Menu
Carrello

Intelligenza Artificiale

«L'intelligenza artificiale (IA) è una disciplina appartenente all'informatica che studia i fondamenti teorici, le metodologie e le tecniche che consentono la progettazione di sistemi hardware e sistemi di programmi software capaci di fornire all'elaboratore elettronico prestazioni che, a un osservatore comune, sembrerebbero essere di pertinenza esclusiva dell’intelligenza umana.»

(Marco Somalvico 1941, Como – 2002, Milano)


Dal punto di vista storico, si può affermare che un primo passo verso la nascita e il progredire di questa disciplina si ebbe già nel Settecento con l’avvento dei primi calcolatori. La nascita effettiva è invece da collocarsi nel 1956, a seguito di un convegno tra ricercatori e matematici in cui il termine “intelligenza artificiale” venne per la prima volta utilizzato.


Le applicazioni dell’Intelligenza Artificiale sono in rapida crescita: si pensi agli assistenti vocali che interpretano e simulano il linguaggio parlato per gestire gli oggetti smart presenti nelle case, ai sistemi di assistenza alla guida che analizzano i dati provenienti da telecamere e sensori Lidar per supportare il guidatore e alle telecamere di sorveglianza intelligenti. Numerosi algoritmi di intelligenza artificiale processano le immagini acquisite dagli smartphone e permettono di gestire i social network. Alla base di ciascuna di queste applicazioni, l’IA permette di analizzare grandi quantità di dati velocemente cercando gli schemi su cui è stata addestrata. 


Parlando di Intelligenza Artificiale, infatti, includiamo al suo interno uno smisurato e diversificato insieme di metodi con cui si è in grado di simulare l’intervento dell’uomo. Negli ultimi anni, l'introduzione del Machine Learning, e del Deep Learning ancora più recentemente, come strumenti di autoapprendimento dell'IA è dovuta all'avvento dei Big Data e allo sviluppo contemporaneo di software, hardware, dispositivi tecnici più potenti e performanti. In realtà, il Machine Learning è visto come un sottoinsieme dell'IA: esso riguarda lo studio scientifico degli algoritmi e dei modelli statistici che i sistemi informatici utilizzano per eseguire un compito specifico senza usare istruzioni esplicite. All'interno del sottoinsieme del Machine Learning, il Deep Learning sta trovando sempre maggiore rilevanza grazie al suo approccio più generale e alla possibilità di applicazione a diversi campi in modo più semplice e sistematico.




MACHINE LEARNING

L'obiettivo principe del Machine Learning (o apprendimento automatico) è che una macchina sia in grado di generalizzare dalla propria esperienza. Per generalizzazione si intende l'abilità di una macchina di portare a termine in maniera accurata esempi o compiti nuovi, che non ha mai affrontato, dopo aver fatto esperienza su un insieme di dati di apprendimento. Questo tipo di apprendimento è molto simile a quello di un bambino: durante la crescita egli apprende informazioni riguardanti gli oggetti (nome, forma, colore) e poi successivamente è in grado di distinguerne di nuovi sulla base delle nozioni imparate.

L’approccio alla base dell’apprendimento automatico prevede che vengano identificate le caratteristiche più rilevanti e che l’algoritmo di classificazione venga definito addestrando in modo automatico il classificatore. Esistono tre tipologie di apprendimento:

  • L’apprendimento supervisionato: l’algoritmo viene alimentato con dati di input e la corrispondente uscita desiderata. 
  • L’apprendimento non supervisionato: l’algoritmo viene alimentato con i soli dati di ingresso senza alcuna indicazione dell’uscita desiderata.
  • L’apprendimento per rinforzo: l’algoritmo interagisce con un ambiente dinamico (da cui ricava dati in ingresso) e deve raggiungere un obiettivo (e in tal caso riceve una premialità), imparando anche dagli errori (dove riceve una punizione).



