Che cos'è l'IA?
L'intelligenza artificiale (IA) si ha quando un computer svolge un compito che richiede un pensiero simile a quello umano: vedere, ascoltare, capire il linguaggio o decidere. Gran parte dell'IA di oggi funziona imparando dai dati, non solo seguendo istruzioni fisse.
IA, machine learning e deep learning
- IA è l'idea più ampia: macchine che si comportano in modo intelligente.
- Machine learning (ML, apprendimento automatico) è una parte dell'IA in cui la macchina trova schemi nei dati.
- Deep learning (apprendimento profondo) è una parte del ML che usa grandi reti neurali, per esempio per riconoscere i volti.
Tre grandi ambiti
- Scienza dei dati: numeri e tabelle (previsione dei prezzi).
- Visione artificiale: immagini e video (sblocco con il volto).
- Elaborazione del linguaggio naturale (NLP): testo e voce (assistenti vocali, traduzione).
Non tutto ciò che è automatico è IA: il timer di una lavatrice segue passi fissi e non impara.
Le sei fasi del ciclo di un progetto di IA
- Definizione del problema: capire il problema. Si compila una tela delle 4W: Chi (le persone coinvolte), Cosa (il problema e le prove che esiste), Dove (la situazione o il contesto), Perché (il vantaggio di risolverlo). Si finisce con un enunciato del problema di una sola frase.
- Acquisizione dei dati: raccogliere dati pertinenti, affidabili e che si ha il permesso di usare. Fonti: sondaggi, sensori, telecamere, osservazioni, web scraping, dati aperti (API). I dati hanno caratteristiche (ingressi, per esempio dimensione, colore) e un' etichetta (la risposta, per esempio mela).
- Esplorazione dei dati: pulire i dati (correggere valori mancanti, sbagliati o ripetuti) e visualizzarli con grafici per scoprire schemi.
- Modellazione: scegliere un metodo. Basato su regole: le regole le scrivono le persone. Basato sull'apprendimento: la macchina ricava le regole dai dati (per esempio apprendimento supervisionato con dati etichettati, apprendimento non supervisionato che trova gruppi).
- Valutazione: provare il modello su dati che non ha mai visto. Si misura l'accuratezza e si guardano i suoi errori.
- Distribuzione: inserire il modello in un'app o in un dispositivo reale, osservare come funziona e continuare a migliorarlo. Poi il ciclo ricomincia.
Valutare un modello: l'accuratezza con numeri semplici
Accuratezza = previsioni corrette ÷ previsioni totali × 100%.
Se un modello di frutta vede 200 frutti nuovi e ne indovina 180, l'accuratezza è 180 ÷ 200 × 100 = 90%. Teniamo da parte dei dati come dati di prova perché un modello può semplicemente "ricordare" i dati con cui si è allenato; provarlo su dati nuovi mostra se ha davvero imparato.
L'accuratezza da sola può nascondere dei problemi: un modello può essere nel giusto il 95% delle volte in generale, ma molto peggiore per un gruppo di persone. Per questo controlliamo i risultati anche gruppo per gruppo.
Etica e bias nell'IA
L'etica dell'IA significa fare in modo che l'IA sia usata in modo equo e sicuro per le persone.
- Bias (distorsione): il modello tratta alcune persone in modo ingiusto, di solito perché i dati di addestramento hanno pochi esempi o esempi tutti dello stesso tipo. Esempio: un sistema di sblocco con il volto allenato soprattutto su un solo colore della pelle sbaglia più spesso con gli altri.
- Privacy: raccogli solo i dati che ti servono, con il permesso, e proteggili.
- Trasparenza: le persone devono sapere quando decide un'IA e perché.
- Responsabilità: le persone restano responsabili di ciò che fa l'IA.
- Lavoro e accesso: l'IA deve aiutare le persone e tutti devono poterla usare.
Rimedi: dati bilanciati e controllati, prove su ogni gruppo, revisione umana delle decisioni importanti.
Formule e definizioni chiave
- Accuratezza (%) = previsioni corrette ÷ previsioni totali × 100
- Ciclo di un progetto di IA: Definizione del problema → Acquisizione dei dati → Esplorazione dei dati → Modellazione → Valutazione → Distribuzione
- Tela delle 4W: Chi, Cosa, Dove, Perché
- Caratteristica (feature): una proprietà di ingresso dei dati. Etichetta (label): la risposta corretta per un esempio.
- I dati di addestramento insegnano al modello; i dati di prova lo controllano.
- Bias: risultati ingiusti per un gruppo, spesso causati da dati sbilanciati.
Esempi svolti
1. Scrivi un enunciato del problema con le 4W per studenti che a scuola si dimenticano di bere acqua.
Chi: studenti di 12–15 anni. Cosa: bevono troppo poco e si sentono stanchi. Dove: in classe durante le lunghe ore di lezione. Perché: dei promemoria potrebbero migliorare salute e concentrazione. Enunciato: "I nostri studenti (chi) bevono troppo poco (cosa) durante le lunghe ore di lezione (dove); un promemoria intelligente li terrebbe in salute e attenti (perché)."
2. Un modello per le malattie delle piante, provato su 250 nuove foto di foglie, dà 215 risposte corrette. Trova l'accuratezza.
Accuratezza = 215 ÷ 250 × 100 = 86%.
3. Un modello che approva i prestiti è stato addestrato solo con dati di richiedenti di città. Quale problema può comparire e come si può risolvere?
Potrebbe rifiutare in modo ingiusto chi vive nei villaggi, perché non ha mai imparato i loro schemi (bias). Rimedio: raccogliere dati bilanciati anche dai villaggi, calcolare l'accuratezza separatamente per ogni gruppo e far rivedere i rifiuti a una persona.
Errori comuni
- Passare alla modellazione prima di aver definito il problema. Senza un enunciato chiaro, i dati raccolti possono essere inutili.
- Provare il modello sugli stessi dati con cui è stato addestrato. Così si controlla solo la memoria, non l'apprendimento.
- Pensare che più dati siano sempre meglio. Sbagliato: dati errati, di parte o privati rendono il modello peggiore o poco etico.
- Chiamare "IA" ogni macchina automatica. È IA solo se impara o ragiona a partire dai dati.