Comprendere l'Intelligenza Artificiale e l'Apprendimento Automatico

L'intelligenza artificiale e il machine learning sono termini di tendenza nel settore tecnologico che spesso – e in modo errato – vengono usati in modo intercambiabile.

A livello base, l'intelligenza artificiale (AI) deriva direttamente dallo studio dell'informatica, mentre il machine learning (ML) è un sottogruppo dell'intelligenza artificiale, rendendolo quindi due volte rimosso dal campo principale dell'informatica. I due si sovrappongono, ma non sono la stessa cosa.

Per ricapitolare, l'AI è un componente dell'informatica che si occupa di sistemi informatici che eseguono compiti con intelligenza simile, uguale o superiore a quella umana (ad esempio, prendere decisioni, classificare e rilevare oggetti, riconoscere e tradurre il parlato). D'altra parte, il ML si concentra sullo studio di algoritmi, modelli statistici e riconoscimento di schemi che i sistemi informatici utilizzano per eseguire compiti senza istruzioni esplicite (programmazione). Questo permette alle macchine di apprendere da sole e migliorare continuamente dalle esperienze passate.

Questo articolo coprirà le differenze e le somiglianze tra intelligenza artificiale e machine learning, cosa fa ciascuno indipendentemente e i loro paralleli l'uno con l'altro.

La gerarchia dell'intelligenza artificiale e del machine learning

Come menzionato in precedenza, AI e ML sono intrinsecamente correlati, ma non sinonimi. In sostanza, tutto il machine learning è intelligenza artificiale, ma non tutta l'intelligenza artificiale è machine learning.

Entrambi i termini vivono all'interno del termine principale di informatica (CS), con l'AI che è il genitore del ML. Per una visualizzazione semplificata, dai un'occhiata a questo diagramma:

Con questo in mente, ci sono alcune differenze chiave tra intelligenza artificiale e machine learning che devono essere discusse prima di capire come i due funzionano insieme.

Background e funzioni dell'intelligenza artificiale

L'intelligenza artificiale risale a secoli fa, ma è diventata praticabile per la prima volta nel 1900 – e ha davvero preso piede negli anni '50. Quando lo scienziato informatico Alan Turing sviluppò il Test di Turing, creò il primo test di intelligenza delle macchine rispetto a quella di un essere umano.

Dopo di ciò, ogni decennio ha visto progressi nell'AI dai robot industriali nel settore automobilistico a programmi informatici interattivi che potevano comunicare con gli esseri umani (cioè la prima incarnazione dei chatbot), rappresentazioni cinematografiche di bot umanizzati e assistenti vocali negli smartphone programmati con capacità di elaborazione del linguaggio naturale (NLP).

Tutti questi progressi hanno portato l'AI a diventare comune nelle nostre vite, tanto che spesso trascuriamo che molti dei nostri processi quotidiani sono alimentati dall'intelligenza artificiale.

Casi d'uso dell'intelligenza artificiale

Se diamo un'occhiata più da vicino ad alcuni usi tangibili dell'AI, è più facile capire come alcune applicazioni dell'intelligenza artificiale si sovrappongano al machine learning, e più semplice distinguere le differenze tra i due.

Robotica

Anche se le persone erroneamente assumono che l'intelligenza artificiale si manifesti esclusivamente nella robotica, è comunque vero che la robotica è un importante sottocomponente dell'AI. Alcuni esempi di robot alimentati dall'AI si possono trovare nel settore retail e nel campo medico. Nel retail, i robot vengono utilizzati per aiutare a rifornire gli scaffali, fare l'inventario e riferire a un manager umano sui loro risultati. In medicina, i robot vengono utilizzati per aiutare i chirurghi a eseguire interventi chirurgici di alto livello come la chirurgia cardiaca per un approccio meno invasivo.

Tecnologia educativa

Edtech, abbreviazione di tecnologia educativa, sta portando l'AI in primo piano per i progressi nelle aule, e per studenti e istruttori. Dai lavagne SMART agli assistenti di tutoraggio intelligenti per bambini con disabilità di apprendimento o per coloro che semplicemente hanno bisogno di ulteriore aiuto, l'AI sta agendo come una forza positiva nel mantenere gli studenti al passo per il successo.

Chatbot

I chatbot sono utilizzati su quasi tutti i siti web che incontriamo. Che siano utilizzati per il servizio clienti e per rispondere a domande frequenti su un prodotto o servizio o per fornire raccomandazioni di acquisto su un sito di e-commerce, non puoi passare più di un giorno senza incontrarne uno. I chatbot possono persino agire come assistenti personali aiutando a impostare promemoria su eventi del calendario e appuntamenti, oltre ad aiutare a programmare riunioni.

Background e funzioni del machine learning

Le radici del machine learning possono essere ricondotte a una linea temporale simile a quella dell'AI, ma questo perché il ML non potrebbe esistere senza che l'intelligenza artificiale esistesse prima. Tuttavia, ci sono alcune date chiave nella storia del ML specifiche della sua linea temporale.

