Drivers for Artificial Systems
Slide: <file:///C:/UNI/Magistrale/ISE/M1 – Drivers for Artificial Systems.pdf>
Indice
Dalle Previsioni ai Driver
Le slide partono dalle previsioni tecnologiche 2024, 2025 e 2026. Il messaggio non è memorizzare liste di trend, ma osservare una direzione comune: AI generativa, agenti AI, robotica, guida autonoma, sistemi fisici intelligenti, wearable, sanità, smart agriculture, sostenibilità e infrastrutture distribuite.
Note
Le previsioni mostrano che quasi tutte le tecnologie emergenti sono AI-related, AI-influenced o AI-driven. Anche quando il tema sembra energia, salute o manifattura, la componente computazionale intelligente è ormai centrale.
Gartner parla di agentic AI come programmi capaci di prendere decisioni e compiere azioni per raggiungere obiettivi specifici, combinando memoria, pianificazione, sensing, uso di strumenti e linee guida di sicurezza. Questo anticipa i tre driver principali del corso.
Sistemi Artificiali Oggi
Definizione
Un sistema artificiale è un sistema progettato almeno in parte da esseri umani, a cui viene assegnata una funzione per raggiungere un obiettivo.
Oggi individui e organizzazioni delegano funzioni sempre più complesse a sistemi artificiali. Molti processi umani dipendono da sistemi computazionali: prenotazioni online, piattaforme sociali, assistenti digitali, logistica, diagnostica, controllo industriale, mobilità.
Le slide distinguono requisiti e limiti. I requisiti chiedono sistemi capaci di capire contesto, utenti e obiettivi, operare autonomamente in ambienti dinamici e lavorare con componenti fisicamente distribuiti. I limiti chiedono trasparenza, accountability, rispetto dell’autonomia umana, privacy, sicurezza e non intrusività.
Warning
Più autonomia tecnica non significa automaticamente migliore sistema. Un sistema può essere potente ma opaco, efficiente ma invadente, autonomo ma non rispettoso della decisione umana.
I tre driver che ne derivano sono intelligenza, autonomia e distribuzione fisica.
Intelligenza
Definizione
L’intelligenza in questo contesto è la capacità di un sistema di modellare, riprodurre o mostrare comportamenti che associamo alla comprensione, al ragionamento, all’apprendimento o alla soluzione di problemi.
La domanda sull’intelligenza è antica. Dalla logica aristotelica fino alle macchine moderne, gli esseri umani cercano di capire l’intelligenza costruendo modelli e artefatti. Costruire macchine intelligenti è anche un modo per misurare quanto comprendiamo i processi intelligenti.
Le slide richiamano esempi storici, dal Mechanical Turk ad AlphaGo, e anche critiche classiche come la Chinese Room di Searle. Il punto ingegneristico però è più pratico: una tecnica AI che risolve un problema specifico non è ancora un sistema intelligente completo.
In pratica: un classificatore di immagini, un planner, un LLM e un motore di regole possono essere ottimi componenti. Ma Intelligent Systems Engineering chiede come combinarli, dove collocarli, come farli evolvere e come evitare composizioni ad hoc fragili.
Autonomia
Definizione
L’autonomia è la capacità di un sistema di regolare almeno parte del proprio comportamento senza controllo esterno continuo.
La fascinazione per macchine che fanno cose “da sole” è antica: automi, carrelli semoventi, macchine musicali, falsi automi e dispositivi capaci di imitare lavoro o intelligenza. Dietro c’è una domanda ricorrente: che cosa possono fare gli artefatti umani?
Il passaggio storico è dalla sostituzione della fatica fisica alla delega di funzioni ripetitive, poi cognitive, poi complesse. Una macchina può estendere ciò che gli esseri umani riescono a fare, creare nuove funzioni e cambiare strutture sociali e organizzative.
Esempio
Un sistema di prenotazione online non sostituisce solo un impiegato. Cambia il modo in cui utenti, aziende, pagamenti, disponibilità e regole interagiscono. Diventa parte di un sistema socio-tecnico.
La domanda per il corso è come modellare e ingegnerizzare autonomia nei sistemi computazionali e come collegarla all’intelligenza.
Distribuzione
Definizione
La distribuzione indica la presenza di componenti, dati, sensori, attuatori e interazioni collocati in spazi e tempi diversi.
I sistemi computazionali sono pervasivi: casa, auto, ospedali, università, spazi pubblici, industrie. Viviamo in una bolla computazionale fatta di calcoli continui, spesso concorrenti e distribuiti.
La distribuzione rompe assunzioni semplici: non esiste sempre un unico tempo di sistema, gli eventi non sono totalmente ordinati, le interazioni non dipendono dalla compresenza fisica, i confini tra sistema e ambiente sono sparsi tramite sensori e attuatori.
Sfida principale
Quando un sistema è distribuito, non basta progettare un algoritmo centrale. Bisogna progettare comunicazione, sincronizzazione, coordinazione, fallimenti, osservabilità parziale e interazione con un ambiente imprevedibile.
Domande di Fondo
Il modulo chiude con tre famiglie di domande.
Autonomia vs intelligenza: costruiamo sistemi intelligenti con autonomia o sistemi autonomi con intelligenza? Qual è il ponte concettuale e tecnico tra i due?
Distribuzione vs autonomia vs intelligenza: le astrazioni dei sistemi distribuiti sono sufficienti per sistemi intelligenti e autonomi? O servono nuovi modelli?
Teoria vs tecnologia vs metodologia: abbiamo teorie, strumenti e processi abbastanza solidi per progettare intelligent distributed systems con il livello di autonomia richiesto?
La direzione proposta è usare gli agenti come astrazione fondamentale: componenti autonomi, capaci di perseguire obiettivi, interagire e incapsulare tecniche AI.
Prossimi Argomenti
Continueremo con:
- Autonomy in Living Systems - autonomia biologica, autopoiesi, robustezza e omeostasi.
- Sorts and Levels of Autonomy - diverse nozioni e livelli di autonomia in domini differenti.