Intelligenza artificiale tra dati e informazione: guida alla rivoluzione digitale

di Mario Catalano^*

l'intelligenza artificiale e la scienza dei dati stanno trasformando radicalmente il nostro modo di vivere, lavorare e interagire con il mondo che ci circonda. In questo articolo, esploreremo l'impatto che tali tecnologie hanno sullo sviluppo economico e sulla qualità della vita, nonché alcune delle grandi questioni che sfidano l’etica e il diritto nell’era delle macchine “intelligenti”. Infine, saranno presentate alcune risorse on-line, tra le più richieste, per la formazione nell’ambito di queste nuove ed affascinanti aree del sapere.

* Ricercatore, Docente, Editore Scientifico.

Il cuore dell'innovazione: il machine learning

L 'intelligenza artificiale è una scienza volta allo sviluppo di sistemi in grado di eseguire compiti che normalmente richiedono le competenze cognitive dell’uomo, ma in modo più efficiente e, in certi casi, anche più efficace. Ne sono degli esempi le applicazioni di elaborazione del linguaggio capaci di tradurre istantaneamente da una lingua all'altra, gli algoritmi che, analizzando enormi set di dati medici, identificano schemi e sintomi e contribuiscono alla diagnosi precoce e al trattamento personalizzato delle malattie, nonché i sistemi a guida autonoma, ossia i veicoli stradali automatici come i robotaxi che, elaborando i dati provenienti dai loro sensori, possono trasportare i propri passeggeri in modo sicuro e nel rispetto delle regole della circolazione stradale.

I vantaggi di tali tecnologie sono molteplici: queste, infatti, possono elaborare grandi quantità di dati di diversa natura in tempi notevolmente più brevi rispetto a quelli impiegati dagli esseri umani, accrescendo significativamente l'efficienza e l’efficacia delle analisi di problemi complessi; le macchine, inoltre, non conoscono stanchezza, possono lavorare ininterrottamente, fornendo un supporto costante o immediato quando richiesto; infine, l'intelligenza artificiale può migliorare nel tempo attraverso l'esperienza e l'aggiornamento continuo su nuovi dati, con il risultato di performance sempre più accurate. Tutto ciò libera risorse e fa sì che noi esseri umani possiamo concentrarci sulle attività più creative, sicure e socialmente rilevanti, migliorando complessivamente la qualità della nostra vita.

Fig. 1: Immagine generata con l’IA (Bing Image Creator).

Tra le tecniche che si stanno affermando, spicca in particolare il machine learning (apprendimento automatico)… vero fattore propulsivo di questa rivoluzione. Si tratta di un complesso di metodi per “insegnare” ai computer come apprendere dai dati.

In quest’ambito, ampia diffusione ha avuto l’apprendimento supervisionato, un approccio che si avvale di esempi forniti dall’uomo per il perfezionamento della capacità di svolgere un compito di classificazione (ad esempio, stabilire se una data e-mail sia da considerare “spam” oppure no) o di previsione (ad esempio, stimare i flussi di traffico nella prossima ora). Più in particolare, il modello di classificazione/previsione viene sviluppato sulla base di un insieme di dati etichettati, ovvero caratteristiche di input di cui è già noto l’output associato.

Più in dettaglio, l'obiettivo è “insegnare” al modello a fare previsioni o a prendere decisioni in base ad esempi conosciuti, attraverso alcune fasi fondamentali di “addestramento”:

• raccolta e preparazione dei dati: si inizia con un insieme di osservazioni che consiste in coppie di input e output noti. Ad esempio, in un problema di classificazione, l’input potrebbe essere la foto di un volto sorridente e l’output potrebbe essere la classificazione nella categoria “allegro”.

• Selezione del modello: si sceglie un modello di machine learning adatto al problema, i cui parametri saranno “calibrati” durante l'addestramento per rendere le previsioni sempre più accurate.

