Enrico Galimberti, Country Director di Teradata Think Big Analytics, sgombra ogni dubbio e svela le unicità dell’intelligenza artificiale e del machine learning. L’intelligenza artificiale e il machine learning sono temi affrontati ormai quotidianamente da tutti. Sin dall’uscita del film del 1968 di Stanley Kubrick 2001: Odissea nello spazio, il termine A.I. “Artificial Intelligence“, è diventato facilmente riconoscibile ed è entrato a far parte del gergo comune. Se diamo uno sguardo ai media di informazione recentemente riportano notizie di questo tipo: “L’intelligenza artificiale della tua auto è in grado di frenare più velocemente di te” o “La polizia usa l’intelligenza artificiale per predire il crimine” o ancora altre notizie di grande effetto, come algoritmi di machine learning in grado di convertire un’immagine 2D in 3D o che hanno imparato la grammatica di una lingua.
I due termini possono creare una certa confusione. È stato un motore di AI a predire l’evento di un crimine oppure è stato un algoritmo di machine learning? Chi estrae la struttura grammaticale di una frase, l’intelligenza artificiale o il machine learning? Potrebbe sembrare entrambi. E come mai molto spesso capita di leggere che l’intelligenza artificiale consente di apprendere, quando è ovvio che anche un algoritmo di machine learning ha la capacità di “apprendere”? E più che lecito pensare che i due termini possano riferirsi alla stessa cosa. Ma allora l’intelligenza artificiale è solo la forma più elaborata e sofisticata del machine learning? Certo il termine “intelligenza artificiale” è sicuramente più stimolante di “machine learning” che appare piuttosto asciutto. Quindi i due concetti sono intercambiabili oppure no?
Fine della confusione E’ tempo di fare un po’ di chiarezza: l’intelligenza artificiale e il machine learning non sono la stessa cosa. Detto questo, è innegabile che vi siano molte sovrapposizioni tra ciò che fa il machine learning e ciò che fa l’intelligenza artificiale: è possibile avere un motore d’intelligenza artificiale senza alcuna traccia di machine learning e viceversa ci sono molti algoritmi di machine learning – estremamente intelligenti – che non costituiscono affatto un sistema di AI.
Per fare maggiore chiarezza possiamo utilizzare un confronto che esamini la distinzione tra un’automobile e il motore di un’auto. Il motore è una delle componenti tecnologiche più importanti che consente di costruire un’automobile (dopo le ruote che forse sono le più importanti), eppure il motore da solo non è nemmeno vicino all’essere un’automobile. Molte altre componenti – importanti come il motore – sono necessarie per creare un’auto. Ruote, telaio, sterzo e freni sono solo quattro degli elementi cruciali per un’automobile. Per realizzare un prodotto vendibile ed appetibile, basterà aggiungere più componenti alla nostra automobile come: luci per la guida notturna, un parabrezza, specchi, aria condizionata / riscaldamento, cinture di sicurezza, sospensioni, indicatori, radio, airbag…Non c’è fine ai miglioramenti che potremmo applicare al veicolo pur continuando a fare riferimento ad esso come alla medesima cosa: un’automobile. In modo simile, il machine learning può essere considerato un motore che guida l’intelligenza artificiale. L’intelligenza artificiale è semplicemente un prodotto finale che una persona, che non conosce la tecnologia che ne sta alla base, può utilizzare adeguatamente.
Quindi iniziamo parlando di cosa sia l’apprendimento automatico o l’intelligenza artificiale. Nel senso più stretto, l’apprendimento automatico fa parte del campo delle “statistiche predittive”: si tratta di costruire sistemi in grado di raccogliere informazioni su cose accadute in passato, e fare di quelle un qualche tipo di modello del mondo che le circonda e che possono quindi essere utilizzare per prevedere cosa potrebbe accadere in altre circostanze.
Questo può essere semplice oppure molto complicato come cercare di capire l’intera vita e i gusti di una persona. Ciò che rende speciali i modelli di intelligenza artificiale è che sono progettati per questo. All’interno di qualsiasi modello di AI ci sono migliaia di regole per combinare le caratteristiche, ognuna delle quali dipende da centinaia, migliaia o persino milioni di singole “manopole”, alle quali si può indicare quanto pesare il significato di ciascuna caratteristica in circostanze diverse. Ad esempio, in un tipo di modello di intelligenza artificiale chiamato “albero decisionale”, il modello sembra un gigantesco albero di domande sì / no che viene continuamente addestrato.
Un software per il machine learning è pensato per coloro che comprendono la tecnologia e riescono a usarla per costruire un modello, come attualmente avviene con le persone che scrivono codice in Python per eseguire modelli di deep learning su hardware TPU (tensor processing unit). Sono disponibili molte librerie open source come scikit-learn, CNTK, TensorFlow e Keras che consentono di apprendere in modo facile come realizzare sistemi di AI. Comunque allo stesso tempo è importante dotarsi di un ambiente di Data Science Lab, composto da diversi Tools Analitici che agiscono su un’area dati strutturata o non strutturata comune in grado di abilitare la fase di sperimentazione, di essere scalabile, ma nello stesso tempo rendere operazionalmente efficiente ed automatica la messa in produzione delle soluzioni.
