Intelligenza artificiale: una guida completa

Nel corso degli ultimi cinquant'anni, il campo della ricerca sull'intelligenza artificiale ha stimolato caratteristiche immense che non sono concepite come AI dal grande pubblico. La maggior parte delle nostre attività online include forme di intelligenza artificiale (agenti virtuali, riconoscimento di modelli, pubblicità mirata). Tuttavia, tutto ciò che è stato fatto finora è un semplice granello di sabbia in riferimento alle difficoltà per il futuro sabbioso. Per posizionarci secondo questi avanzamenti, abbiamo bisogno di acquisire conoscenze sul processo.

Le imprese sono diventate sempre più consapevoli che l'intelligenza artificiale può essere (e in futuro sarà) un fattore decisivo di successo. Attualmente, queste proprietà sono implementate in algoritmi di analisi dei dati che hanno la capacità di archiviare, elaborare e analizzare correttamente i Big Data (un'altra sfera in crescita della gestione aziendale), ma presto includeranno algoritmi di ottimizzazione del prodotto e complesse tecniche di coinvolgimento dei clienti.

Shutterstock.com | Tatiana Shepeleva

In questo articolo, presentiamo una guida completa all'intelligenza artificiale attraverso le sezioni 1) Origini dell'IA; 2) Obiettivi dell'IA ; 3) Approcci e Strumenti ; 4) Questioni di IA ; 5) Applicazione nell'imprenditorialità e 6) Esempi di implementazione dell'IA nel mondo degli affari .

ORIGINI DELL'INTELLIGENZA ARTIFICIALE

L'idea e il background filosofico

Le basi delle idee che ruotano attorno alla creazione dell'intelligenza artificiale possono essere fatte risalire agli automi costruiti dalle civiltà egiziane e cinesi, nonché all'antica mitologia greca. L'implementazione delle proprietà umane negli oggetti e nelle idee astratte è uno dei modi in cui le persone hanno ragionato sulla loro esistenza dal momento in cui hanno acquisito coscienza.

Con lo sviluppo della logica e l'emergere del campo del ragionamento simbolico della filosofia, la creazione di macchine che potrebbero emulare l'intelligenza umana è diventata possibile realizzare in pratica. Il ragionamento simbolico afferma che i simboli (numeri, grafici, calcoli, statistiche, ecc.) possono essere utilizzati come sostituti sinonimi di espressioni più lunghe per risolvere problemi. L'idea fu proposta nel XVI secolo da Thomas Hobbes, considerato il "nonno dell'IA".

Più avanti, con l'avanzare dell'ingegneria nel corso dei secoli, i due campi hanno cominciato a correlarsi. Il primo computer - Analytical Engine, è stato progettato nel XIX secolo da Charles Babbage (ma non è stato costruito fino al 1991). Con il continuo progresso della tecnologia dall'inizio del XX secolo in poi, nonché la crescente necessità di una migliore comprensione dei processi di calcolo, sono stati creati vari modelli e discorsi teorici.

Il test di Turing

Alan Turing pubblicò un lavoro fondamentale sulla questione nel 1950: il documento Computing Machinery and Intelligence. Nel documento, ha proposto il modello della macchina di Turing attraverso il quale ha discusso le possibilità teoriche di ciò che può essere calcolato. Per dedurre se le possibilità di calcolo si estendessero alle sfere dell'intelligenza umana, creò il test di Turing. L'obiettivo del test era identificare se una macchina può convincere un interrogatore sospettoso che si trattava davvero di un essere umano. Il test sembrava essere abbastanza semplice: non erano coinvolti incarichi complessi (come la creazione di opere d'arte originali, ad esempio); per passare, il computer doveva essere in grado di fare chiacchiere con un essere umano e mostrare comprensione del contesto dato. Per quanto semplice possa sembrare dal punto di vista umano, la realizzazione di tali risultati si è rivelata estremamente difficile e, fino ad oggi, irraggiungibile. I problemi primari erano quelli relativi alla tecnologia hardware della metà del XX secolo: i problemi del magazzino mimetizzavano i problemi futuri relativi alla realizzazione del software.