• Addestramento: il modello esamina i dati forniti e cerca di apprendere la relazione tra gli input e gli output noti. Gli algoritmi di apprendimento supervisionato migliorano iterativamente i parametri per ridurre l'errore tra le previsioni e gli output attesi.

• Validazione ed ottimizzazione: la performance del modello viene verificata su un insieme di dati test che non sono stati impiegati durante l'addestramento. Questo aiuta a valutare la sua capacità di generalizzare, ossia di classificare/prevedere in modo accurato anche rispetto a nuovi problemi.

L’impatto economico

L'applicazione dell'intelligenza artificiale ha un impatto diretto sull'economia. Settori come la produzione, la sanità, l’intrattenimento ed altri stanno utilizzando queste tecnologie per ottimizzare processi e ridurre costi, ma anche per rendere l’esperienza dei consumatori più in linea con le loro preferenze individuali. Nonostante la recente introduzione, già esistono studi e stime riguardanti gli effetti sull'economia. Secondo Goldman Sachs Research, questa tecnologia potrebbe innescare una crescita del Pil globale del 7%, ossia circa 7 trilioni di dollari, ed aumentare la crescita della produttività di 1,5 punti percentuali in un periodo di 10 anni. Inoltre, seppur tali progressi potrebbero esporre all’automazione circa 300 milioni di posti di lavoro a tempo pieno nel mondo, non va dimenticato - scrivono gli economisti di Goldman Sachs Research - che i posti di lavoro sostituiti dall’automazione sono stati storicamente compensati dalla creazione di nuove figure professionali e che le nuove occupazioni legate all’innovazione tecnologica rappresentano la parte più cospicua della crescita occupazionale di lungo periodo. Infatti, secondo un recente studio pubblicato dal National Bureau of Economic Research, il 60% dei lavoratori di oggi sono impiegati in attività che non esistevano nel 1940: pensiamo, ad esempio, a profili come quelli del progettista di pagine web e dello sviluppatore di software o ai professionisti del marketing digitale.

Le ricadute sul progresso sociale

A l di là dei confini della dimensione economica, l'intelligenza artificiale sta anche contribuendo al miglioramento della qualità della vita. Nel settore medico, ad esempio, gli algoritmi di machine learning sono utilizzati per diagnosticare precocemente le malattie, personalizzare i trattamenti terapeutici ed accrescere l'efficacia degli interventi chirurgici. Notevoli anche le ricadute che cominciano ad emergere, in alcuni contesti d’avanguardia, nel campo dell’assistenza agli anziani e ai malati cronici: sistemi di monitoraggio intelligenti possono rilevare anomalie nei dati vitali o nelle routine terapeutiche ed inviare avvisi tempestivi in caso di emergenza.

Se consideriamo gli sviluppi della mobilità, poi, meritano una menzione i sistemi di trasporto intelligenti, che utilizzano in tempo reale dati e algoritmi per mitigare la congestione del traffico, garantendo elevate performance ai mezzi pubblici e di emergenza (ad esempio, tramite semafori intelligenti, corsie dinamiche, etc.), e per promuovere forme cooperative e sostenibili di mobilità.

Infine, giova sottolineare quanto rapidamente si stia diffondendo l’impiego di assistenti digitali capaci di apprendere dalle preferenze degli utenti nel tempo, offrendo un'esperienza personalizzata di consumo, in particolare nel settore dell’intrattenimento: pensiamo alle piattaforme per la fruizione di contenuti multimediali, in grado di suggerire playlist musicali o di altro tipo in sintonia con i gusti dell'utente.

Fig. 2: Immagine generata con l’IA (Bing Image Creator).

La scienza dei dati: l'arte di interpretare il mondo

La scienza dei dati è il complemento ideale per l'intelligenza artificiale, poiché fornisce gli strumenti per analizzare e interpretare grandi quantità di informazioni. I dati sono diventati una risorsa strategica fondamentale; le aziende e le istituzioni che sanno avvalersene al meglio possono prendere decisioni fondate e anticipare le evoluzioni del mercato.

