Errare è umano: breve storia dell'AI

Non ricordo più la prima volta che ho sentito parlare di intelligenza artificiale. Posizioniamo sempre questo concetto di tecnologia  all’interno di uno scenario futuristico eppure la maggior parte di noi ne ha sentito parlare  per quasi tutto il tempo della propria vita. Non ero ancora nato quando nelle sale usciva il primo Terminator ( 1984 ) ma possiamo fare tranquillamente un salto nel passato di altre due decadi per ricordare HAL 9000, una tra le prime e più famose intelligenze artificiali  apparse sui nostri schermi, che hanno aiutato fin dal 1968, anno di uscita nelle sale di “2001: Odissea nello spazio”, ad alimentare la nostra fantasia.

Se però vogliamo dare una vera e propria data di inizio lavori da parte della comunità tecnica e universitaria su questo tema possiamo andare indietro fino al 1956 quando, durante una conferenza al Dartmouth College, venne presentato il primo “software” intelligente. Ed è doveroso ricordare che  anche in questo caso, agli albori dell’era cognitiva ( se così vogliamo etichettarla ), tra i 5 principali relatori prese parte anche Arthur Samuel noto ricercatore IBM presso i Poughkeepsie Laboratories.

Da quella data ai giorni nostri le promesse dell’intelligenza artificiale sono cresciute in maniera esponenziale ma allo stesso tempo, e con il passare degli anni, le aspettative ad essa legate sono state spesso disattese.

Quale è stata la causa di tutto questo?

Come in una delle sue più famose citazioni, HAL 9000 avrebbe risposto:

“Beh, non credo che ci possano essere dubbi. Può essere attribuita esclusivamente a un errore umano. Questo genere di cose è già accaduto altre volte, ed era sempre dovuto ad errori umani.”

Forse non è poi così sbagliato pensare che l’errore sia stato ancora una volta nostro e non delle macchine a cui noi abbiamo affidato la risoluzione dei nostri problemi. Probabilmente lo sbaglio era  proprio nella progettazione dell’intelligenza artificiale più che nel suo funzionamento.

Cercando di andare più a fondo due sono, a mio modo di vedere, le principali motivazioni del mancato decollo di questa rivoluzione tecnologica: la sua complessità e a valle della prima - ma molto legata ad essa - la sua applicabilità.

Iniziamo dal primo problema: la complessità.

Il principale obiettivo dell’intelligenza artificiale è sempre stato quello di emulare  il ragionamento umano nel prendere decisioni ponderate sulla base di fatti e informazioni . Una volta colmato il gap elaborativo con gli ultimi 50 anni di innovazione tecnologica l’ostacolo principale è stato quello di sviluppare soluzioni software in grado di  imitare il nostro pensiero. Per soddisfare questa esigenza abbiamo fin da subito iniziato a lavorare con l’idea di dover creare complesse strutture decisionali cercando di tradurre il nostro ragionamento in algoritmi di calcolo fissi che non garantivano la flessibilità necessaria per affrontare i cambiamenti necessari. . Una volta trovata una soluzione ( complessa ) per un problema ( semplice ) era già tutto superato: le esigenze mutavano.

Il secondo problema: l’applicabilità.

Se la traduzione del ragionamento umano è stata sempre affrontato creando  strutture decisionali complesse e fisse per la risoluzione di uno specifico problema si arriva presto a scontrarsi con un’altra difficoltà: non è pensabile costruire una soluzione general purpose che si adatti in maniera dinamica al contesto in cui viene applicata e che, attraverso la giusta ingestione di informazioni, auto generi una struttura decisionale adeguata, capace  di mutare nel tempo tramite il ribilanciamento delle sue logiche matematiche sulla base di un meccanismo di continuo auto apprendimento.

Come per il cervello umano, anche per quello artificiale insomma la regola è sempre la stessa: mai smettere di imparare! Proprio da questa logica è nato qualche anno fa un nuovo filone dell’intelligenza artificiale: il Deep Learning.

Questa nuova logica modifica il precedente modello di approccio all’intelligenza artificiale trasformando  il ruolo umano all’interno del processo di apprendimento: mentre prima era l’uomo, sulla base della propria logica, a stabilire le regole per la composizione del processo decisionale, ora il nostro ruolo è solo quello di decidere, selezionare e validare la mole di dati con cui addestrare il modello matematico alla base delle computazioni. In questa modo alla macchina, ma grazie all’utilizzo di framework basato su reti neurali, è lasciato il compito di costruire il proprio processo decisionale.

Per farla breve: lasciamo che le macchine decidano come pensare, non forziamole a farlo come siamo abituati a farlo noi!

E come nel 1956, prima conferenza sull’intelligenza artificiale anche oggi IBM è  in prima fila per cercare di contribuire allo sviluppo di questo tema e assicurare che finalmente l’intelligenza artificiale rispetti le promesse fatte e costituisca la nuova rotta tecnologica per gli anni a venire.

Oggi IBM si presenta sul mercato per affrontare le sfide del Deep Learning con uno stack completo composto da hardware Power 8, Acceleratori Nvidia e un pacchetto di software open source di Deep Learning, composto dai più importanti framework come Caffè, Torch, Tensorflow ..

IBM inoltre crede fortemente nella criticità che avrà il Deep Learning per i propri clienti negli anni futuri e per questo motivo, diversamente da tutti gli altri vendor, ha deciso fin da subito di trattare questo tema non come uno dei tanti esperimenti tecnologici che vediamo nascere e tramontare nel giro di poco tempo. Come? Fin dal rilascio di Power AI - questo il nome della  soluzione - IBM ha messo a disposizione dei propri clienti anche un servizio di supporto per fare di questa tecnologia una vera e propria soluzione adatta non solo agli ambienti sperimentali e di test ma anche alla messa in produzione vera e propria.

Il tempo di testare è finito. E' ora di fare sul serio.