DEEP LEARNING

La caratteristica principale del Deep Learning, che crea una spaccatura con il Machine Learning, è nell'architettura del sistema. I modelli di Deep Learning sono basati su più livelli di analisi dai quali vengono estratte progressivamente informazioni di livello superiore dall'input grezzo chiamate “caratteristiche”: questi livelli, composti da neuroni artificiali, creano una Rete Neurale Artificiale (in inglese con l'acronimo ANN). La valutazione e la scelta delle caratteristiche di identificazione degli oggetti viene effettuata direttamente dalla rete neurale, invece di essere scelta manualmente: è la differenza più importante rispetto al Machine Learning che rende il Deep Learning applicabile su una scala molto più ampia di casi.




Le Reti Neurali Convoluzionali (CNN) sono una tipologia di ANN, che oggi rappresentano la struttura primaria di ogni rete neurale applicata nei campi della classificazione e della rilevazione di oggetti. La loro efficienza in tutto il campo della visione rappresenta la ragione principale per la loro ampia applicazione e diffusione. L’aspetto più importante di queste reti neurali risiede nell’allenamento a cui devono essere sottoposte: si possono ottenere risultati validi e buoni solo se la rete è sufficientemente addestrata per svolgere il proprio lavoro. I parametri di addestramento delle CNN sono un insieme di valori che controllano le prestazioni della rete. Sono anche noti come iper-parametri. La combinazione di CNN e deep learning porta allo sviluppo delle reti CNN profonde (DCNN) in grado di risolvere alcune applicazioni industriali di machine vision che sembrano troppo complesse per le tecniche tradizionali.

Le applicazioni riguardano la classificazione di oggetti singolarizzati all’interno di un’immagine, la localizzazione e il conteggio di oggetti multipli all’interno di un’immagine fino alla classificazione del singolo pixel. Si parla quindi di classificazione, riconoscimento e localizzazione di oggetti (object detection), e segmentazione semantica. Sono in corso di sviluppo approcci che riducano la complessità dell’apprendimento, in particolare algoritmi di rilevazione di difetti e anomalie che si addestrano solo con immagini di pezzi buoni, e algoritmi di lettura OCR senza necessità di addestramento oppure con addestramento su un numero ridotto di immagini.



Lo sviluppo di reti neurali sempre più performanti è reso possibile dalla presenza di competizioni annuali nel campo del Deep Learning. La più importante è ImageNet Large Scale Visual Recognition Competition (ILSVRC): in tale occasione programmi software vengono fatti competere per classificare e rilevare correttamente oggetti e scene contenuti nelle immagini. Il dataset utilizzato è composto da una lista ridotta di immagini appartenenti a mille categorie di oggetti, prelevate dall’ImageNet dataset che conta più di 14 milioni di immagini utilizzate nell’ambito del riconoscimento di oggetti. La competizione COCO Detection Challenge è basata sul dataset Common Object in Context (COCO) ed è destinata ad algoritmi di object detection e segmentazione semantica. Infine, la competizione Low Power Image Recognition Challenge (LPIRC) premia gli algoritmi che richiedono meno sforzo computazionale aprendo la strada ad applicazioni di tipo embedded. 

L’ITALIA E L’INTELLIGENZA ARTIFICIALE

Data la piena evoluzione di questo settore, anche le industrie italiane si stanno muovendo sempre di più verso un’applicazione di tale tecnologia. Anche dal punto di vista della ricerca e dello studio, nel 2019 è stato istituito il primo Convegno Nazionale sull’Intelligenza Artificiale (Ital-IA) con l’obiettivo di sviluppare obiettivi comuni tra istituzioni pubbliche, industria italiana e la ricerca scientifica delle università e dei centri di ricerca nazionali. Tale convegno, organizzato dal CINI e in collaborazione con Confindustria, ha visto la partecipazione di iMAGE S con studi condotti per valutare le prestazioni di reti neurali per classificare immagini di frutta (Ital-IA 2019) e per applicazioni di bin picking con reti neurali di segmentazione di istanze (Ital-IA 2022).