I ricercatori stanno ancora cercando di creare un software che superi il test di Turing e lo presenti all'annuale Concorso Turing. Il premio Leobner di $ 100.000 in contanti è ancora in attesa che il primo software si dimostri senziente.

AI – Campo di studio

Basato su progressi filosofici, logici, matematici, cibernetici, neuroscientifici e informatici, il campo di studio dell'intelligenza artificiale è nato nel 1956 in una conferenza al Dartmouth College. Gli esperti John McCarthy e Marvin Minsky sono diventati nomi di spicco nell'ampio sforzo per creare macchine intelligenti per i prossimi cinquant'anni.

Naturalmente, per creare l'intelligenza bisogna sapere che cos'è l'intelligenza. Tuttavia, le definizioni astratte dell'intelligenza come proprietà degli esseri umani (e di alcuni animali) che si manifesta nella logica, nel ragionamento, nell'apprendimento attraverso l'esperienza, nell'uso della conoscenza, nella creatività e in una miriade di altre, non possono essere semplicemente tradotte in simboli e produrre senzienti macchinari.

Computer-Scacchi e sistemi esperti

Gli scienziati hanno implementato diversi approcci e metodi per sviluppare l'intelligenza artificiale. Uno degli approcci è stata l'evoluzione del software per il gioco degli scacchi. A causa del fatto che era molto più facile ottenere un'elevata efficienza attraverso tecniche di forza bruta - il che significa che il computer calcola algoritmi di soluzione sul principio del costo minimo per il massimo danno possibile per una certa quantità di mosse future - il software di gioco degli scacchi ha fatto non concentrarsi molto sulla creazione di senzienti, ma piuttosto su tecniche di ricerca avanzate e hardware sostenibile per database di grandi dimensioni.

D'altra parte, sono stati sviluppati sistemi esperti in modo da fornire assistenza esperta in diversi settori. Creando un database di conoscenze competente e incorporando un software di apprendimento automatico, che consente alle macchine di fare previsioni e fornire consulenza su dati dati; oltre al software di interazione (basato sullo sviluppo del linguaggio naturale), gli scienziati hanno ampliato le proprietà delle loro "macchine intelligenti". Questi risultati sono ora utilizzati nei sistemi di navigazione, nella medicina e negli affari.

Inverni di AI

Dopo l'entusiasmo iniziale con il campo di ricerca dell'intelligenza artificiale, è diventato presto chiaro che risultati concreti richiederanno più tempo di quanto previsto e annunciato. Dopo i rapporti ALPAC e Lighthill, che hanno mostrato progressi insoddisfacenti nei progetti di intelligenza artificiale (problemi con il software in linguaggio naturale, progressi lenti), il flusso di investimenti è stato interrotto - il primo inverno AI è iniziato nel 1974 ed è durato fino all'inizio degli anni '80 quando il governo britannico ha istigato Progetti di intelligenza artificiale come risposta agli sforzi giapponesi relativi alla programmazione logica. Tuttavia, nel 1987, a causa del crollo del mercato dei computer di uso generale e della diminuzione dei finanziamenti, emerse il secondo AI Winter, che durò cinque anni.

Nei periodi "invernali", la ricerca sull'IA è proseguita con nomi diversi che diventeranno sottocategorie del settore in futuro: programmazione evolutiva, apprendimento automatico, riconoscimento vocale, data mining, robotica industriale, motori di ricerca e molti altri.

Dov'è l'IA adesso?

Il campo della ricerca sull'intelligenza artificiale ha consentito molti progressi che sono considerati "comuni" al giorno d'oggi - risultati dei motori di ricerca specificati e personalizzati, software di assistente personale intelligente - Siri, Google Translate, sistemi di navigazione per veicoli, diversi miglioramenti della robotica e innumerevoli altri.

