari presso l’Università Bocconi di Milano.
Leggi la mia Biografia

Iscrivi alla newsletter






Dichiaro di aver letto ed accetto l’informativa sulla privacy

Lucrezia Noli

Sono una Data Scientist specializzata nella modellazione di soluzioni di Analisi Predittiva. Mi prefiggo di aiutare il cliente dall’individuazione delle problematiche aziendali risolvibili grazie alla Data Science, fino alla messa in atto delle architetture ottimali per eccellere nell’industria 4.0. Sono anche formatrice e docente di corsi extracurricolari presso l’Università Bocconi di Milano.
Leggi la mia Biografia