L’intelligenza artificiale (IA) sta iniziando ad espandersi in ogni settore umano ed anche i media hanno iniziato a scriverne estesamente. Per poter comprendere a pieno la terminologia utilizzata in questi discorsi — spesso ricca di termini tecnici e concetti di non facile comprensione — è fondamentale introdurre un glossario che permetta a chiunque, anche a chi frequenta con poca assiduità l’ambito tecnologico, di avvicinarsi al mondo dell’intelligenza artificiale ed avere quindi delle basi solide da cui iniziare il viaggio verso il futuro che ci attende. Tra reti neurali, deep learning, e test di Turing, quella che segue è una mappa indispensabile per orientarsi lungo la strada delle IA.

Algoritmo

Un insieme di formule, regole, ed operazioni logiche che permettono di risolvere un compito specifico. Un esempio di algoritmo che noi stessi esseri umani utilizziamo quotidianamente è il seguente: se la porta di casa è aperta, allora bisogna chiuderla. In questo esempio si possono individuare le componenti fondamentali: operazione logica per controllare una determinata condizione — “se aperta” — ed un’azione — “chiudere” — che nel caso delle intelligenze artificiali corrisponde a delle formule e regole matematiche.

Apprendimento automatico (Machine learning)

Un campo dell’intelligenza artificiale che ha come obiettivo quello di ottenere delle macchine in grado di apprendere ed agire senza essere state programmate esplicitamente per farlo.

Apprendimento non supervisionato

In questo tipo di apprendimento automatico l’algoritmo deve identificare autonomamente pattern e correlazioni esistenti fra i dati, e la supervisione umana è praticamente assente. Un classico esempio di algoritmi non supervisionati sono gli algoritmi di clustering.

Apprendimento per rinforzo

Si tratta di una tecnica di apprendimento automatico che cerca di sviluppare dei sistemi in grado di apprendere ed adattarsi alle mutazioni dell'ambiente sfruttando un meccanismo di ricompense. Ad ogni esecuzione dell’algoritmo corrisponde una valutazione della sua prestazione ed il suo obiettivo è di massimizzare tale valore. Questo tipo di algoritmi sono utilizzati, ad esempio, per far giocare le intelligenze artificiali con i videogiochi.

Apprendimento supervisionato

Si tratta di una tipologia di apprendimento automatico in cui l’essere umano fornisce all’algoritmo dei dati che sono già stati classificati. In questo modo l’algoritmo ha già delle coppie di dati per l’input e l’output e dovrà cercare di produrre un modello che riesca a descrivere la relazione che lega dati in ingresso ed in uscita. Ad esempio, se si lavora ad un algoritmo in grado di riconoscere le foto di una mucca bisogna fornire in input immagini in cui si indica la presenza del bovino ed immagini in cui il bovino è assente.

IA playing Super Mario

 

Autonomo

L’abilità di agire indipendentemente da un ente o figura di controllo. Nel caso dell’intelligenza artificiale, un dispositivo si definisce autonomo se per funzionare correttamente non necessita di alcun input da parte di un operatore umano.

Backpropagation

Tecnica utilizzata per allenare le reti neurali partendo da un risultato già noto per un campione specifico. E’ impiegata principalmente nell’apprendimento supervisionato, dove, dato l’output, questa tecnica permette di ridurre l’errore nella predizione dell’algoritmo, consentendo di ottenere il risultato desiderato. E’ l’abbreviazione di “propagazione all'indietro degli errori”.

Computer vision

Un campo di ricerca interdisciplinare che si occupa di produrre algoritmi che permettono ai computer non solo di acquisire immagini e video digitali, ma anche comprendere gli oggetti raffigurati. Esempi di tecniche che fanno parte di quest’area di ricerca sono gli algoritmi di riconoscimento facciale e di identificazione di oggetti.

HP_2highlight_inpage.jpg

Deep learning (DL)

Un sottoinsieme del machine learning che utilizza algoritmi specifici per analizzare e comprendere strutture e relazioni complesse all’interno dei set di dati.

