I robots ci uccideranno?

Cos’è l’intelligenza artificiale e cosa bisogna sapere a riguardo: qui di seguito, il dubbio dio vi fornirà una breve storia dell’ A.I. e un vocabolario di partenza.

Riscaldiamoci con un po’ di brain storming e cerchiamo di capire subito quali sono i collegamenti mentali che le persone fanno quando si parla di Artificial Intellgence. La cultura pop ha iniziato decenni fa a costruire il nostro immaginario con filmoni come Metropolis (1927), Odissea nello Spazio (1968), Blade Runner (1982), Terminator (1984). Ma cosa accomuna questi pezzi di storia del cinema?

Spoiler Alert: i robots vogliono distruggere il mondo.

Nemmeno il peggiore tra gli haters del pop anni Ottanta, si dissocerà del tutto da una visione apocalittica, del progresso tecnologico.  

Prova digitare “A.I.” su Google e a guardare le immagini.

Hey, siamo per caso atterrati su Pandora? Perché io vedo solo personaggi blu.

Non è del tutto chiaro neppure perché un’Intelligenza Artificiale debba avere un volto bianco e creepy, con tanto di cablaggio che affiora dalla nuca a mo’ di cervelletto scoperchiato. Qualcuno è stato imprigionato da L’Enigmista? Salvate quel robot, vi prego!

Ebbene, anticipo che se le nostre conoscenze sull’A.I. sono queste, non passeremo nemmeno il test di ingresso.

In questo articolo del dubbio dio cercheremo dunque di dare delle informazioni semplici e basilari per capire meglio cosa sia un robot di oggi.

General A.I e Narrow A.I.

La prima differenza da conoscere è quella tra General A.I. (a.k.a. A.G.I., Strong A.I. o Full A.I.)  e Narrow A.I. (a.k.a. Weak A.I.).

Quando parliamo di General A.I. ci riferiamo a macchine in grado di pensare e operare come farebbe un essere umano.  Questo tipo di risultato per il momento rimane ancora legato all’ambito della fantascienza. Il motivo principale è che lo stesso funzionamento del pensiero naturale nasconde ancora dei grandi misteri. Gli studi sulla realizzazione di un’intelligenza artificiale generale mirano a rispondere in primo luogo a una domanda: “come funziona l’intelligenza umana?”

Ai lettori meno pigri suggerisco di approfondire questo argomento con un articolo del professore italiano Giovanni Iorio Giannoli Intelligenza artificiale e filosofia, scaricabile a questo link: https://www.academia.edu/3575747/Intelligenza_artificiale_e_filosofia

Il fatto che non siamo ancora arrivati alla formulazione di un’intelligenza artificiale generale non significa, ovviamente, che non ci stiamo provando: esistono organizzazioni che spendono milioni di dollari per ricercare l’agognata formula alchemica. Tra queste ci sono DeepMind (indovinate chi è l’owner?), Microsoft e Tesla.

Ma passiamo alla Narrow A.I., detta anche Intelligenza debole. A discapito del nome, si tratta dell’intelligenza artificiale che ha cambiato il mondo. È in continua evoluzione, ci osserva silenziosamente, impara dai nostri comportamenti e ci accompagna da decenni in ogni ambito della vita.

Esatto! Stiamo parlando del sistema di algoritmi di Google (o di Siri, o del riconoscitore di volti del tuo smartphone, o del sistema di sicurezza del supermercato che ti costringe alla rilettura della spesa quando metti nel carrello un articolo insolito).

Questo tipo di A.I. si distingue dalla General A.I. perché il suo obiettivo non è quello di saper fare un po’ di tutto (e mediocremente) come un cristiano qualunque, ma di operare su un task specifico con una capacità di prestazioni sovrumana. E questo non perché abbia una capacità di ragionamento superiore a quella di una persona, ma perché è in grado di passare in rassegna un’enorme quantità di dati, che una persona farebbe fatica anche solo a recuperare, e di riordinarli in diverse combinazioni e in pochi attimi.

Molti dei ricercatori e dei programmatori che sono abituati a maneggiare quotidianamente gli algoritmi di questa scienza, la definiscono con spocchia “uno studio statistico un po’ più sofisticato”. Eppure ci sono delle sottocategorie di A.I. dove non è così facile, una volta ottenuti dei dati, capire esattamente come siano stati ottenuti.

Partiamo dal Machine Learning.

Machine Learning

Il M.L. è quel tipo di A.I. a cui non viene data in pasto una formula, come succede per l’informatica tradizionale, ma un modello. La macchina impara a riconoscerlo e a dare dei relativi feedback. Quando finiamo di vedere un film su Netflix e ci viene chiesto “ehi, vuoi vedere anche American Pie-Beta House? Potrebbe piacerti!” è la sua vocina infingarda che parla.

