Nella prima parte sulla storia dell’Intelligenza Artificiale abbiamo esplorato le origini di questa tecnologie e le sfide che ha dovuto affrontare per affermarsi come campo di ricerca. Oggi ci concentreremo sulla rinascita dopo il primo inverno e sui progressi straordinari che si sono compiuti dagli anni ‘80 al giorno d’oggi, approfondendo anche il Machine Learning, il Deep Learning e le moderne applicazioni dell’AI.
Rinascita e Secondo Inverno (1980-1990)
Negli anni’80,, l’intelligenza artificiale finalmente uscì dal cosiddetto “primo inverno” e conobbe una rinascita grazie all’introduzione dei sistemi esperti. I sistemi esperti erano programmi che utilizzavano conoscenze specifiche per risolvere problemi complessi in domini ristretti.
Sistemi esperti
Il più celebre dei sistemi esperti si chiama MYCIN, ed è stato sviluppato alla Stanford University per la diagnosi e il trattamento delle malattie infettive. I sistemi esperti usano una serie di regole logiche “If-then”, del tipo “Se il paziente presenta questo sintomo, allora bisogna verificare questa condizione”, in modo da imitare il processo decisionale che compirebbe un medico. Attraverso una serie di domande, MYCIN raccoglie informazioni cliniche, formula una diagnosi e suggerisce un trattamento, includendo anche un ragionamento probabilistico in modo da gestire l’incertezza. MYCIN, nonostante il suo successo, non è mai stato adottato su larga scala, ha però gettato le basi per il resto della storia dell’intelligenza artificiale, avendo un impatto significativo sui moderni sistemi di supporto alle decisioni cliniche.
Il secondo Inverno
Alla fine degli anni ‘80, l’intelligenza artificiale, nella sua storia, si trova a fronteggiare nuove difficoltà. Si scoprì che i sistemi esperti erano costosissimi da sviluppare e da mantenere, questo perché creare e aggiornare le regole richiedeva moltissimo impegno, in termini di tempo, da parte degli esperti umani. Inoltre, le conoscenze codificate, tendevano a diventare rapidamente obsolete.
La mancanza di progressi significativi in questo campo, uniti al fatto che l’hardware e il software dell’epoca non fossero avanzati abbastanza, ha contribuito a frenare l’entusiasmo per l’intelligenza artificiale. I finanziamenti per la ricerca furono ridotti e le aziende spostarono le loro risorse verso altri settori. Questo periodo è conosciuto come “il secondo inverno”, ed è un momento di rallentamento e disillusione nella storia dell’intelligenza artificiale.
La Rivoluzione del Machine Learning (1990-2010)
Negli Anni ‘90 e 2000, l’intelligenza artificiale incontra nella sua storia una seconda rinascita, dovuta soprattutto ai progressi fatti nella tecnologia del Machine Learning.
Algoritmi di Apprendimento e Big Data
Grazie al Machine Learning, le macchine hanno potuto iniziare ad apprendere dai dati, invece che dover fare affidamento su una serie di rigide regole predefinite. Grazie anche alla maggiore potenza di calcolo delle macchine e alla disponibilità di un grande quantità di dati, hanno cominciato a fiorire algoritmi di apprendimento automatico più sofisticati ed efficaci dei loro predecessori.
In questo momento si scoprono tecniche come le Macchine a Vettori di Supporto (SVM) e gli alberi decisionali come strumenti chiave dell’intelligenza artificiale. Le SVM, ad esempio, sono state usate con successo per compiti di classificazione e regressione, e hanno
Successi nel Riconoscimento Vocale e Visivo
I progressi tecnologici nell’intelligenza artificiale hanno permesso la creazione delle tecnologie per il riconoscimento vocale e visivo. Google, ad esempio, ha iniziato in questo periodo a sfruttare gli algoritmi di ML per migliorare velocità delle trascrizioni e delle decisioni. Facebook ha implementato il riconoscimento facciale grazie all’intelligenza artificiale, che riusciva a identificare le persone nelle fotografie con una precisione sempre migliore.
La Rivoluzione del Deep Learning (2010-Oggi)
Dal 2010, si è vista un’altra grande rivoluzione: quella del Deep Learning. Il Deep Learning può essere considerato una sottocategoria del Machine Learning, e utilizza reti neurali profonde e convenzionali.
Reti Neurali Convoluzionali e Reti Ricorrenti
Le reti neurali profonde hanno la capacità di analizzare e interpretare grandissime quantità di dati complessi. Le reti neurali convenzionali, dal canto loro, hanno avuto un grande impatto nel campo della visione artificiale, infatti, grazie a queste, il riconoscimento di oggetti e l’elaborazione di immagini sono diventati più precisi e rapidi.
Le reti neurali ricorrenti, dall’altro lato, hanno migliorato l’efficienza nel campo del riconoscimento vocale e dell’elaborazione del linguaggio naturale, in modo che le macchine potessero comprendere e generare testo in maniera più naturale.
AI nei Settori Commerciali e della Vita Quotidiana
Tali e tanti progressi nella storia dell’intelligenza artificiale, ne hanno reso possibile l’integrazione in numerosi prodotti e servizi commerciali. Oggi, l’intelligenza artificiale, si trova facilmente nei motori di ricerca, negli assistenti vocali e nelle piattaforme di streaming e di e-commerce, sotto forma di sistema di raccomandazione.
Ma non basta: l’intelligenza artificiale, con la sua ricca storia, ha trovato applicazioni anche nel mondo reale, ad esempio per quanto riguarda le macchine a guida autonoma. Tali veicoli usano una combinazione di Machine Learning, Deep learning e altre tecnologia per navigare la strada e prendere decisioni in real time, e rappresentano uno dei migliori esempi di come l’intelligenza artificiale può migliorare la nostra vita quotidiana.
Conclusioni
Questa evoluzione continua a spingere i confini di ciò che l’intelligenza artificiale può fare, con implicazioni che si estendono ben oltre il campo tecnologico, influenzando la società in modi sempre più profondi e pervasivi. Guardando al futuro, ci aspettiamo che la storia dell’intelligenza artificiale prosegua, continuando a integrarsi sempre di più nelle nostre vite quotidiane e a trasformare il mondo in modi che ancora per noi sono inimmaginabili.