M6. Artificial Intelligence Bird’s Eye View
Slide: <file:///C:/UNI/Magistrale/ISE/M6 – Artificial Intelligence. A Bird’s Eye View.pdf>
Indice
Nascita dell’AI
Definizione
L’Artificial Intelligence e il campo che studia e costruisce sistemi capaci di mostrare comportamento intelligente o di realizzare processi che associamo all’intelligenza.
L’AI nasce ufficialmente nel 1956, alla summer school di Dartmouth. John McCarthy invita ricercatori interessati al rapporto tra calcolo e intelligenza; tra loro ci sono Marvin Minsky, Alan Newell e Herbert Simon. In quel contesto viene coniato il termine Artificial Intelligence.
Fin dall’inizio emerge una tensione importante: AI come comportamento intelligente oppure AI come processo intelligente. Nel primo caso interessa l’output: il sistema si comporta come se fosse intelligente. Nel secondo interessa il modo in cui l’output viene prodotto.
Esempio
Un sistema che batte un umano a scacchi puo essere intelligente per comportamento. Ma se vince solo con forza bruta e tabelle enormi, qualcuno potrebbe dubitare che usi processi simili al ragionamento umano.
Componenti dell’Intelligenza
Definizione
La General AI mira a macchine con intelligenza generale, ma storicamente l’AI ha lavorato soprattutto su componenti specifiche dell’intelligenza.
Le slide individuano cinque componenti classiche:
- Percezione: comprendere l’ambiente tramite sensori e interpretare la situazione.
- Machine learning: apprendere da dati, costruire modelli e fare predizioni.
- Problem solving e planning: costruire sequenze di azioni verso un obiettivo.
- Reasoning: rappresentare conoscenza e inferire nuova conoscenza in modo robusto.
- Natural language understanding: comprendere linguaggio umano scritto o parlato.
In pratica: un assistente vocale combina riconoscimento del parlato, interpretazione del linguaggio, ragionamento sul comando, pianificazione di azioni e apprendimento dalle interazioni.
Limite Storico
Capire una singola componente non significa aver risolto l’intelligenza generale. Molti fallimenti dell’AI derivano dall’aver sottovalutato integrazione, contesto e complessita del mondo reale.
Ricerca e Micromondi
Definizione
La search in AI e la ricerca di un percorso dallo stato corrente a uno stato obiettivo, usando azioni con precondizioni ed effetti.
La ricerca costruisce alberi di possibili soluzioni. Si puo partire dallo stato iniziale (forward search) oppure dallo stato finale desiderato (backward search). Il problema e che l’albero cresce rapidamente: e la combinatorial explosion.
Esempio: negli scacchi, ogni mossa apre molte risposte possibili, e ogni risposta apre altre risposte. Anche con computer potenti, esplorare tutto e impraticabile; servono euristiche.
I primi sistemi AI lavoravano spesso in micromondi, ambienti semplificati dove regole, oggetti e possibilita erano controllati. SHRDLU operava nel Blocks World con blocchi, scatole e piramidi; SHAKEY usava STRIPS per pianificare azioni in un ambiente da ufficio.
Note
I micromondi furono utili per chiarire idee come azione, piano, precondizione e linguaggio. Il limite e che cio che funziona in un mondo semplificato non scala automaticamente al mondo reale.
AI Winter e Complessita
Definizione
L’AI Winter e il periodo di riduzione di finanziamenti e fiducia nell’AI, causato anche dal divario tra promesse iniziali e risultati effettivi.
L’AI parte con molto hype: sistemi generali come il General Problem Solver sembrano promettere soluzioni ampie. In pratica, molti problemi reali si rivelano troppo complessi. Le soluzioni dei micromondi non scalano, e molti problemi importanti sono almeno NP-complete.
In pratica: verificare una soluzione puo essere facile, ma trovarla puo richiedere tempi enormi. Il Travelling Salesman Problem e l’esempio classico: dato un tour posso calcolarne il costo, ma trovare il migliore diventa rapidamente difficile.
Punto Essenziale
Il problema non era solo avere computer lenti. Era anche concettuale: il mondo reale e aperto, rumoroso, dinamico e molto meno formalizzabile di un micromondo.
Conoscenza, Logica e Incertezza
Definizione
Un expert system e un sistema AI specializzato in un dominio, basato su conoscenza esplicita rappresentata spesso come regole.
Una via d’uscita dall’esplosione della ricerca fu usare conoscenza di dominio. Gli umani non esplorano tutte le possibilita: tagliano lo spazio di ricerca con esperienza, regole e conoscenza contestuale.
MYCIN, ad esempio, usava circa 200 regole su malattie del sangue e funzionava come assistente medico. Il limite era l’acquisizione della conoscenza: estrarre regole dagli esperti e formalizzarle e costoso e fragile. CYC spinse l’idea all’estremo, tentando di rappresentare conoscenza di senso comune su larga scala.
La logica computazionale offre rigore: in Prolog, programmi e conoscenza sono espressi come assiomi logici, e la computazione diventa dimostrazione di goal. Ma da sola porta carico computazionale pesante e non copre bene tutta la rappresentazione del mondo reale.
Esempio
Una regola medica puo dire: se il paziente ha certi sintomi e certi risultati di laboratorio, allora sospetta una specifica infezione. Funziona nel dominio, ma non diventa automaticamente buon senso generale.
Per gestire incertezza, l’AI usa anche ragionamento bayesiano: invece di vero/falso secco, lavora con probabilita. Molti sistemi NLP e decisionali ne hanno sfruttato l’idea.
AI Moderna
Definizione
Il machine learning mira a sistemi che apprendono conoscenza non esplicitamente programmata, tipicamente tramite dati e addestramento.
La fase moderna dell’AI e trainata da tre fattori: progressi scientifici, disponibilita massiva di dati e potenza computazionale. Le reti neurali rappresentano modelli composti da molti neuroni artificiali collegati; l’apprendimento avviene regolando pesi.
Esempio: nel riconoscimento di caratteri, una rete non riceve regole scritte a mano per ogni lettera. Vede molti esempi, corregge i pesi e impara una funzione di classificazione.
Il successo di AlphaGo mostra il cambio di scala: Go era considerato fuori portata per la forza bruta, ma deep neural networks e self-training hanno permesso di battere Lee Sedol nel 2016.
Opacita
Le reti neurali spesso funzionano bene ma spiegano poco. La conoscenza e distribuita nei pesi, quindi non e leggibile come una base di regole.
Oggi l’AI e ovunque: assistenti vocali, riconoscimento facciale, navigatori, raccomandazioni, traduzione automatica, cruise control, LLM e agentic AI. La questione non e piu se l’AI sia presente, ma come progettarla, governarla e integrarla in sistemi intelligenti affidabili.
Prossimi Argomenti
Continueremo con:
- M7 - Reasoning Agents - agenti autonomi, stati mentali, intenzioni e BDI.
- M8 - Logic and Computation - logica computazionale e programmazione logica.