Alcuni risultati notevoli includono:

• Deep Blue di IBM è diventato il primo computer a vincere una partita di scacchi contro un campione di scacchi - Garry Kasparov, nel 1997.
• Il sistema di risposta alle domande di IBM Watson ha vinto il quiz Jeopardy contro abili avversari nel 2011.
• Eugene Goostman, un chatbot, ha convinto un membro della giuria del test di Turing che si trattava di un ragazzo di 13 anni dell'Ucraina nel 2014. Tuttavia, Eugene ha superato il minimo indispensabile di condanna con il 33%. In sostanza, un tale risultato non è considerato un superamento del test di Turing perché si basa principalmente sulla condizione esterna (un bambino di un paese non di lingua inglese può essere perdonato per le carenze nelle chiacchiere, mentre un madrelingua adulto non sono stato). Nel corso del 2015, gli sviluppatori di Eugene dovrebbero difendere la loro vittoria e dimostrare di aver inventato un software senziente (cosa che molto probabilmente non hanno fatto).

Come si può notare da tutto ciò che è stato affermato sopra, è chiaro che i problemi difficili dell'intelligenza artificiale non hanno visto grandi progressi negli ultimi cinquant'anni. Di conseguenza, gli esperti prevedono almeno altri cinquanta anni di tentativi ed errori per emulare l'intelligenza umana. È semplicemente un argomento troppo ampio e complesso per essere risolto in un breve periodo di tempo. Tuttavia, i progressi fatti durante la ricerca finora hanno influenzato e modellato notevolmente il mondo in cui viviamo.

OBIETTIVI DELL'INTELLIGENZA ARTIFICIALE

L'obiettivo "finale" degli sforzi dell'intelligenza artificiale è creare una macchina intelligente in grado di ragionare, pianificare, risolvere problemi, pensare in modo astratto, comprendere idee complesse, apprendere rapidamente e apprendere dall'esperienza (che è una definizione concordata dell'intelligenza umana). In pratica, questa intelligenza emulata artificialmente deve riflettere un'ampia e profonda capacità di comprendere ciò che lo circonda in modo da capire cosa fare in infinite situazioni possibili. Per posizionarsi adeguatamente nell'ambiente, l'IA deve essere socialmente intelligente (il che significa che deve essere in grado di percepire e reagire adeguatamente a un ampio spettro di caratteristiche e proprietà astratte dell'universo intelligibile, ad esempio l'emozione). Per gestire i problemi in modo ottimale, deve essere in grado di implementare la creatività nel suo funzionamento. Tutte le proprietà dichiarate sono attribuite all'obiettivo a lungo termine degli studi sull'intelligenza artificiale: l'intelligenza generale.

Tuttavia, per raggiungere tale obiettivo, gli scienziati devono concentrarsi su un'ampia varietà di concetti complessi che sono i suoi elementi costitutivi, sia individualmente che in correlazione. I costruttori della futura macchina intelligente devono implementare nel loro lavoro gli studi empirici dei sistemi intelligenti esistenti (principalmente di esseri umani) nonché i risultati dell'esplorazione teorica e dell'analisi di possibili sistemi di intelligenza (e dei loro meccanismi e rappresentazioni). Questi fattori sono essenziali per la risoluzione dei problemi relativi ai sistemi intelligenti esistenti e per la progettazione di nuove macchine intelligenti o semi-intelligenti. In sostanza, ciò significa che deve essere acquisita una visione completa della complessità del compito perché limitando gli sforzi a un solo campo (ad esempio, l'ingegneria), gli sforzi non forniranno risultati soddisfacenti. Sarebbe stato impossibile costruire aeroplani senza l'esame degli uccelli.

Deduzione, ragionamento, problem solving

Agli inizi della ricerca sull'intelligenza artificiale, il processo di ragionamento è stato indotto attraverso l'imitazione passo dopo passo dei processi umani nella risoluzione di enigmi o deduzioni logiche. Tuttavia, questo approccio dipendeva molto dalle risorse computazionali e dalla memoria del computer che all'epoca era piuttosto limitata. Questi problemi hanno evidenziato la necessità dell'imitazione dei processi di giudizio immediato negli esseri umani piuttosto che quelli del ragionamento deliberato. Il giudizio immediato può essere visto come la conoscenza intuitiva e subconscia che governa la direzione delle azioni deliberate.

