Mentre in Cina per lo sviluppo dell'intelligenza artificiale si progetta il primo centro ricerche da 13,8 miliardi di yuan (2,1 miliardi di dollari), in Italia si discutono possibili iniziative marketing e si mettono a sistema gli sforzi dei migliori esperti.
Per comprendere benefici e risvolti degli investimenti in intelligenza artificiale, l’Italia è al centro di uno studio del Digital Transformation Institute di Capgemini. Sono stati ascoltati un migliaio di imprenditori, impegnati in aziende con progetti legati all’intelligenza artificiale.
L'83% dei manager intervistati conferma la nascita di nuovi posti di lavoro. Si tratta di figure senior e manageriali connesse al settore AI. In Italia le aziende che investono in Intelligenza Artificiale sono il 44% del campione di indagine. I manager delle aziende coinvolte sono convinti che questa tecnologia stia creando nuovi posti di lavoro, senza compromettere quelli esistenti.
(Fonte: Pixabay)
Per capire l’intelligenza artificiale occorre analizzarne i trend di ricerca e sviluppo, che si ritiene avranno spazio nel nuovo anno. Il team di ricercatori di AI Accelerator di PwC è stato coinvolto negli sviluppi aziendali e ne è emerso che:
Teoria dell'apprendimento profondo: questo filone di ricerca studia il funzionamento delle reti neurali profonde, che si basano su Reti Neurali Artificiali. Anche detta Deep Learning, la Teoria dell'Apprendimento profondo mira a comprendere come il cervello umano utilizza un insieme di dati non organizzato, per trarre informazioni e conclusioni. Ad esempio, l'algoritmo con cui Facebook riconosce una figura umana in una foto e ci chiede di taggare gli amici, rientra in questo approccio.
Reti a capsula: emulano i punti di forza dell'elaborazione visiva del cervello, un nuovo tipo di rete neurale profonda, elaborano le informazioni visive più o meno allo stesso modo del cervello, il che significa che possono mantenere relazioni gerarchiche all’interno del sistema di intelligenza artificiale.
Apprendimento di rinforzo profondo: interagire con l'ambiente per risolvere problemi di business, Un tipo di rete neurale che impara interagendo con l'ambiente attraverso osservazioni, azioni e ricompense.
Reti avversarie generative: abbinamento di reti neurali per stimolare l'apprendimento e alleggerire il carico di elaborazione, una rete generativa avversaria (GAN) è un tipo di sistema di apprendimento approfondito non supervisionato che viene implementato come due reti neurali concorrenti.
(La Fondazione Bruno Kessler vuole spingere il Trentino nel cuore della ricerca europea)
Apprendimento dei dati snello e aumentato: affrontare la sfida dei dati etichettati, la più grande sfida nel machine learning (deep learning, in particolare), è la disponibilità di grandi volumi di dati etichettati. Due ampie tecniche possono aiutare a risolvere questo problema: sintetizzare nuovi dati e trasferire un modello addestrato per un compito o dominio a un altro.
Programmazione probabilistica: linguaggi per facilitare lo sviluppo del modello, un linguaggio di programmazione di alto livello che consente più facilmente a uno sviluppatore di progettare modelli probabilistici e quindi di "risolvere" automaticamente questi modelli.
Modelli di apprendimento ibridi: combinazione di approcci per modellare l'incertezza dei dati.
Machine learning automatico (AutoML): creazione del modello senza programmazione, lo sviluppo di modelli di apprendimento automatico richiede un flusso di lavoro lungo e guidato da esperti, che include la preparazione dei dati, la selezione delle caratteristiche, la selezione del modello o della tecnica, l'addestramento e la messa a punto.
Digital twin: repliche virtuali oltre le applicazioni industriali, il concetto di gemello digitale è nato nel mondo industriale dove è stato ampiamente usato per analizzare e monitorare cose come fattorie di mulini a vento o sistemi industriali.
Spiegare l’intelligenza artificiale, per affrontare il cosìdetto problema "black box". Oggi, ci sono decine di algoritmi di apprendimento automatico in uso che hanno senso, pensano e agiscono in una varietà di applicazioni diverse. Eppure molti di questi algoritmi sono considerati black box, offrendo poche informazioni su come hanno raggiunto il loro risultato. L'IA spiegabile è un filone di ricerca, per sviluppare tecniche di apprendimento automatico che producono modelli più spiegabili, pur mantenendo l'accuratezza della previsione.
I tentativi di far somigliare il funzionamento di una macchina a quello delle sinapsi del cervello umano, sono in continuo sviluppo, perché come detto all'inizio, traina il progresso, la tecnologia e richiederà un ripensamento del lavoro nelle aziende. Elon Musk, come Stephen Hawking ed altri luminari, hanno tuttavia stilato gli Asilomar AI Principles: 23 principi che chi lavora nel campo dell'intellingenza artificiale deve seguire, per tutelare il futuro dell'umanità. Si porranno sfide etiche da risolvere e bisognerà ripensare al rapporto uomo-macchina.