Introduzione
L’intelligenza artificiale (AI) è una disciplina tecnica, relativamente recente, che si occupa di sviluppare tecnologie, metodi e processi applicativi in grado di simulare le capacità cognitive e decisionali degli esseri umani. L’obiettivo dell’intelligenza artificiale non è tanto quello di sviluppare sistemi in grado di eseguire operazioni ripetitive e meccaniche, ma piuttosto la capacità di portare a termine attività complesse che normalmente richiederebbero un’intelligenza umana.
A livello pratico, l’intelligenza artificiale consiste in un insieme di sistemi hardware e software in grado di fornire alle unità di calcolo funzionalità che, a un osservatore umano, emulano le capacità cognitive umane. Un aspetto importante da sottolineare è che le più avanzate tecniche di intelligenza artificiale, come machine learning e deep learning, sono in grado di fornire capacità decisionali paragonabili a quelle umane utilizzando una quantità di dati, acquisiti da sensori di vario tipo, parziale o affetta da disturbi. In altre parole, queste tecniche permettono di assumere decisioni con un elevato grado di successo, operando in condizioni affette da un grado più o meno elevato di incertezza.
Visione artificiale
La visione artificiale, o visione computerizzata, è la tecnologia che consente a un computer di vedere, interpretare e riconoscere le immagini, svolgendo alcune delle funzionalità un tempo prerogativa degli esseri umani. Tra le principali applicazioni della visione artificiale rientra anzitutto il riconoscimento automatico della scrittura, anche manuale, eseguito attraverso tecniche come l’OCR (Optical Character Recognition) e l’HTR (Handwritten Text Recognition).
Anche se in versione limitata, queste tecnologie sono oggi disponibili sotto forma di app per smartphone e tablet. Un altro contesto applicativo rilevante della visione artificiale riguarda le apparecchiature elettromedicali di diagnostica per immagini. In questo caso le immagini non sono acquisite tramite telecamere o altri sistemi ottici, ma sono ottenute processando segnali acquisiti tramite raggi X, ultrasuoni o sfruttando la risonanza magnetica. I più avanzati algoritmi di intelligenza artificiale possono assistere in questo campo il personale medico, formulando diagnosi accurate grazie all’esperienza acquisita dall’elaborazione di enormi quantità di dati.
Nella sua espressione più tradizionale, la visione artificiale è utilizzata per riconoscere particolari “pattern” all’interno delle immagini acquisite tramite una o più telecamere. Le tecniche di machine learning, già disponibili da diversi anni, consentono ad esempio il riconoscimento automatico delle targhe degli autoveicoli, utilizzato in numerose applicazioni di monitoraggio del traffico, controllo degli accessi e videosorveglianza.
Le più avanzate tecniche di deep learning, il cui funzionamento è basato su reti neurali più o meno complesse in grado di emulare il comportamento del cervello umano (reti di neuroni), sono in grado di riconoscere e classificare con elevata accuratezza anche immagini incomplete o ostruite da altri oggetti; si pensi, ad esempio, al riconoscimento automatico di cartelli stradali parzialmente coperti da fogliame o in presenza di nebbia e pioggia fitta. Opportunamente istruiti (o per meglio dire, “addestrati”) questi sistemi sono anche in grado di eseguire il tracking di oggetti in movimento riconoscendo se si tratta di una persona e, nel caso, se questa appartiene a un database pre-configurato. In Figura 1 è visibile un esempio di classificazione delle immagini, prodotto da uno dei migliori framework di analisi delle immagini basato su tecniche di intelligenza artificiale.
Particolarmente innovative sono le applicazioni della visione artificiale negli UAV (Unmanned Aerial Vehicle), sia in campo militare che civile. Nel settore dell’agricoltura e del monitoraggio ambientale, sono attualmente utilizzati particolari tipi di drone equipaggiati con telecamere a raggi infrarossi o telecamere in grado di scattare fotografie a una precisa lunghezza d’onda.
L’elaborazione di queste immagini tramite algoritmi di AI, eseguiti offline sul cloud, consente di ottenere importanti informazioni relative alla composizione del suolo, la quantità di acqua in esso contenuta, la distribuzione di erba e terra nella zona, oppure le modifiche subite dal paesaggio.
Prodotto conisgliato, ad esempio: https://it.farnell.com/beagleboard/bbone-ai/beaglebone-sbc-arm-cortex-a15/dp/3132825
Riconoscimento vocale
Ognuno di noi, nello svolgimento delle proprie attività quotidiane, ha sicuramente avuto a che fare con qualche applicazione basata sul riconoscimento vocale, come ad esempio chatbot, assistenti personali e dispositivi intelligenti. I dispositivi dotati di controllo vocale includono oggi smartphone, computer, smartwatch, automobili e persino le nostre case (dispositivi per smart home).