Nel 1949, lo scienziato informatico Arthur Samuel lavorò sul primo computer a programma memorizzato di IBM, il 701. Dieci anni dopo, completò lo sviluppo di un programma per giocare a dama su computer – il primo a imparare indipendentemente a giocare a un gioco utilizzando un algoritmo di machine learning chiamato potatura alfa-beta. Ha anche sviluppato una funzione di punteggio che misurava la probabilità di vincita per ciascun giocatore in base alla posizione delle pedine sulla scacchiera. Considerava il numero di pezzi rimanenti, quanti re aveva ciascun giocatore e il numero di pedine vicine a essere "incoronate" per prime.

Samuel progettò altri modi per aiutare il suo programma di dama a migliorare, inclusi tecniche di apprendimento mnemonico. L'apprendimento mnemonico è intrinsecamente l'essenza del machine learning; è una tecnica di apprendimento basata interamente sulla ripetizione e memorizzazione. Il punto dell'apprendimento mnemonico è che più una persona (o in questo caso, un programma di machine learning) studia e memorizza qualcosa, maggiore è la probabilità che l'individuo (o il programma) ricordi ciò che ha appreso. Pertanto, il consumo porta al ricordo e alla comprensione, il che apre la strada alla costruzione e al miglioramento di ciò che è stato appreso.

Poiché il machine learning si basa su algoritmi che fanno previsioni sui passi successivi, Samuel ha usato questo per addestrare il programma ML a ricordare le posizioni che aveva visto sulla scacchiera e il valore di certe posizioni (ad esempio, la vicinanza a essere incoronati, il centro rispetto alla fine della scacchiera, ecc.). Per continuare a crescere l'accuratezza di questo algoritmo, Samuel lo fece giocare contro se stesso come tecnica di addestramento avanzata.

Il programma per giocare a dama su computer ha aiutato a catapultare il machine learning in primo piano nell'esplorazione continua dell'intelligenza artificiale.

Casi d'uso del machine learning

Come l'AI, le applicazioni del machine learning esistono attualmente – incluse quelle che usiamo regolarmente. La seguente lista non è esaustiva ma offre una buona panoramica di alcuni modi attuali in cui il ML è utilizzato.

Veicoli a guida autonoma e dati delle mappe GPS

Le auto autonome sono un esempio lampante di machine learning in azione. Gli algoritmi ML utilizzano reti neurali, visione artificiale e AI per riconoscere il tipo di strada su cui stanno guidando, cosa significano certi segnali stradali, se c'è un semaforo, se ci sono pedoni o altre auto sulla strada, e qualsiasi altra ostruzione casuale con cui il veicolo a guida autonoma potrebbe entrare in contatto.

Inoltre, ogni volta che usi il tuo telefono per le indicazioni GPS, il machine learning è in azione. Proprio come impariamo a guidare basandoci sulla pratica e seguendo lo stesso percorso e movimenti (ad esempio, una svolta a destra, un'inversione a U, un cambio di corsia), l'algoritmo ML impara dai modelli di percorso per aumentare la sua accuratezza nella navigazione e nel rispetto delle leggi del traffico.

GIF per gentile concessione di ZME Science via Chris Urmson

Riconoscimento facciale

Il machine learning è utilizzato in tutti gli aspetti delle biometrie. L'autenticazione biometrica è un modo di sicurezza e identificazione basato su caratteristiche fisiche (ad esempio, i tuoi occhi, l'impronta digitale o – indovina un po' – il viso). Poiché gli algoritmi ML sono addestrati a riconoscere oggetti e schemi, il riconoscimento facciale attinge dalla visione artificiale e dal ML per aiutare i sistemi a riconoscere le caratteristiche fisiche al fine di autenticare che la persona che cerca di accedere a un dispositivo sia effettivamente la persona che lo possiede.

Pubblicità mirata

Ogni volta che sei online e cerchi qualcosa, vengono acquisiti dati sui tuoi termini di ricerca, le tue informazioni demografiche, interessi di ricerca correlati e altro. Il marketing AI utilizza algoritmi di machine learning per tracciare modelli nelle tue abitudini online (così come quelle di altri) e fare supposizioni sui tuoi modelli di acquisto, chi sei e come meglio mirare le pubblicità a te. Ad esempio, se sei una persona a cui piacciono molto le borse, probabilmente riceverai un annuncio per borse su Amazon.

Intelligenza artificiale vs. machine learning – il foglio di trucchi

Per riassumere concisamente le informazioni sopra, ecco un foglio di trucchi per aiutarti a ricordare le differenze di base tra AI e ML!

Vuoi continuare a imparare sull'intelligenza artificiale e il machine learning? Dai un'occhiata al nostro ampio glossario dei termini AI.