Potremmo definirla come una branca interdisciplinare del sapere che si occupa della raccolta, dell'analisi, dell'interpretazione e della presentazione dei dati. Integra concetti e metodi provenienti da diverse aree, come la statistica, l’informatica e la matematica, per estrarre da osservazioni e misurazioni conoscenze utili a costruire modelli interpretativi della realtà.

Un esempio di quanto la scienza dei dati sia parte della comune esperienza di fruizione delle tecnologie digitali è nell’applicazione del micromarketing: le piattaforme che on-line offrono beni e servizi di varia natura raccolgono dati sugli utenti che le frequentano e se ne servono per personalizzare le campagne pubblicitarie in base alle preferenze individuali. Ciò consente di proporre ad ogni potenziale consumatore soltanto beni o servizi che possano essere di suo interesse, migliorando significativamente la sua esperienza da cyber-compratore, nonché l’efficacia delle strategie di marketing.

Le sfide etico-giuridiche

Il progresso dell'intelligenza artificiale e della scienza dei dati ha fatto emergere molteplici sfide sul piano etico-giuridico. Queste riflettono la necessità di contemperare l'innovazione tecnologica con la responsabilità sociale e il rispetto di valori e norme riconosciuti in ambito nazionale ed internazionale.

In primo luogo, va detto che algoritmi complessi e poco trasparenti possono produrre scelte difficili da interpretare, rendendo opachi molti processi decisionali che influiscono sensibilmente sulla vita delle persone: pensiamo, ad esempio, alle applicazioni per la selezione del personale nelle aziende. Più in particolare, gli algoritmi di machine learning possono assorbire ed amplificare i pregiudizi presenti nei dati di addestramento, con la conseguenza di discriminare determinati gruppi sociali e compiere ingiustizie su grande scala. A tal proposito, è esemplare il caso della valutazione del merito creditizio: le donne, in molti contesti, hanno una vita lavorativa caratterizzata da maggiore precarietà e peggiori trattamenti economici. Tutto ciò può condurre allo sviluppo di sistemi automatici di credit scoring che le penalizzano, rispetto agli uomini, in fase di valutazione delle richieste di credito a banche e società finanziarie… operando così una vera e propria discriminazione di genere. Inoltre, gli algoritmi possono anche essere utilizzati per diffondere informazioni false o manipolate in modo da influenzare processi decisionali critici, come le elezioni o, più in generale, orientare l’opinione pubblica.

Sul fronte giuridico, poi, le sfide sono molto impegnative. Tra queste, solo per citarne alcune, possiamo ricordare tre rilevanti problematiche: determinare la condotta dei veicoli autonomi, come i robotaxi, nell’ipotesi di una collisione inevitabile che metta in pericolo sia i passeggeri sia gli altri utenti della strada (specialmente quando non è possibile tutelare nella stessa misura tutti i soggetti coinvolti); proteggere adeguatamente la privacy e la sicurezza dei dati raccolti per l’addestramento dei sistemi di intelligenza artificiale, ma senza comprometterne la fruibilità; disciplinare l’impiego delle armi autonome come i droni kamikaze, capaci di volare fino a raggiungere la zona d'ingaggio e, se necessario, identificare e colpire il bersaglio senza il controllo di un operatore umano. Per comprendere appieno l'entità delle sfide, concentriamoci su quest’ultimo caso: chi dovrebbe essere considerato responsabile di un crimine di guerra realizzato tramite un drone intelligente che facesse strage di civili indifesi? Un’arma autonoma non è un agente morale! Inoltre, in un conflitto tradizionale, una vittima potenziale può chiedere pietà e ragionevolmente sperare nella compassione del nemico… che ne sarebbe di questa possibilità, se fossero le macchine a poter decidere della vita degli esseri umani nei teatri di guerra?

