L'intelligenza artificiale è usata come un termine generico per molti sottogruppi di IA, che è a sua volta un sottogruppo dell'informatica.

Mentre esplori il mondo dell'IA, potresti sentirti come se ti stessi tuffando a capofitto in acque infestate da squali. Ci sono così tanti componenti e sottotemi dell'IA che cercare di orientarti tra di essi può essere difficile senza una guida. Per sembrare esperto su un argomento, è cruciale che tu impari prima alcune importanti applicazioni del campo generale.

Applicazioni dell'intelligenza artificiale

Clicca su qualsiasi termine qui sotto per leggere una descrizione estesa più un esempio di applicazioni attuali.

• Intelligenza artificiale ristretta (ANI)
• Intelligenza artificiale generale (AGI)
• Big data
• Visione artificiale
• Data mining
• Apprendimento automatico
• Apprendimento profondo
• Reti neurali
• Rete neurale convoluzionale (CNN)
• Reti generative avversarie (GAN)
• Elaborazione del linguaggio naturale (NLP)

Intelligenza artificiale ristretta (ANI)

L'intelligenza artificiale ristretta (ANI), o IA debole, è un tipo di intelligenza artificiale che può concentrarsi solo su un compito o problema specifico alla volta. Questa è la nostra definizione attualmente più diffusa di intelligenza artificiale nel suo complesso. L'IA ristretta è programmata per completare un singolo compito, come dire il meteo o giocare a un gioco.

L'IA ristretta non è né autocosciente né senziente. Anche se può sembrare altamente capace, l'ANI è vincolata da una programmazione rigida per compiti singolari. L'ANI è considerata debole perché non ha la capacità di eguagliare o superare l'intelligenza umana o di apprendere e adattarsi come possono fare altri formati di IA.

Nonostante ciò, le macchine ANI possono sembrare più informate e sofisticate superando la conoscenza o l'abilità umana nel compito individuale per cui sono state programmate; tuttavia, questi sistemi operano come programmato, non perché stanno attivamente apprendendo nuove informazioni.

Un esempio di IA ristretta sono gli assistenti per smartphone come Bixby o Siri. Anche se possono "comunicare" con gli utenti umani, le loro risposte sono limitate da una mancanza di comprensione delle parole e delle frasi oltre ciò che sono stati programmati per interpretare.

GIF per gentile concessione di F. Martin Ramin via amysboyd.com

Intelligenza artificiale generale (AGI)

L'intelligenza artificiale generale (AGI), o IA forte, è l'inverso dell'ANI. L'AGI si riferisce a macchine che possono svolgere con successo compiti umani. Questo tipo di intelligenza è considerata "simile all'umano", dato che l'IA generale può strategizzare, ragionare, apprendere e comunicare in un modo allineato con le funzioni e i processi umani. Inoltre, alcune macchine AGI sono in grado di vedere (mediante visione artificiale) o manipolare oggetti.

Attualmente, l'AGI è in fase preliminare con applicazioni reali ipotetiche all'orizzonte nel prossimo futuro.

Big data

Big data definisce grandi quantità di dati strutturati e non strutturati. È un campo che analizza ed estrae informazioni da grandi quantità di informazioni (dati) che sono troppo complesse per essere gestite da software di elaborazione dati standard.

Un esempio di big data nello sviluppo di prodotti è Netflix. Poiché la base utenti di Netflix è pari o superiore a 100+ milioni di persone, utilizzano i big data per costruire modelli predittivi per migliorare l'esperienza utente. Ogni volta che ricevi un consiglio su uno show o un film che potrebbe interessarti in base a ciò che hai già visto, Netflix sta utilizzando la sua grande quantità di dati e preferenze degli utenti per curare una selezione di probabili corrispondenze per utenti individuali.

