Sinossi: L’articolo 3 del Regolamento (UE) 2024/1689 (A.I. Act) definisce i sistemi di intelligenza artificiale come sistemi automatizzati progettati per funzionare con livelli di autonomia variabili; ma quale e quanta autonomia può essere concessa ad una macchina? Per rispondere a tale quesito bisognerebbe anzitutto verificare se l’intelligenza artificiale sia basata su modelli (Model-based) o sull’apprendimento automatico (Machine Learning), quale distinzione determinante per comprendere il funzionamento, i limiti e le potenzialità dei due approcci all’A.I.
L’intelligenza artificiale basata su modelli (c.d. Model-based) riguarda i casi in cui un modello è realizzato al di fuori della macchina e traslato all’interno della stessa, la quale fornisce gli strumenti per analizzare e verificare le proprietà del modello.
Si tratta di sistemi formali, così definiti perché ragionano sulla sola base delle forme e non dei contenuti, non possedendo una comprensione semantica del testo. Gli algoritmi utilizzati nei sistemi di Model-based, c.d. algoritmi condizionali, sono ispirati alla logica del “se/allora”: se ricorrono determinati elementi o requisiti, allora il programma giunge ad un esito predeterminato, non producendo vere scelte ma inferenze (G. Carullo, Decisione amministrativa e intelligenza artificiale).
Diversamente, alcuni sistemi sono in grado di acquisire autonomamente la propria conoscenza, estraendo informazioni dai dati. Trattasi dell’apprendimento automatico, c.d. Machine Learning (ML). Nei sistemi basati sul ML la macchina non parte da una conoscenza fornita dall’uomo, poiché la stessa viene generata automaticamente dal sistema tramite l’analisi di grandi quantità di dati. In questi sistemi l’addestramento (training) rappresenta una fase cruciale: la macchina, inizialmente disorganizzata, solo dopo l’addestramento sarà in grado di svolgere una pluralità di compiti (P. Traverso, Breve introduzione tecnica all’Intelligenza Artificiale).
La grande massa di informazioni confluisce all’interno di un datawarehouse, che organizza i dati rendendone possibile l’individuazione delle relazioni e la formulazione di previsioni statistiche. A differenza di quanto ritenuto comunemente, nel ML non è presente a priori un’istruzione specifica per produrre un determinato output, bensì, attraverso lo studio di un ambiente, il sistema riceve i dati, li processa e fornisce una risposta (V. Natale, Attenzione e regole per prevenire abusi: l’intelligenza artificiale spiegata a mio nonno…). In questo modo gli output sono assimilabili a predizioni, a relazioni meramente probabilistiche tra input e possibili esiti (E. Nardelli, A passeggio con l’informatica – 18. Macchine cognitive).
In alcuni sistemi di ML – in particolare i modelli linguistici di grandi dimensioni (LLM) – l’output può anche variare nel tempo e in base al contesto, al mutare del quale il sistema potrebbe restituire una risposta differente, a seconda di pregresse conversazioni, del grado di specificità della domanda e delle tendenze in corso in quel momento.
Esistono tre indirizzi di apprendimento automatico che differiscono circa le modalità di conduzione dell’apprendimento e il peso assunto dai dati in fase training.
Nell’apprendimento supervisionato, i dati forniscono esempi e risposte corrette. Il funzionamento combina due passaggi: dapprima un algoritmo addestratore costruisce un modello specifico per portare a termine il compito richiesto, in secondo luogo tale modello viene utilizzato da un algoritmo predittore per dare risposte a casi nuovi. Anche l’apprendimento per rinforzo comporta l’addestramento mediante esempi, in questo caso, però, il sistema apprende dalle ricompense e penalità virtuali collegate ai risultati delle sue azioni. Nell’apprendimento non supervisionato, infine, l’algoritmo, senza intervento umano, esamina e raggruppa dati privi di etichette.
È a questo punto possibile individuare punti di forza e difficoltà delle due metodologie.
L’approccio basato sulla modellazione garantisce comprensibilità e affidabilità ma presenta un limite storico: la riuscita dei sistemi dipende dalla completezza della base di conoscenza. In molti settori è quasi impossibile fornire tutta la conoscenza necessaria – soprattutto quella implicita, prerogativa degli esseri umani – per risolvere qualsiasi interrogativo posto al sistema.
Nell’approccio basato sul Machine Learning, un grande pregio è rappresentato dalla semplicità e immediatezza del sistema. Nonostante ciò, tale meccanismo richiede enormi quantità di dati per addestrare al meglio i sistemi, soprattutto nell’apprendimento supervisionato (E. Nardelli, A passeggio con l’informatica – 19. Intelligenza delle macchine: è vera intelligenza?; E. Nardelli, A passeggio con l’informatica – 20. Non avrai intelligenza al di fuori di me!). Inoltre, i sistemi di ML non giustificano agevolmente i loro output, non consentendo di comprendere il funzionamento complessivo della macchina.
Poiché entrambe le tecnologie presentano vantaggi e limiti, in molti settori si fa strada l’idea di integrare modelli logici nei sistemi di Machine Learning, combinando modellazione e apprendimento automatico per cogliere il meglio di entrambe le metodologie.
Osservatorio sullo Stato Digitale by Irpa is licensed under CC BY-NC-ND 4.0