Affrontare queste sfide richiede una collaborazione su scala globale tra istituzioni politiche, attori economici ed organizzazioni non governative per approntare normative e codici etici in grado di promuovere un impiego responsabile dell'intelligenza artificiale. Pertanto, la comprensione della scienza dei dati e dell'intelligenza artificiale non riguarda soltanto l’orientamento professionale, è bensì anche un momento chiave della formazione alla cittadinanza attiva: conoscere la logica alla base di queste tecnologie emergenti ci rende cittadini consapevoli, capaci di partecipare al dibattito pubblico sulle relative questioni di carattere etico e giuridico.

La formazione: percorsi accademici e risorse on-line

Comprendere l'intelligenza artificiale e la scienza dei dati è cruciale per affrontare le sfide del futuro e contribuire al progresso della società; può anche essere la via per intraprendere una carriera entusiasmante in un settore in rapida e notevole ascesa.

Numerosi sono i percorsi accademici che favoriscono l’approfondimento di queste nuove ed affascinanti aree del sapere: ingegneria informatica, statistica, matematica e scienze dell'informazione sono le principali opzioni.

Per coloro che vogliano iniziare ad esplorare queste discipline prima di prendere un orientamento preciso o per quanti, invece, desiderino perfezionare i propri studi universitari, sono disponibili molte risorse online, gratuite e non. Piattaforme come Coursera, edX e Khan Academy offrono corsi introduttivi e avanzati su machine learning e data science. Una guida dettagliata e rivolta anche ai meno esperti, che merita una menzione particolare, è quella del noto divulgatore sul tema Louis Bouchard, dal titolo “Start Machine Learning in 2023 - Become an expert for free!” (https://github.com/ louisfb01/start-machine-learning).

Inoltre, esistono valide alternative anche in lingua italiana: in particolare, può esser utile segnalare "Elements of AI" (https://www.elementsofai.it/), un corso online gratuito introduttivo sull'intelligenza artificiale, disponibile anche in lingua italiana, offerto da Reaktor e dall'Università di Helsinki; il corso è progettato per essere accessibile a chiunque, indipendentemente dal livello di conoscenza in informatica o matematica.

Merita parimenti di essere citata la piattaforma di e-learning di Datamasters (https://datamasters.it/), una AI Academy italiana che offre formazione, anche gratuita, dal taglio applicativo a chi intenda muovere i primi passi nel mondo della scienza dei dati.

Fig. 3: Immagine generata con l’IA (Bing Image Creator).

Bibliografia

• Autor, David, Caroline Chin, Anna M. Salomons, and Bryan Seegmiller. New Frontiers: The Origins and Content of New Work, 1940–2018. No. w30389. National Bureau of Economic Research, 2022.

• Awad, E., Dsouza, S., Kim, R., Schulz, J., Henrich, J., Shariff, A., Bonnefon, J., and Rahwan, I (2018). “The Moral Machine experiment”, Nature 563, 7729, 59.

• Benanti, P. (2018). Le Macchine sapienti - Intelligenze artificiali e decisioni umane. Casa Editrice Marietti.

• Briggs J, Kodnani D (2023) The potentially large effects of artificial intelligence on economic growth. Goldman Sachs. https://www.gspublishing.com/content/research/en/reports/2023/03/27/d64e052b-0f6e-45d7-967b-d7be35fabd16.html

• Buscema, P. M. (2020). L'arte della previsione – Intervista sull’intelligenza artificiale a cura di Vittorio Capecchi. Mimesis Edizioni.

• Chiriatti, M. (2021). Incoscienza artificiale – Come fanno le macchine a prevedere per noi. Luiss University Press.

• Hintz, A., Dencik, L., and Wahl-Jorgensen, K. (2019). Digital citizenship in a datafied society. Cambridge, UK: Polity Press.

• Nielsen, M. A. (2015). Neural Networks and Deep Learning. Determination Press.