L'intelligenza artificiale tenta di raggiungere l'obiettivo del giudizio immediato attraverso la combinazione di:

• Agenti incarnati (entità autonome che possono interagire con l'ambiente e si presentano come un corpo tridimensionale di simulazione virtuale/robot reale);
• Abilità sensomotorie (combinazione di percepire l'ambiente attraverso sensori e reagire con abilità motorie – ad esempio, un robot percepisce che una persona si sta avvicinando e offre una mano come saluto – il robot reagisce stringendo la mano alla persona);
• Reti neurali (simulazione di strutture e processi nei sistemi neurali, in particolare il cervello umano: calcolo di valori da input; apprendimento automatico; riconoscimento di modelli; natura adattiva);
• Approcci statistici (approcci matematici alla risoluzione di problemi specifici).

Rappresentazione della conoscenza

Per emulare un essere umano, l'IA ha bisogno di incorporare immense quantità di conoscenza sugli oggetti, le loro proprietà, categorie e relazioni tra loro. Inoltre, deve implementare situazioni e stati, cause, effetti e idee astratte. Il campo dell'IA utilizza un approccio ontologico alla rappresentazione della conoscenza, ovvero la conoscenza è postulata in insiemi di concetti la cui relazione è definita all'interno di un dominio.

Problemi

• Impossibilità di affermazioni vero/falso: tutto ha eccezioni;
• L'ampiezza della conoscenza umana rende quasi impossibile creare un'ontologia completa;
• Le forme di conoscenza subconscia e subsimbolica devono essere incorporate.

Soluzioni

• AI statistica – risoluzione matematica di alcuni problemi;
• AI situata: i sistemi come entità autonome attraverso l'interazione con l'ambiente sviluppano comportamenti elementari;
• Intelligenza computazionale: computer che ha compreso abbastanza concetti, quindi è in grado di fornire un'ulteriore ontologia da solo (via Internet, per esempio).

Pianificazione automatizzata

L'IA deve essere in grado di costruire soluzioni complesse e ottimizzate nello spazio multidimensionale ed eseguire la realizzazione di queste strategie/sequenze d'azione. In altre parole, gli agenti intelligenti devono essere in grado di visualizzare il potenziale futuro (analisi predittiva), fissare obiettivi di azione (processo decisionale) e agire in modo da massimizzare l'efficienza (valore) del processo.

Questi obiettivi devono essere gestiti sia offline (per l'ambiente noto) che online (per ambienti imprevisti). Gli scienziati devono ancora affrontare i problemi di scenari imprevisti, quando ci si aspetta che la macchina reagisca in modo intelligente.

Apprendimento automatico

L'apprendimento automatico è la costruzione e lo studio di algoritmi che consentono ai sistemi di intelligenza artificiale di effettuare previsioni e decisioni basate sull'input di dati e sulla conoscenza acquisita attraverso di essi.

Può essere focalizzato su:

• riconoscimento di pattern non supervisionato nei flussi di input (ad esempio, definizione di posta spam da posta non spam nei sistemi di posta elettronica);
• classificazione supervisionata (programmata) e formazione di relazioni nei dati di input (ad esempio, indirizzare la posta spam e non spam in diverse categorie nel sistema).

L'apprendimento automatico viene utilizzato in vari ambiti della tecnologia dell'informazione come il filtro antispam (citato come esempio sopra), il riconoscimento ottico dei caratteri, la personalizzazione dei motori di ricerca, la visione artificiale e il data mining (analisi predittiva).

Un ulteriore miglioramento degli algoritmi di apprendimento automatico dovrebbe essere attribuito all'intelligenza computazionale complessiva delle macchine.

Elaborazione del linguaggio naturale

L'elaborazione e la generazione del linguaggio naturale sono una delle questioni centrali di cui si occupa il campo di studio dell'intelligenza artificiale. Non c'è da meravigliarsi se il test di Turing ruota attorno alla capacità delle macchine di conversare (almeno apparentemente) in modo coscienzioso: una macchina che sarà in grado di comprendere le parole pronunciate o scritte nel loro contesto e sarà in grado di rispondere di conseguenza è qualcosa che può essere caratterizzato come un'entità intelligente (perché coinvolge proprietà astratte – intelligenza sociale, conoscenza, percezione, risoluzione dei problemi, ecc.).

