Che cos'è l'AI?
Pubblicato da IBM in Notizie ITC · Venerdì 14 Mar 2025 · 7:00
Tags: AI, intelligenza, artificiale, tecnologia, innovazione, machine, learning, automazione, futuro, applicazioni, AI, etica, dell'AI, impatti, sociali
Tags: AI, intelligenza, artificiale, tecnologia, innovazione, machine, learning, automazione, futuro, applicazioni, AI, etica, dell'AI, impatti, sociali
Da sola o in combinazione con altre tecnologie (ad esempio, sensori, geolocalizzazione, robotica) l'AI può eseguire compiti che altrimenti richiederebbero l'intelligenza o l'intervento umano.Gli assistenti digitali, la guida GPS, i veicoli autonomi e gli strumenti di AI generativa (come Chat GPT di Open AI) sono solo alcuni esempi della presenza dell'AI nelle notizie quotidiane e nella nostra vita quotidiana.
Come campo dell'informatica, l'intelligenza artificiale comprende (ed è spesso menzionata insieme a) il machine learning e il deep learning. Queste discipline prevedono lo sviluppo di algoritmi di AI, modellati sui processi decisionali del cervello umano, che possono "imparare" dai dati disponibili e fare classificazioni o previsioni sempre più accurate nel tempo.
L'intelligenza artificiale ha attraversato molti cicli di hype, ma anche per gli scettici il rilascio di ChatGPT sembra segnare un punto di svolta. L'ultima volta che l'AI generativa ha avuto un'importanza così grande, i progressi sono stati compiuti nella computer vision, ma ora il salto di qualità è nell'elaborazione del linguaggio naturale (NLP). Oggi,
l’AI generativa è in grado di apprendere e sintetizzare non solo il linguaggio umano, ma anche altri tipi di dati, tra cui immagini, video, codice software e persino strutture molecolari.
Le applicazioni per l'AI crescono di giorno in giorno. Ma, man mano che l'hype sull'uso degli strumenti di AI negli affari decolla, si comincia a parlare sempre più spesso e in modo sempre più urgente dell'etica dell'AI e sull'AI responsabile. Per saperne di più sulla posizione di IBM su questi temi, leggi Creare fiducia nell'AI.
L'AI debole, detta anche AI ristretta o intelligenza artificiale ristretta (ANI), è un'AI addestrata e orientata a eseguire attività specifiche. L'AI debole è alla base della maggior parte dell'AI che ci circonda oggi. "Ristretta" potrebbe essere un termine più preciso per descrivere questo tipo di AI, in quanto è tutt'altro che debole; abilita alcune applicazioni molto robuste, come Siri di Apple, Alexa di Amazon, IBM watsonx e i veicoli autonomi.
L'AI forte è composta da intelligenza artificiale generale (AGI) e superintelligenza artificiale (ASI). L'AGI, o AI generale, è una forma teorica di AI secondo la quale una macchina avrebbe un'intelligenza pari a quella umana, una coscienza autoconsapevole con la capacità di risolvere problemi, imparare e pianificare il futuro. L'ASI, nota anche come superintelligenza, supererebbe l'intelligenza e le capacità del cervello umano. Sebbene l'AI forte sia ancora del tutto teorica e non vi siano esempi pratici in uso oggi, ciò non significa che i ricercatori di AI non ne stiano esplorando gli sviluppi. Nel frattempo, i migliori esempi di ASI potrebbero essere tratti dalla fantascienza, come HAL, il supercomputer malvagio in 2001: Odissea nello spazio.
Il machine learning e il deep learning sono sottodiscipline dell'AI, e il deep learning è a sua volta una sottodisciplina del machine learning.
Sia il machine learning che gli algoritmi di deep learning utilizzano le reti neurali per "imparare" da enormi quantità di dati. Queste reti neurali sono strutture programmatiche modellate a imitazione dei processi decisionali del cervello umano. Sono costituite da strati di nodi interconnessi che estraggono funzioni dai dati e fanno previsioni su ciò che i dati rappresentano.
Machine learning e deep learning si differenziano per i tipi di reti neurali utilizzati e per la quantità di intervento umano richiesto. Gli algoritmi di apprendimento automatico classico utilizzano reti neurali con un layer di input, uno o due layer "nascosti" e un layer di output. In genere, questi algoritmi si limitano all'apprendimento supervisionato: i dati devono essere strutturati o etichettati da esperti umani per consentire all'algoritmo di estrarre funzioni dai dati.
