Machine Learning e Intelligenza Artificiale (IA) sono la stessa cosa?

Come accade per la maggior parte dei termini utilizzati nel campo dell'Intelligenza Artificiale, non esiste una definizione univoca di Machine Learning.

Detto in parole semplici, ciò che il Machine Learning fa è usare i dati per rispondere a delle domande. Più formalmente, si riferisce all'uso di algoritmi che apprendono pattern, cioè schemi ripetuti, a partire dai dati e che sono in grado di eseguire compiti specifici senza essere esplicitamente programmati per tali funzioni.  

In generale, una caratteristica distintiva dei sistemi di Machine Learning è che sono in grado di migliorare le proprie prestazioni attraverso l'esperienza e i dati. In altre parole: che sono capaci di apprendere.

Il Machine Learning fa parte di un insieme di tecnologie raggruppate sotto il termine generico di intelligenza artificiale (IA).

I concetti di IA e Machine Learning spesso sembrano essere usati in modo intercambiabile, ma in effetti si dovrebbe considerare il Machine Learning come un sottodominio dell'IA che è a sua volta un sottodominio dell'informatica.

Le persone intendono l'Intelligenza Artificiale in modi diversi, ma fondamentalmente l'IA si riferisce a un concetto più ampio e cioè alle macchine in grado di svolgere compiti che normalmente richiederebbero un'intelligenza umana.

In questo contesto, il Machine Learning si riferisce ad applicazioni specifiche che utilizzano i dati per istruire un modello in grado di eseguire un determinato compito in modo indipendente e apprendere così dall'esperienza. 

L'intelligenza artificiale e il Machine Learning sono diventate espressioni di moda negli ultimi anni. Ma si tratta di temi tutt'altro che nuovi. Gli scienziati lavorano su IA e ML già da diverso di tempo. 

Dell'Intelligenza Artificiale si trova menzione per la prima volta negli anni '50. Il termine fu coniato dallo scienziato informatico americano John McCarthy in un seminario presso il Dartmouth College, nel New Hampshire, nel 1956.

Da allora, l'IA ha subito molte evoluzioni e vissuto sia momenti di gloria sia periodi bui. Il Machine Learning ha fatto invece la sua comparsa per la prima volta negli anni 80. Tuttavia, gli sviluppi in questo settore hanno iniziato ad accelerare esponenzialmente solo a partire dal 2010. Cosa spiega questo cambio di passo?

Nell'ultimo decennio, due fattori chiave hanno contribuito ai principali progressi dell'IA:

Il primo: vengono create enormi quantità di dati ogni minuto. Le macchine hanno bisogno di dati per Imparare e oggi la loro crescente disponibilità fa sì che sia possibile utilizzare set più grandi di dati per migliorare il training dei modelli esistenti i quali possono essere così testati e applicati in nuovi campi.

Il secondo fattore riguarda i recenti progressi nelle velocità di elaborazione che consentono ai computer di dare un senso a tutte queste informazioni molto più rapidamente. Ciò ha permesso alle aziende tecnologiche e agli altri attori del settore di giustificare investimenti sempre più grandi in ricerca e sviluppo.

Al ritmo attuale, l'IA diventerà presto un po' meno artificiale e molto più intelligente.

C'è un malinteso fondamentale rispetto agli obiettivi che la ricerca nel campo dell'IA sta cercando di raggiungere. Non siamo nemmeno lontanamente vicini alla creazione di macchine che pensano da sole come HAL 9000, il computer di 2001 Odissea nello spazio, né dovremmo temere che un robot ci rubi il posto di lavoro in un prossimo futuro.

Questo potrebbe accadere solo se un giorno arrivassimo alla cosiddetta Intelligenza Generale Artificiale (AGI): ovvero a macchine presumibilmente in grado di elaborare qualsiasi compito intellettivo in modo umano e senza bisogno di supervisione. Ad oggi, però, si tratta di qualcosa che appartiene ancora al mondo della fantascienza.

Ad eccezione di alcune aziende e laboratori di ricerca, in particolare DeepMind e OpenAI, l'attuale ricerca sull'IA si concentra sull'intelligenza limitata, fatta di enormi progressi per quanto riguarda il Machine Learning capace di gestire compiti specifici in modo indipendente.

La popolarità del Machine Learning rende talvolta difficile separare la realtà dalle dicerie di fondo. Tra i fattori che contribuiscono a creare confusioni ci sono certamente la mancanza di una definizione ufficialmente concordata, l'eredità della fantascienza e un basso livello generale di alfabetizzazione e conoscenza degli argomenti legati all'Intelligenza Artificiale.

Speriamo che questa lezione ti abbia fatto comprendere meglio la natura del Machine Learning e il modo in cui si collega all'Intelligenza Artificiale. Tuttavia, anche nel campo del Machine Learning esistono diversi tipi di modelli e approcci che è importante riconoscere.

Questo sarà l'argomento della prossima lezione.