GIF per gentile concessione di Ramy Khuffash via uimovement.com

Netflix raccoglie big data in una moltitudine di modi tracciando come un utente scopre un programma o un film (funzione di ricerca, suggerimento); valutazioni a stelle; query di ricerca; quando o se gli utenti mettono in pausa o smettono di guardare uno show/program; data/e in cui il contenuto è stato guardato; e altro ancora. Usano questi dati per raccomandare nuovi contenuti agli utenti e mostrare a un utente "cosa è di tendenza" (che può influenzare alcuni utenti a guardare per essere al corrente) con programmi nuovi e caldi.

Visione artificiale

La visione artificiale è quando una macchina elabora input visivi da file immagine (JPEG) o flussi di telecamere. Non solo la visione artificiale può "vedere" l'immagine/le immagini, ma comprende ed elabora anche ciò che sta vedendo. Se questo fosse messo in termini di esistenza umana, la visione artificiale è alla comprensione del cervello come gli occhi sono al vedere.

Fondamentalmente, ogni volta che una macchina elabora input visivi grezzi – come un file JPEG o un flusso di telecamera – sta usando la visione artificiale per capire cosa sta vedendo. È più facile pensare alla visione artificiale come alla parte del cervello umano che elabora le informazioni ricevute dagli occhi – non gli occhi stessi. Per semplificare, utilizzare la visione artificiale significa che l'utente sta inserendo un'immagine nel sistema, e ciò che l'utente riceve come output può includere caratteristiche quantitative e qualitative dell'immagine, inclusi colore, forma, dimensione e classificazione.

Un esempio di visione artificiale sono le immagini che le auto a guida autonoma di Tesla vedono. Il sistema deve non solo riconoscere le immagini per forma, tipo e colore, ma anche elaborare questi pezzi di informazioni estremamente rapidamente dato che sta eseguendo un'azione in tempo reale.

 GIF per gentile concessione di Steph Davidson via Tesla 

Data mining

Il data mining è il processo di ordinamento attraverso grandi set di dati per identificare modelli ricorrenti mentre si stabiliscono relazioni di problem-solving. Il data mining è un sottogruppo misto di informatica e statistica il cui unico scopo è estrarre dati utilizzando l'IA trasformandoli in informazioni utili.

Esempi di data mining si verificano nel commercio elettronico, con Amazon che guida il gioco della raccolta dati. Amazon prende di mira i propri clienti e utilizza i loro dati mostrando ai compratori prodotti consigliati che "altri" hanno acquistato in relazione all'acquisto previsto del consumatore (cioè se stai considerando di acquistare questo, le persone di solito acquistano anche quello). Amazon utilizza i dati dei clienti (cosa hanno acquistato le persone più cosa hanno detto sui loro acquisti) per identificare modelli di acquisto e dedurre cosa potrebbe piacere ai clienti basandosi su altri dati utente.

Apprendimento automatico

L'apprendimento automatico si concentra sullo sviluppo di programmi che accedono e utilizzano i dati da soli, portando le macchine ad apprendere da sole e migliorare dalle esperienze apprese senza essere esplicitamente programmate.

Molti esempi di apprendimento automatico nella vita quotidiana esistono attualmente, inclusi annunci mirati sui social media, assistenti vocali virtuali sui telefoni cellulari, software di riconoscimento facciale sui siti di social media e previsioni di spostamento da app come Google Maps o dati GPS del cellulare.

 Immagine per gentile concessione di vigilantsolutions.com

Apprendimento profondo

L'apprendimento profondo è una tecnica di apprendimento automatico che insegna ai computer come apprendere a memoria. In altre parole, l'apprendimento profondo consente alle macchine di acquisire la capacità di imitare l'apprendimento come farebbe una mente umana classificando testo, suoni e immagini in categorie.

Esempi di apprendimento profondo si trovano in varie tecnologie esistenti, come le auto senza conducente e assistenti vocali. Questi esempi specifici utilizzano tecniche di apprendimento profondo apprendendo da centinaia – se non migliaia – di ore di video, immagini e campioni con cui la tecnologia auto-insegna il riconoscimento dei modelli.