Gli algoritmi di deep learning utilizzano reti neurali profonde, ossia reti composte da un livello di input, tre o più (ma solitamente centinaia) livelli nascosti e un layout di output. Questi livelli multipli consentono l'apprendimento non supervisionato: automatizzano l'estrazione di funzionalità da set di dati di grandi dimensioni, non etichettati e non strutturati. Poiché non richiede l'intervento umano, il deep learning consente essenzialmente l'apprendimento automatico su larga scala.
Applicazioni dell'intelligenza artificiale
Oggi esistono numerose applicazioni nel mondo reale per i sistemi di AI. Di seguito sono riportati alcuni dei casi d'uso più comuni:
riconoscimento vocale
Conosciuto anche come riconoscimento vocale automatico (ASR), riconoscimento vocale computerizzato o speech-to-text, il riconoscimento vocale utilizza l'NLP per elaborare il linguaggio umano in formato scritto. Molti dispositivi mobili incorporano il riconoscimento vocale nei loro sistemi per eseguire ricerche vocali, come fa per esempio Siri, o fornire una maggiore accessibilità per l'invio di messaggi di testo in inglese o in molte lingue ampiamente utilizzate. Scopri come Don Johnston ha utilizzato IBM Watson Text to Speech per migliorare l'accessibilità in classe con il nostro case study.
Gli agenti virtuali online e i chatbot stanno sostituendo gli agenti umani nel percorso del cliente. Rispondono alle domande frequenti (FAQ) su argomenti come le spedizioni o forniscono consigli personalizzati, cross-selling di prodotti o suggeriscono le taglie agli utenti, cambiando il modo di concepire il coinvolgimento dei clienti su siti web e sulle piattaforme dei social media. Tra gli esempi vi sono i bot di messaggistica sui siti di e-commerce con agenti virtuali, le app di messaggistica, come Slack e Facebook Messenger, e le attività solitamente svolte da assistenti virtuali e assistenti vocali. Scopri come Autodesk Inc. ha utilizzato IBM watsonx Assistant per accelerare del 99% i tempi di risposta dei clienti con il nostro case study.
Questa tecnologia di AI consente ai computer e ai sistemi di ricavare informazioni significative da immagini digitali, video e altri input visivi e, sulla base di tali input, di agire. Questa capacità di fornire consigli la distingue dalle attività di riconoscimento delle immagini. Grazie alle reti neurali convoluzionali, la computer vision trova applicazione nel tagging delle foto nei social media, nell'imaging radiologico nel settore sanitario e nelle auto a guida autonoma nel settore automobilistico. Scopri come ProMare ha utilizzato IBM Maximo per impostare un nuovo corso per la ricerca oceanica con il nostro case study.
La robotica adattiva agisce sulle informazioni dei dispositivi Internet of Things (IoT) e sui dati strutturati e non strutturati per prendere decisioni autonome. Gli strumenti di NLP sono in grado di comprendere il linguaggio umano e di reagire a ciò che gli viene detto. L'analytics predittivo viene applicato alla reattività della domanda, all'ottimizzazione dell'inventario e della rete, alla manutenzione preventiva e alla produzione digitale. Gli algoritmi di ricerca e di riconoscimento dei modelli (che non sono più solo predittivi, ma anche gerarchici) analizzano i dati in tempo reale, aiutando le supply chain a reagire all'intelligenza aumentata generata dalle macchine, fornendo al contempo una visibilità e una trasparenza immediate. Scopri come Hendrickson ha utilizzato IBM Sterling per alimentare le transazioni in tempo reale con il nostro case study.
I modelli meteorologici su cui le emittenti si basano per fare previsioni accurate sono costituiti da algoritmi complessi eseguiti su supercomputer. Le tecniche di machine learning migliorano questi modelli, rendendoli più applicabili e precisi. Scopri con il nostro case study come Emnotion ha utilizzato IBM Cloud per permettere alle aziende sensibili alle intemperie di prendere decisioni più proattive e basate sui dati.
I modelli AI possono vagliare grandi quantità di dati e rilevare punti dati atipici all'interno di un set di dati. Queste anomalie possono aumentare la consapevolezza su apparecchiature difettose, errori umani o violazioni della sicurezza. Scopri come Netox ha utilizzato IBM QRadar per proteggere le aziende digitali dalle minacce informatiche con il nostro case study.