Gli enormi progressi tecnologici compiuti in settori quali cloud computing, big data e intelligenza artificiale (soprattutto attraverso le tecniche di deep learning) hanno permesso di ottenere significativi miglioramenti nel riconoscimento vocale, ovvero nella capacità di un sistema hardware/software di riconoscere parole e frasi all’interno di una conversazione, convertendoli in un formato adatto ad essere interpretato da un computer. Oggi, la tecnologia del riconoscimento vocale si trova ovunque.
Sia i progettisti che gli utilizzatori finali si rendono conto dei vantaggi offerti dal comando vocale, come ad esempio aiutare le persone con difficoltà di apprendimento o menomazioni, maggiore efficienza, riduzione dei tempi e dei costi associati alle attività aziendali. L’intelligenza artificiale è ciò che ha permesso di accelerare gli sviluppi compiuti dal riconoscimento vocale. Gli assistenti personali sono esempi di dispositivi di uso comune basati su tecniche di intelligenza artificiale e sul riconoscimento vocale per soddisfare le aspettative degli utenti, automatizzando le attività eseguite quotidianamente all’interno di un’abitazione.
Il riconoscimento vocale include tre operazioni basilari, intimamente connesse tra loro:
- sintesi vocale, comprendente sia la sintesi vocale online sia quella offline;
- riconoscimento vocale, inclusa la dettatura vocale e altri aspetti ad essa correlati;
- comprensione semantica, che consiste nell’utilizzare le reti neurali per estrarre il significato di una conversazione o di un discorso, inclusa la valutazione vocale e alcune caratteristiche delle traduzioni automatiche comunemente utilizzate.
Al fine di rendere la tecnologia maggiormente inclusiva, i ricercatori e gli ingegneri hanno cominciato ad affinare le tecniche di AI in modo tale da riconoscere una vasta gamma di accenti, dialetti e generi del soggetto parlante.
Prodotto consigltao, ad esempio: https://it.farnell.com/nxp/sln-alexa-iot/avs-dev-kit/dp/3224948
Elaborazione del linguaggio naturale
Abbiamo visto nei due precedenti paragrafi come l’intelligenza artificiale consenta a un computer di riconoscere ciò che “vede” e ciò che “sente”. Le applicazioni di AI, tuttavia, non si esauriscono qui. Se infatti potessimo interagire con un computer utilizzando come mezzo di comunicazione il comune linguaggio naturale (come faremmo con una persona fisica), potremmo parlare di elaborazione del linguaggio naturale, o NLP (Natural Language Processing). Le tecniche di NLP sono oggi ampiamente utilizzate nei sistemi di traduzione e trascrizione automatici (inclusa la traduzione simultanea, per sua natura eseguita in tempo reale), nei sistemi di recupero delle informazioni su internet e nei sistemi di dialogo automatizzati, come ad esempio i servizi clienti “intelligenti” svolti da macchine anziché da esseri umani. L’elaborazione del linguaggio naturale non è semplice, anzi, è una delle applicazioni più complesse dell’intelligenza artificiale.
Il primo problema da affrontare riguarda l’ambiguità insita nel linguaggio, nel senso che una stessa frase può essere, a seconda del particolare contesto, interpretata in due o più modi differenti. In questo caso assume un ruolo fondamentale l’esperienza (database con disponibilità di frasi simili) e la capacità di estrapolare il significato di una frase all’interno del contesto. Un secondo aspetto insidioso riguarda la robustezza del linguaggio: nelle conversazioni quotidiane capita spesso di commettere degli errori di sintassi grammaticale o di pronuncia, compromettendo la robustezza del linguaggio e complicandone l’interpretazione eseguita da un sistema computerizzato. Accanto alle tecniche di NLP, si sta diffondendo recentemente la tecnologia NLG (Natural Language Generation), utilizzata per creare automaticamente post da pubblicare sui social network, oppure interi articoli da pubblicare su riviste specializzate.
In Figura 2, in particolare, possiamo osservare come l’NLP comprenda al suo interno sia la tecnologia NLG che la tecnologia NLU (Natural Language Understanding), strettamente collegate tra loro. La rivista “Esquire Singapore”, ad esempio, ha pubblicato un intero numero composto interamente da articoli prodotti da algoritmi di intelligenza artificiale. Si tratta ovviamente di casi limite, ma l’asticella si sta alzando sempre più, con nuovi e, fino a poco tempo fa irrealizzabili, scenari applicativi.
Lascia un commento