Questo tipo di intelligenza viene applicata ormai a tutto il mercato, dentro e fuori la rete. I risultati sono straordinari: basta uscire di casa per dire all’algoritmo che negozi ci interessano, o pronunciare ad alta voce la parola Just Eat per ricevere quell’ e-mail maliziosa che ci domanda: “qualcuno ha detto Just Eat?”

Per addestrare questo sistema c’è un solo inconveniente: servono molti dati e di ottima qualità. È così che le aziende multinazionali investono per avere dei data base organizzatissimi.

Il Machine Learning è una miniera d’oro soprattutto per chi li vende, questi algoritmi di apprendimento, perché non serve costruirne uno specifico per ogni business: le formule magiche in circolazione sono già scritte e basta dargli in pasto i propri dati, per farle funzionare. Si comprano su piattaforme cloud, che forniscono frameworks pronti all’uso. Un paio di esempi di queste piattaforme sono Azure Machine Learning o Amazon ML.

Alla luce di quanto detto, si può riformulare un luogo comune: anche quando paghi, sei tu il prodotto.

Artificial Neural Networks e Deep Learning

Aprendo le utility dei frameworks sopracitati, per scegliere gli algoritmi da applicare ai dati, si nota che le funzionalità disponibili hanno nomi tratti dalle scienze statistiche.

Esiste, però, un settore del Machine Learning che si ispira maggiormente al funzionamento del cervello: il Deep Learning.

Questo tipo di “apprendimento profondo” si basa su un’architettura algoritmica ispirata alle reti neuronali umane. L’informazione che entra nella macchina viene filtrata da diversi strati di elaborazione, finché il risultato restituito non è quello atteso. Nel contempo, le connessioni che non portano al risultato atteso, vengono eliminate, in modo che la macchina possa diventare sempre più efficiente anche nell’apprendimento stesso.

Un esempio, per capirci: l’azienda giapponese Fanuc, in collaborazione con la connazionale Preferred Networks che sviluppa software, ha progettato per il lavoro in fabbrica dei bracci meccanici che usano una tecnica chiamata trial-and-error per imparare a costruire pezzi di auto senza essere programmati manualmente per farlo. Viene fornito alle macchine un modello virtuale e in 8 ore imparano a riprodurlo, sbagliando e riprovando fino a che non riescono ad ottenerne il gemello materiale. Questi bracci possono anche lavorare in rete e scambiarsi informazioni in tempo reale: viene da sé che una squadra di 8 bracci possa impiegare solo un’ora per imparare a riprodurre il risultato richiesto.

Da segnalare che il processo di apprendimento risulta infine una scatola nera: non sarà facile spiegare esattamente quali passaggi sono stati eseguiti dal robot.

Il Deep Learning è il metodo più utilizzato per funzionalità come il riconoscimento facciale, per alcuni settori del gaming e per gli assistenti vocali. Questi ultimi ci danno l’occasione di soffermarci brevemente su un ultimo campo del Machine Learning: la Natural Language Processing, a.k.a. Elaborazione del linguaggio naturale.

Natural Language Processing

In Italia, il centro di riferimento è l’Istituto di Linguistica Computazionale A. Zampolli di Pisa. La N.L.P. è un campo dell’informatica che attira l’interesse degli umanisti: filologi, linguisti, psicologi del linguaggio. Certo, perché qualcuno dovrà pur insegnare alle macchine che ogni essere umano ha il suo modo di esprimersi, di fare domande, di comunicare uno stesso pensiero. Non basta conoscere l’analisi grammaticale. Così sono nate due nuove discipline di perfezionamento: la Natural Language Understanding e la Natural Language Processing. I risultati ottenuti sono eccellenti, e chi utilizza Siri da qualche anno può confermarlo. E, sebbene nessuno pagherà il dubbio dio per la promo, ve lo diciamo: anche in questo caso esistono piattaforme sulle quali è possibile acquistare tools pronti all’uso per creare chatbots e assistenti vocali intelligenti, qualora vi servisse averne.

L’A.I. ormai è un patrimonio dell’umanità. O meglio, mentre ci accorgiamo che esiste, lei è già entrata nelle nostre case, nei nostri oggetti, nella nostra mentalità. Prima ancora di aver deciso se la vogliamo oppure no. Ma dobbiamo confrontarci con questa enorme risorsa, ormai è un dato di fatto.

Il Deep Learning più profondo non sarà mai in grado di insegnare a una macchina a scegliere al posto nostro. Ad esempio, il valore individuale e la personalità non possono dipendere da un calcolo o da un modello, ed è già successo che l’applicazione di un algoritmo riflettesse o rinforzasse un pregiudizio, causando danni concreti a carico di persone. Questa tipo di ricorrenza viene identificata con il nome di Algorithmic Bias, o distorsione algoritmica e merita un approfondimento dedicato.

Quindi, ripetiamolo: l’intelligenza artificiale attualmente in uso, può aiutarci a ottenere e a classificare i dati, ma non li può comprovare. Abbiamo un dovere. Sempre.

Dubitare.