Ad esempio, le auto senza conducente imparano a guidare e navigare sulle strade studiando i modelli stradali e le abitudini di guida dei conducenti umani esistenti e di altri veicoli. Allo stesso modo, gli assistenti vocali ascoltano infinite ore di dati vocali da persone con diversi tipi di voce, lingue e modelli di discorso per imparare a replicare il discorso umano.

Reti neurali

Una rete neurale si modella sul cervello umano creando una rete neurale artificiale tramite un algoritmo di riconoscimento dei modelli. Questo algoritmo consente a un computer di apprendere e interpretare dati sensoriali con lo scopo di classificare e raggruppare detti dati.

Ad esempio, un compito comune per le reti neurali è il riconoscimento degli oggetti. Il riconoscimento degli oggetti è quando a una rete neurale viene dato un gran numero di oggetti simili (segnali stradali, immagini di animali, ecc.) da ispezionare e analizzare. Poi interpreta cosa sono gli oggetti mentre impara a identificare modelli all'interno di detti oggetti, alla fine capendo come categorizzare contenuti futuri.

GIF per gentile concessione di www.analyticsindiamag.com

Reti neurali convoluzionali (CNN)

Le reti neurali convoluzionali sono un tipo di rete neurale specificamente creata per analizzare, classificare e raggruppare immagini visive utilizzando percettroni multistrato. Le CNN aiutano nel riconoscimento degli oggetti all'interno delle scene (pensa: oggetti all'interno di un'immagine più grande, non solo l'oggetto autonomo) così come nel testo digitalizzato o scritto a mano utilizzando strumenti di riconoscimento ottico dei caratteri (OCR).

Reti generative avversarie (GAN)

Le reti generative avversarie sono un tipo di rete neurale che può generare fotografie apparentemente autentiche, almeno su una scala superficiale per gli occhi umani. Le immagini generate da GAN prendono elementi di dati fotografici e li modellano in immagini realistiche di persone, animali e luoghi.

Un esempio recente è presentato in un documento di NVIDIA, un'Architettura di Generatore Basata su Stile per GAN (StyleGAN). StyleGAN è in grado di produrre immagini artificiali in modo graduale, da un'immagine pixelata e di bassa qualità che alla fine diventa un'immagine ad alta risoluzione realistica di un individuo su https://thispersondoesnotexist.com/ o un gatto su https://thiscatdoesnotexist.com/.

Lo StyleGAN modifica le caratteristiche di come apparirebbe una persona (o un gatto), prendendo in prestito da immagini reali di persone e gatti esistenti, assegnando intricatamente caratteristiche e proprietà fisiche a un alto livello di dettaglio (ad esempio colore della pelle, pori, acconciatura, colore degli occhi, barba e altro).

GIF per gentile concessione di https://arxiv.org/pdf/1710.10196.pdf 

Elaborazione del linguaggio naturale (NLP)

L'elaborazione del linguaggio naturale (NLP) aiuta i computer a elaborare, interpretare e analizzare il linguaggio umano e le sue caratteristiche utilizzando dati di linguaggio naturale. L'NLP è usato con l'intento di aiutare a colmare il divario tra esseri umani e computer nel conversare e comprendere l'un l'altro.

Un esempio di NLP può essere visto nella conversione da voce a testo delle trascrizioni dei messaggi vocali.

Setacciare il gergo

Ora che hai imparato alcune delle applicazioni più importanti dell'IA, puoi tirare un sospiro di sollievo e asciugarti il sudore dalla fronte – ce l'hai fatta! Sei sulla buona strada per diventare esperto in tutto ciò che riguarda l'intelligenza artificiale.

Vuoi continuare a crescere la tua competenza sull'intelligenza artificiale oltre le basi? Dai un'occhiata alla nostra guida sulla storia dell'IA.