Percezione della macchina

La percezione della macchina rappresenta la capacità di interpretazione degli input che assomiglia ai processi della percezione umana attraverso i sensi. Le questioni importanti che stanno cercando di essere affrontate sono quelle della percezione globale, della trasmissione a un nucleo intelligente dell'entità e dei sistemi di risposta (cioè, la percezione della macchina incontra difficoltà sia nelle caratteristiche ingegneristiche che informatiche).

• Visione – raccogliere informazioni basate sull'immagine del mondo esterno ad alta dimensionalità e trasformarle in algoritmi/soluzioni per determinati problemi (attualmente, le macchine possono esercitare il riconoscimento facciale e il giudizio estetico ma c'è una lunga strada di sviluppo davanti);
• Udito – capacità di elaborare dati audio come musica o voce (attualmente: riconoscimento vocale, traduttori vocali);
• Tatto : capacità di elaborare le proprietà della superficie e la destrezza per interagire in modo efficace e intelligente con l'ambiente.

Robotica

Gli obiettivi della robotica combinano l'ingegneria con gli studi sull'intelligenza artificiale e ruotano attorno a questioni di:

• manipolazione di oggetti;
• navigazione;
• localizzazione;
• Mappatura;
• pianificazione del movimento.

APPROCCI E STRUMENTI DI AI

approcci

Dall'emergere della ricerca sull'IA negli anni '50, sono stati intrapresi numerosi approcci attraverso l'implementazione della conoscenza in diversi settori e circoli accademici. Questi approcci si sono evoluti come risposta alle carenze che ciascuno di loro ha mostrato riguardo alla realizzazione dell'obiettivo: l'intelligenza generale. Quando la ricerca sull'IA ha perso fondi durante gli inverni dell'IA, la disintegrazione degli approcci era l'unico modo per acquisire investimenti per studi continui. Ciò che si può concludere dal punto di vista odierno è che tutti questi approcci sono essenziali per le vaste complessità dell'intelligenza artificiale e che tutti hanno contribuito immensamente al processo (non importa quanto lento o privo di entusiasmanti progressi possa essere il processo stesso) .

Connettività

Combinando tecniche e conoscenze di neurologia, tecnologia dell'informazione e cibernetica, gli scienziati hanno realizzato una simulazione dell'intelligenza di base negli anni '50. L'approccio è stato abbandonato nel decennio successivo per poi riemergere negli anni '80.

risultati

• elaborazione sensoriale;
• comportamento delle reti neurali;
• conoscenza dei sistemi normativi.

Simbolismo

L'approccio afferma che l'intelligenza umana può essere simulata esclusivamente attraverso la manipolazione di simboli. È anche chiamata la "buona intelligenza artificiale vecchio stile" - GOFAI e ha avuto successo nella simulazione ad alta intelligenza negli anni '60 - limitata a programmi dimostrativi ristretti.

risultati

• sistemi esperti

Simulazione cognitiva

L'approccio alla simulazione cognitiva è incorporato nei test psicologici che sono stati condotti al fine di acquisire conoscenze sulle capacità di risoluzione dei problemi umani. I risultati dovevano essere formalizzati in modo da sviluppare programmi che simulassero queste proprietà dell'intelligenza umana.

risultati

• basi per la ricerca sull'intelligenza artificiale: apprendimento automatico, elaborazione del linguaggio naturale, ecc.

Logica

I rappresentanti dell'approccio logico sostenevano che l'intelligenza umana nella sua essenza scaturisce dal ragionamento astratto e dalla risoluzione dei problemi e può quindi essere trattata con le tecniche della logica.

risultati

• rappresentazione della conoscenza;
• pianificazione automatizzata;
• apprendimento automatico;
• programmazione logica.

