Può una macchina pensare? Usi dell’Intelligenza Artificiale in progetti Wonderlab

Il fulcro dell’Intelligenza artificiale (IA) consiste nella risposta alla domanda: “Può macchina pensare?”. Molto spesso si considera l’Intelligenza Artificiale come un qualcosa di sovrannaturale mentre invece non è altro che il trasferimento delle capacità umane ad una macchina, quali il ragionamento, l’apprendimento, la pianificazione e la creatività, e quindi dare la possibilità ad una macchina di prendere decisioni come già fa attualmente una mente umana. In questo modo una macchina assume poteri decisionali diventando più autonoma nella risoluzione di problemi che, diversamente, avrebbero richiesto l’intervento di una persona per poter procedere nell’elaborazione dei dati.

Un sistema di intelligenza artificiale è in grado di percepire il suo ambiente e intraprendere azioni per massimizzare la possibilità di raggiungere con successo i suoi obiettivi, nonché di interpretare e analizzare i dati in modo tale da apprendere e adattarsi man mano che elabora. Per poter prendere decisioni, però, un sistema di questo tipo ha bisogno di una base di dati diventando la sua base di conoscenza (la memoria nel caso di un essere umano) in base alla quale poter effettuare inferenza ovvero deduzione intesa a provare o sottolineare una conseguenza logica.

Il fascino di questa disciplina deriva dal fatto che bisogna attingere ad una classificazione formale delle funzioni sintetiche/astratte di ragionamento, meta-ragionamento e apprendimento dell’uomo per poter costruire su di essi dei modelli computazionali in grado di concretizzare tali forme di ragionamento e apprendimento (compito arduo dato che ancora oggi non si conosce a fondo il reale funzionamento del cervello umano).

Il fermento attuale attorno a questa disciplina si spiega con la maturità tecnologica raggiunta sia nel calcolo computazionale (oggi ci sono sistemi hardware molto potenti, di ridotte dimensioni e con bassi consumi energetici), sia nella capacità di analisi in real-time ed in tempi brevi di enormi quantità di dati e di qualsiasi forma (Analytics).

Ad oggi si distinguono 4 branche principali.

1. MACHINE LEARNING: Il machine learning (apprendimento automatico) è un metodo di analisi dati che automatizza la costruzione di un modello analitico. È una branca dell'intelligenza artificiale basata sull'idea che i sistemi possono imparare dai dati, identificare i modelli e prendere decisioni con un minimo intervento umano. Mentre l'intelligenza artificiale è la scienza che mira ad imitare le abilità umane, il machine learning è un sottogruppo specifico dell'intelligenza artificiale che addestra la macchina su come apprendere
2. DEEP LEARNING: Il deep learning è un tipo di machine learning che addestra il computer ad eseguire attività in maniera simile a quella umana, come riconoscere il parlato, identificare immagini o fare previsioni. Invece di organizzare i dati per eseguire equazioni predefinite, il deep learning imposta dei parametri di base sui dati e istruisce il computer affinché impari da solo riconoscendo i modelli attraverso molteplici livelli di elaborazione
3. COMPUTER VISION: Computer Vision è un campo dell'intelligenza artificiale che addestra i computer a interpretare e comprendere il mondo visivo. Con l'utilizzo di immagini digitali provenienti da fotocamere e video e attraverso modelli di deep learning, le macchine possono identificare e classificare accuratamente gli oggetti e quindi reagire a ciò che "vedono". Dal riconoscimento facciale all'analisi di una partita di calcio in diretta, la computer vision rivaleggia e supera le capacità visive umane in molte aree.
4. NATURAL LANGUAGE PROCESSING (NLP): L'elaborazione del linguaggio naturale (Natural Language Processing) è una branca dell'intelligenza artificiale che supporta i computer nella comprensione, interpretazione e utilizzo del linguaggio umano. L'NLP aiuta i computer a comunicare con gli umani nella loro lingua, li rende capaci di leggere un testo, ascoltare la voce, interpretarla, misurare il sentimento e determinare quali sono i contenuti più importanti.

L’intelligenza artificiale ha avuto negli anni talmente tanti vantaggi che ormai è diventata parte integrante della vita reale ed ha trovato applicazioni in svarianti ambiti, dallo sport alla medicina, all’arte e alla domotica.

In merito a questa disciplina, Wonderlab è stato soggetto proponente del progetto SIMR (“Sistema Intelligente per il Monitoraggio e il Ripristino dei siti soggetti all’abbandono illecito di rifiuti”) il cui scopo è stato lo sviluppo di un sistema di supporto al contrasto del fenomeno di sversamento illegale di rifiuti e per cui sono state integrate soluzioni di Natural Language Processing finalizzate all’individuazione dei siti, alla caratterizzazione degli stessi e naturalmente all’avvio e al controllo del processo di ripristino ambientale. Nello specifico, tecniche di NLP hanno consentito di automatizzare la comprensione di verbali di denuncia compilati da cittadini o forze dell’ordine per poter avviare prontamente procedure di ripristino. Tale operazione rappresentava difatti un collo di bottiglia dell’intero processo di monitoraggio e ripristino in quanto era richiesto necessariamente un intervento umano per l’individuazione del sito segnalo dal verbale di denuncia. Tramite invece il NLP sistema è ora in grado di estrarre dalla documentazione non strutturata, contenuta nelle denunce, dati strutturati, al fine di inserirli nel database e utilizzarli nella fase successiva di elaborazione degli stessi.

Per poter avere ottimi risultati è stato inoltre creato un dataset documentale, anche detto training set, per il training del sistema così da acquisire sempre più conoscenza ed estrarre in modo corretto le giuste informazioni dal testo. Un training set per sistemi di intelligenza artificiale (chiamato in letteratura anche corpus) per NLP è costituito un insieme di documenti in linguaggio naturale dotati delle rispettive etichette, o annotazioni, la cui estensione sia sufficiente per addestrare un sistema di IA con il necessario livello di precisione. Più grande è il training set più accurati saranno i risultati ottenuti dal sistema di NLP. In seguito al training del sistema tramite il dataset documentale sono stati poi effettuati la validazione e i test dei risultati ottenuti dall’estrazione.

Il sistema sviluppato ha messo in luce la possibilità di estrarre da un testo non strutturato, come un verbale di denuncia o un esposto informale, con successo e in maniera semplice e intuitiva le informazioni di:

1. ubicazione,
2. estensione
3. caratterizzazione dei materiali presenti in una microdiscarica
4. coordinate geografiche

Questi dati sono poi diventati input di altre elaborazioni e hanno contribuito ad aggiornare una web map per la visualizzazione multilayer delle informazioni geografiche, di descrizione e sullo stato di lavorazione dei siti.

L’esempio del progetto SIMR è solo uno dei possibili casi di utilizzo dell’intelligenza artificiale. Diverse applicazioni di intelligenza artificiale vengono usate abbondantemente anche nel quotidiano, ad esempio i vari strumenti di riconoscimento vocale che vengono regolarmente utilizzati dagli smartphone e i chatbot di assistenza. Sebbene posso sembrare che sistemi di Intelligenza artificiale possano sostituire il lavoro dell’uomo, questi in realtà devono essere visti come un supporto ed uno valido strumento con cui le persone possono interagire quotidianamente e/o a lavoro per migliorare la qualità dei risultati.