Intelligenza artificiale (IA)

Un campo dell’informatica che si occupa dello studio di algoritmi in grado di prendere decisioni in maniera intelligente, di ragionare, e di risolvere determinati problemi.

Intelligenza artificiale debole (Weak AI)

Un’intelligenza artificiale che riesce ad eseguire compiti in un settore specifico, ben determinato, e ristretto. La maggior parte delle intelligenze artificiali che utilizziamo oggi sono di questo tipo: in grado di eseguire solamente compiti specifici come suggerire film di nostro gradimento o rispondere alle nostre richieste vocali.

Intelligenza artificiale generale (IAG)

L’intelligenza di una macchina in grado di compiere qualunque tipo di attività dell’intelletto che gli esseri umani sono già in grado di compiere. In questo modo si raggiunge un livello in cui uomo e macchina condividono le stesse capacità.

Lidar (Light Detection and Ranging)

Un dispositivo che permette di misurare la propria distanza rispetto ad un oggetto calcolando il tempo di volo che impiega un impulso laser, emesso dal dispositivo stesso, per colpire e, una volta riflesso dall’oggetto, tornare indietro. Il lidar è spesso utilizzato per produrre mappe ad alta risoluzione e nel caso specifico delle macchine a guida autonoma è uno dei sensori fondamentali per individuare ed evitare gli ostacoli lungo il percorso.

Macchina a guida autonoma

Un veicolo in grado di percepire e navigare attraverso l’ambiente che lo circonda senza l’intervento dell’essere umano, utilizzando sensori montati a bordo ed algoritmi di intelligenza artificiale per pianificare ed eseguire le manovre necessarie alla guida.

Natural language processing (NLP)

L’abilità dei computer di comprendere e processare il linguaggio umano. Un aspetto fondamentale è l’estrazione del significato delle parole all’interno di un discorso: il computer, infatti, può riconoscere una parola ma non riesce facilmente a comprendere il significato della parola stessa come fanno gli esseri umani.

Overfitting

Un problema degli algoritmi di machine learning per cui il modello prodotto contiene troppi parametri e si adatta eccessivamente ai dati su cui è stato allenato. Quando un modello che soffre di overfitting riceve nuovi dati per effettuare delle predizioni si otterranno risultati scarsi poiché il modello funziona bene solo con dati che contengono caratteristiche simili a quelle dei dati utilizzati nella fase di allenamento.

Pesi

Coefficienti matematici che indicano le connessioni fra i diversi nodi delle reti neurali e definiscono l’importanza o meno di un collegamento. Questi pesi vengono calcolati attraverso il processo di apprendimento dell’algoritmo.

Planning

Un campo dell’intelligenza artificiale in cui i computer sono chiamati a pianificare una serie di strategie e sequenze per compiere determinate azioni. Un classico esempio è un robot che deve raggiungere un punto B partendo da A e lungo il percorso deve compiere manovre per evitare gli ostacoli.

Reti neurali artificiali (ANN)

Si tratta di una tipologia di algoritmi di apprendimento automatico che si basano sulla struttura del sistema di neuroni presente nel cervello degli animali. Il collegamento fra diversi nodi — il corrispettivo artificiale dei neuroni — permette all’algoritmo di risolvere compiti che sarebbero altrimenti molto più ardui se eseguiti utilizzando altri metodi.

Turing test

Un test sviluppato da Alan Turing nel 1950 che valuta l’abilità di una macchina nel riprodurre un comportamento umano fino al punto di essere indistinguibile dall’uomo stesso. L’esaminatore sostiene una conversazione con un essere umano ed una macchina e deve identificare le rispettive identità. Un esempio di test di Turing è quello che incontriamo quotidianamente online nella registrazione ai siti web: i CAPTCHA.

Il test di Turing ha ricevuto delle critiche poiché non è ritenuto una prova sufficiente per dimostrare che una macchina sia dotata veramente di intelligenza.