Anti-Logica

Gli oppositori dell'approccio logico hanno affermato che nessun principio generale può catturare la complessità del comportamento intelligente.

risultati

• ha evidenziato la mancanza di efficienza dell'approccio logico in materia di visione artificiale e di elaborazione del linguaggio naturale

Conoscenza

L'approccio basato sulla conoscenza ha iniziato ad essere ampiamente implementato negli studi di ricerca sull'intelligenza artificiale dall'emergere di sistemi esperti e dall'aumento delle capacità di archiviazione dei sistemi operativi.

risultati

• implementazione in sistemi esperti;
• uno degli elementi cruciali dell'intelligenza generale.

Astratto

L'approccio astratto è emerso dalla necessità di affrontare gli spettri sub-simbolici e intuitivi dell'intelligenza umana al fine di fornire soluzioni ottimali ai problemi dell'intelligenza artificiale.

risultati

• percezione del computer;
• robotica;
• apprendimento automatico;
• riconoscimento del modello.

Situato

L'approccio di intelligenza artificiale situato o nuovo si concentra sui problemi di ingegneria di base e rifiuta l'esclusività dell'approccio simbolico. L'obiettivo è costruire una macchina realistica che possa esistere nell'ambiente reale.

risultati

• capacità motorie;
• abilità sensoriali;
• percezione del computer.

statistica

L'approccio statistico utilizza strumenti matematici misurabili e verificabili e li combina con l'economia per risolvere problemi specifici. L'approccio è criticato in materia di disprezzo verso l'obiettivo dell'intelligenza generale.

risultati

• affrontare con successo problemi particolari

Utensili

Il campo di studio dell'intelligenza artificiale ha incontrato infiniti problemi nella sua ricerca di realizzazione. Tuttavia, ha implementato diversi metodi attraverso i quali i problemi possono essere affrontati con successo.

Metodo di ricerca e ottimizzazione

La ricerca di molte possibili soluzioni, l'eliminazione di quelle che difficilmente porteranno all'obiettivo particolare (o generale) e la scelta di un percorso ottimale può essere un modo efficiente per risolvere i problemi. Algoritmi di ragionamento, pianificazione e robotica vengono creati con l'ausilio di tecniche di ricerca basate sull'ottimizzazione.

La teoria dell'ottimizzazione matematica si forma iniziando la ricerca di una soluzione con un'ipotesi intelligente e avanzando verso il suo perfezionamento (noto anche come 'hill climbing': scegliere un punto casuale nel paesaggio e avanzare in movimenti casuali verso la cima della collina).

Il calcolo evolutivo segue il principio della "sopravvivenza del più adatto": viene postulata una serie di ipotesi, attraverso il perfezionamento alcune delle ipotesi cadono e quindi si presenta la soluzione ottimale.

Logica come metodo di soluzione

La logica viene utilizzata per risolvere problemi relativi alla pianificazione automatizzata e all'apprendimento automatico, nonché quelli della programmazione logica. Viene utilizzato per determinare la validità attraverso l'attribuzione vero/falso, esprimendo fatti sugli oggetti, le loro proprietà e relazioni che è essenziale per l'ontologia nella rappresentazione della conoscenza.

Altri metodi

• Algoritmi di probabilità per il filtraggio e l'analisi predittiva di flussi di dati;
• Classificatori e metodi di apprendimento statistico;
• Reti neurali artificiali;
• Linguaggi di programmazione (differiscono in base alle esigenze specifiche di una sottocategoria di AI).

PROBLEMI DI INTELLIGENZA ARTIFICIALE

La maggior parte dei ricercatori nel campo dell'intelligenza artificiale afferma che l'intelligenza generale nelle macchine sarà raggiunta nel corso dei prossimi cinquant'anni. Sebbene non possiamo confermare tali affermazioni, sembra plausibile che i progressi avverranno e cambieranno completamente il mondo. Di conseguenza, varie questioni sono destinate a sorgere.

