La nascita dell’idea di intelligenza artificiale
L’uomo ha da sempre voluto ampliare le proprie capacità intellettive e cercato di replicarle in maniera meccanica per automatizzare alcune operazioni semplici o ripetitive come il riconoscimento di immagini, il miglioramento di processi di business o IT o la traduzione linguistica.
Da questa esigenza nasce l’intelligenza artificiale o intelligenza aumentata che è da intendersi come quella capacità dei calcolatori informatici di riprodurre attività simili a quelle dell’intelligenza umana.
L'Intelligenza Artificiale è un’innovazione tecnologica relativamente recente risalente alla fine degli anni Sessanta del novecento a partire dalle prime teorie di reti neurali grazie alle quali fu concepito il perceptrone (prima rete neurale con input, un neurone e l’output).
Qualche anno dopo ci fu l’importante distinzione tra:
- A.I. forte: Il sistema informatico non è soltanto uno software in grado di risolvere problemi specifici ma, se programmata in maniera opportuna, diventa un sistema in grado di svolgere attività e risolvere problemi simulando l’intelletto umano.
- A.I. debole: sistemi informatici che risolvono problematiche relativamente complesse, ma all’interno di un perimetro ben specifico e ben definito.
Queste tecniche non hanno trovato applicazione di business fino agli anni Settanta del novecento, quando sono stati sviluppati sistemi informatici con capacità computazionali abbastanza potenti da poterle utilizzare in applicazioni concrete. Negli anni Ottanta, tra le prime e più tipiche applicazioni dell’A.I. in ambito industriale, vi è sicuramente la sua integrazione all’interno di strumenti di ERP (Enterprise Resource Planning) e CRM (Customer Relationship Management).
L’intelligenza artificiale oggi: tecnologie e applicazioni
Oggi l’intelligenza artificiale si è diffusa in molte attività quotidiane in diversi ambiti tra cui la logistica, la produzione industriale e l’ottimizzazione di processi aziendali e di business, di conseguenza ha contribuito allo sviluppo di tecnologie come la robotica, la guida autonoma, il Machine Learning e per ultima, anche l’innovativa tecnologia del Generative A.I.
Il Machine learning, è un sottogruppo dell’A.I. che permette di addestrare funzioni matematiche e statistiche attraverso la fruizione di dati storici forniti in input.
Queste stesse funzioni, dette algoritmi, hanno lo scopo di imparare dai dati storici, dei pattern ricorrenti, invisibili all’occhio umano, e di adattarsi alle situazioni già affrontate in passato per generare l’output corretto al ripresentarsi delle medesime situazioni note.
Un esempio è la creazione di un modello matematico di regressione che preveda il valore futuro o il costo di un asset. I dati storici, in input, saranno costituiti da alcune caratteristiche del prodotto quali dimensione, peso, colore, ecc. e altre caratteristiche più legate al business del prodotto come il numero di vendite, il costo di produzione, ecc.. A questi dati verrà inoltre associata una variabile di previsione che sarà il costo dello specifico prodotto. Il modello supervisionato di regressione sarà dunque in grado di trovare pattern nascosti nei dati storici forniti in input e di capire come tali dati influenzino la variabile di previsione (costo dello specifico prodotto). L’utilizzo del modello in produzione permetterà di prevedere, sulla base della similarità, il costo di un nuovo prodotto.
Un'altra area importante dell’intelligenza artificiale è quella del Deep learning che ha preso spunto, per il suo sviluppo, dalla struttura del cervello biologico umano. Tale tecnologia utilizza modelli di reti neurali (Di diverse dimensioni e tipologie), che richiedono enormi quantità di dati per l’addestramento. Lo scopo delle reti neurali è quello di elaborare e processare le informazioni ricevute in ingresso proponendo diversi tipi di output. Le applicazioni più comuni del deep learning sono l’image e lo speech recognition e la traduzione di testi.
L'intelligenza artificiale generativa trova invece spazio a fianco del machine learning e del deep learning, sempre sotto il grande cappello dell’intelligenza artificiale. Gli algoritmi di questa branca possono essere utilizzati per creare nuovi contenuti, tra cui audio, codice, immagini, testo e video. Le innovazioni degli ultimi anni in questo ambito hanno il potenziale per cambiare l’approccio alla creazione di contenuti. Fino a poco tempo fa, l'apprendimento automatico si limitava ad apprendere come identificare un oggetto all’interno di un’immagine e classificarlo correttamente. L'intelligenza artificiale generativa è ora in grado di creare un'immagine partendo da una richiesta dell’utente scritta in linguaggio naturale.
Tra le più diffuse tecnologie alla base del Generative A.I. ritroviamo le GAN (Generative Adversarial Network), i transformers (es. GPT 4 e LaMDA) e i variational auto-encoders.
Le aziende e le organizzazioni potrebbero personalizzare un modello di A.I. generativa affiancando tecnologie più mature e pronte per adattarlo alle proprie esigenze di business. Le aziende dovrebbero anche mantenere una figura di supervisione umana in tutto il ciclo di training e, soprattutto, prima di pubblicare i risultati di un A.I. generativa. Una cosa è certa, almeno per i prossimi anni, è importante non demandare ai modelli di A.I. generativa decisioni critiche, come quelle che coinvolgono risorse significative, decisioni di business o il benessere delle persone umane.