Mai come nel 2018 si è discusso di intelligenza artificiale e lo stesso accadrà, forse ancor di più, nel 2019. Molti vendor hanno inserito fra le previsioni per l’anno nuovo spunti di riflessione sul machine learning, sulle tecnologie di riconoscimento biometrico, riconoscimento dell’immagine, comprensione del linguaggio naturale, robotica non pilotata dall’uomo e altro ancora. Spicca fra questi Ibm, autore di una retrospettiva sulle tendenze dell’AI che racchiude un centinaio di articoli di ricercatori e scienziati, operativi nei dodici laboratori che Big Blue conta in giro per il mondo. La missione dichiarata dall’azienda di Armonk è quella di partorire nuove invenzioni che ci porteranno dall’attuale era che Ibm chiama della “narrow AI” a una nuova fase di “broad AI”, a disposizione di tutti e “caratterizzata dalla capacità di apprendere e ragionare in modo più ampio rispetto ai vari problemi affrontati, di integrare le informazioni da più modalità e domini, presentando al tempo stesso caratteristiche di maggiore spiegabilità, sicurezza, equità, verificabilità e scalabilità”.
Oltre a fare il punto sulla situazione attuale e sui recenti progressi, la retrospettiva include qualche scommessa sul futuro. Vediamo allora alcune delle previsioni dei ricercatori e degli scienziati che ogni giorno lavorano nel mondo dell’AI.
Una vera comprensione del linguaggio. Un filone di sviluppo per Ibm sono alcuni nuovi metodi di comprensione del linguaggio naturale parlato, chiamati Machine Listening Comprehension, grazie ai quali i sistemi di AI possono non solo ascoltare e comprendere dei comandi ma argomentare e dibattere su determinati contenuti. Le macchine, in sostanza, diventano capaci di capire i ragionamenti delle persone e non più solo le singole frasi.
Apprendimento rapido per il riconoscimento immagini.
Gli attuali sistemi di image recognition richiedono spesso che il sistema venga “allenato” con migliaia o anche milioni di immagini classificate. Ibm Research ha sviluppato invece un nuovo metodo di apprendimento “rapido”, in grado di riconoscere con precisione nuovi oggetti a partire da pochi o addirittura da un solo esempio, e senza dover impiegare metadati o tag aggiuntivi. Sistemi di questo genere potrebbero estendere il riconoscimento immagini a contesti penalizzati da scarsa disponibilità di dati.
Lo “studente” diventa il “maestro”.
Tra le novità presentate nel 2018 da Ibm Research c’è un sistema che permette di mettere a confronto due agenti software, basati su algoritimi di machine learning, che imparano l’uno dall’altro. In sostanza, si possono scambiare conoscenze e contribuire alla crescita reciproca di competenze, e possono farlo in modo più rapido rispetto ai metodi attualmente disponibili.
Risposte più accurate alle domande.
Altra invenzione di Ibm è un metodo di intelligenza artificiale che può produrre risposte a specifiche domande in domini aperti, e che rispetto a quelli già in circolazione migliora l’accuratezza delle risposte. Merito del modo in cui il sistema riordina e aggrega le evidenze raccolte.
Una AI più scalabile.
Il documento di Ibm descrive, poi, diversi metodi e approcci in grado di rendere più scalabili le tecnologie di intelligenza artificiale. Il problema dei lunghi tempi di addestramento e della mobilitazione di notevoli risorse di computazionali è tipico dei modelli di deep learning (l’apprendimento profondo, un tipo di ragionamento artificiale basato su schemi gerarchici e sulla riproduzione di reti neurali). Molto potenti, questi modelli non sono quindi facili né veloci da addestrare. I ricercatori di Big Blue nel 2018 hanno per la prima volta dimostrato la possibilità di allenarli efficacemente con sistemi a 8 bit, anziché a 16 bit o a 32 bit, come solitamente si fa. In questo modo si riducono di due o quattro volte i tempi di addestramento. “Sebbene in precedenza si fosse ritenuto impossibile ridurre ulteriormente la precisione per l’addestramento, prevediamo che la nostra piattaforma di addestramento a 8 bit diventerà uno standard di settore ampiamente adottato nei prossimi anni”, si legge nel documento.
Lotta ai pregiudizi.
Quello del bias è un noto problema dei sistemi di intelligenza artificiale, un problema che è difficile riassumere in poche parole ma che sostanzialmente deriva dal fatto che la scelta dei dati di partenza su cui allenare l’algoritmo è gioco forza una selezione, o contiene tracce di condizionamenti sociali e culturali. L’approccio sviluppato da Ibm prevede che i dati del training vengano trasformati in modo da ridurre al minimo la presenza di pregiudizi, ed è già stato messo alla prova su due grandi archivi di open data.
Decisioni non più misteriose.
Le reti neurali organizzate su molti livelli sono per molti aspetti delle “scatole nere”, che producono decisioni difficili da smontare e ricostruire per l’osservatore esterno. In sostanza, per l’uomo è difficile capire perché il sistema abbia preso una decisione anziché un’altra, e questa mancata chiarezza rappresenta una barriera nella fiducia nei confronti dei sistemi di intelligenza artificiale. Una metodologia di apprendimento automatico chiamata ProfWeight, anch’essa uscita dai laboratori di Ibm, permette di ricalcare in modo semplificato una rete neurale di partenza e, presentando una minore complessità, fornisce alcune informazioni sul funzionamento di tale rete e sulle motivazioni delle sue scelte. Per affrontare la questione della fiducia e la rottura della “scatola nera” nel 2018 diverse organizzazioni hanno istituito comitati consultivi sull’etica dell’intelligenza artificiale, stabilendo finalità di bene sociale e introducendo alcuni strumenti di comprensione dell’AI. A detta di Ibm, nel 2019 inizieremo a vedere il frutto di queste prime iniziative, con riflessi concreti nelle strategie e nei progetti di implementazione delle aziende.