In primo luogo, i sistemi di intelligenza artificiale hanno capacità di elaborazione dei dati e analisi predittiva che superano notevolmente quelle degli esseri umani. Al fine di ottenere prestazioni ottimali, sono in qualche modo autonomi, governati da una serie di regole accuratamente scelte per raggiungere una sorta di obiettivo. Tuttavia, a causa della loro autonomia, possono comportarsi in uno squilibrio nei confronti dei loro utenti - se un potenziale problema non fosse affrontato nella programmazione, il sistema lo intraprenderebbe - se serve allo scopo (ed è impossibile per l'uomo prevedere tutte le possibili situazioni e algoritmi adeguati per loro). Il problema deve essere affrontato fornendo criteri di sicurezza chiari al fine di ridurre al minimo i danni in caso di errore. Inoltre, la corretta attribuzione di responsabilità è una questione che deve essere affrontata per quanto riguarda gli sforzi dell'intelligenza artificiale.

Più avanti, man mano che emerge l'intelligenza generale, gli esseri umani devono definire sistemi morali secondo i quali struttureranno i sistemi di IA ma anche le regole morali secondo le quali si posizioneranno rispetto ai sistemi di IA. Le questioni etiche nell'intelligenza artificiale sono incredibilmente complesse: come definire se un sistema è programmato per comportarsi e dichiararsi senziente o senziente?

Inoltre, chi sarà responsabile del processo decisionale relativo all'IA generale? Mentre tutti veniamo introdotti alle opportunità positive e avanzate che la tecnologia dell'intelligenza artificiale porterà - cessazione di malattie, viaggi spaziali, riduzione del lavoro, ecc., Sembriamo dimenticare che gli esseri umani sono in grado di distruggere massicciamente per potere e acquisizione di denaro. Ovviamente dovranno essere emanate alcune normative sull'utilizzo dei sistemi di IA.

APPLICAZIONE AI NELL'IMPRENDITORIALITÀ

Big Data e analisi specializzate

Negli ultimi anni, alla crescita esponenziale delle capacità tecnologiche (quelle di storage e di elaborazione in primis), l'afflusso di dati è aumentato enormemente. Oggi le aziende possono raccogliere ed elaborare Big Data in forme strutturate e non strutturate (immagini, video) e analizzarli in modo da ottenere preziose informazioni sulla strategia aziendale. Uno dei problemi della gestione dei Big Data è la mancanza di esperti che possano dargli un senso e metterlo in pratica. Sono state presentate varie soluzioni software per semplificare il processo, come i sistemi esperti e l'analisi predittiva. Ovviamente, questi sono prodotti di studi sull'intelligenza artificiale.

Tuttavia, man mano che gli algoritmi si evolvono, aumenterà anche la loro influenza sulla gestione dei dati. L'apprendimento automatico è un algoritmo predittivo e decisionale basato sui dati che può, se combinato con l'elaborazione del linguaggio naturale, presentare informazioni e soluzioni utilizzabili (e preziose) riguardanti le strategie aziendali (pubblicità, relazioni con i clienti, formazione dei dipendenti) con l'obiettivo generale di aumentare produttività e coinvolgimento del cliente (soddisfazione), competitività sul mercato e crescita.

Ottimizzazione di prodotti e servizi

Gli algoritmi di intelligenza artificiale saranno implementati non solo nelle sfere della gestione aziendale ma anche nell'efficienza e nell'opportunità del prodotto. Ad esempio, i tosaerba saranno in grado di tagliare l'erba senza la partecipazione umana. Inoltre, saranno in grado di svolgere compiti costruttivi specializzati e personalizzati come non tirare fuori fiori. Tutto ciò contribuirà alla soddisfazione del cliente perché rappresenta una continua diminuzione esponenziale dei tempi e degli sforzi richiesti dal cliente per la massimizzazione dell'efficienza e del valore.

ESEMPI DI IMPLEMENTAZIONE DELL'AI NEL BUSINESS

Oltre agli sforzi significativi di IBM nell'intelligenza artificiale sin dai suoi inizi, grandi aziende come Google e Facebook hanno dovuto occuparsi delle possibilità dell'AI anche a causa di enormi quantità di dati e processi complessi di gestione e definizione della strategia. Qui daremo un'occhiata a queste tre società e al loro coinvolgimento nell'intelligenza artificiale.

IBM

Oltre a un successo significativo che IBM ha ricevuto pubblicamente con i suoi sforzi nelle tecnologie di intelligenza artificiale come l'algoritmo di gioco degli scacchi Deep Blue e il complesso sistema Watson, i vantaggi effettivi risiedono nelle proprietà che le loro tecnologie hanno padroneggiato e nella loro implementazione nel business. L'algoritmo Deep Blue è riuscito a elaborare un'enorme quantità di analisi predittive basate sulla massimizzazione dell'efficienza secondo le regole degli scacchi e ha mostrato che con una chiara formulazione degli obiettivi, non è necessario (poiché sarebbe impossibile) coprire manualmente possibili soluzioni: il computer lo ha fatto in modo autonomo e, limitato all'obiettivo per il quale era stato programmato, ottimizzato in modo tale che nemmeno un campione di scacchi potesse scavalcare il processo.

Il sistema Watson è stato sviluppato come un algoritmo di domande e risposte in tempo reale che è riuscito a percepire ed elaborare il linguaggio naturale, nonché a motivare le risposte corrette e a generarle nel linguaggio naturale: ha vinto il quiz Jeopardy mentre operava offline. È stato creato sulla base dell'apprendimento automatico perché sarebbe un approccio dispendioso in termini di tempo e forse non efficace per implementare manualmente l'ontologia di una vasta conoscenza.

Questi progressi sono estremamente significativi per le strategie aziendali in quanto ottimizzano l'elaborazione ampia di contenuti rilevanti e consentono una comunicazione costruttiva al fine di presentare intuizioni ed eseguire decisioni basate su questi processi analitici.

Attualmente, IBM si concentra sull'implementazione dei propri algoritmi in un ambiente basato su cloud e sulla creazione di database per l'assistenza sanitaria, le imprese e l'istruzione.

Google

Google ha utilizzato funzionalità di intelligenza artificiale per la personalizzazione e le specifiche dei propri motori di ricerca, ha sviluppato Google Translate che è uno strumento di elaborazione e generazione del linguaggio naturale sufficiente (a parte la sua mancanza in materia di contesto e significati sub-simbolici) e ha implementato un sistema neurale strategia di rete nella gestione dei loro immensi database. Queste strategie neurali sono progettate per riconoscere schemi e prendere decisioni su di essi in modo estremamente rapido. Inoltre, sono inclusi gli algoritmi di apprendimento automatico, il che significa che i sistemi apprendono attraverso l'esperienza e, in quanto tali, funzionano in modo più efficace.

Facebook

I profili Facebook sono un crogiolo di dati strutturati e non strutturati: liste di amici, pagine di like, gruppi aderiti. Al fine di ottimizzare l'esperienza del cliente, Facebook implementa l'intelligenza artificiale per riconoscere i modelli comportamentali dei singoli utenti (sul dominio Facebook, oltre che online in generale, ) e offre secondo particolari inclinazioni e interessi. I loro sforzi si stanno dirigendo verso la creazione di un agente intelligente che sarà in grado di interagire con gli utenti e fornire informazioni preziose istantaneamente.

Considerando la teoria di Moore sulla crescita esponenziale della tecnologia e della conoscenza, possiamo prevedere che le rappresentazioni fantascientifiche del futuro sono in realtà dietro l'angolo, soprattutto se prendiamo in considerazione la complessità degli obiettivi. Sebbene ci siano numerosi problemi riguardanti la realizzazione dell'IA e gli enigmi etici riguardanti i diversi spettri dell'IA, il progresso sta avvenendo e porterà con sé molte caratteristiche positive. Negli affari, consentirà strategie progettate per i singoli utenti, aumentando la loro soddisfazione e la generazione di profitti per l'azienda. Avrà conseguenze ancora più vaste in medicina, economie sostenibili, riduzione della povertà e istruzione. Dobbiamo solo sperare che il progresso serva sempre ai suoi scopi altruistici.