Download ebooks file Intelligenza artificiale. un approccio moderno. ediz. mylab 4th edition stuart
Intelligenza Artificiale. Un Approccio Moderno. Ediz. Mylab 4th Edition Stuart J. Russell
Visit to download the full and correct content document: https://ebookmass.com/product/intelligenza-artificiale-un-approccio-moderno-ediz-myl ab-4th-edition-stuart-j-russell/
More products digital (pdf, epub, mobi) instant download maybe you interests ...
Intelligenza artificiale. Un approccio moderno 4th
All rights reserved. No part of this book may be reproduced or transmitted in any form or by any means, electronic or mechanical, including photocopying, recording or by any information storage retrieval system, without permission from Pearson Education, Inc.
Il presente testo è di proprietà di Pearson Italia la quale non è associata, né direttamente né indirettamente, a eventuali marchi di terzi che venissero richiamati per gli scopi illustrativi ed educativi che ha la pubblicazione. Per i passi antologici, per le citazioni, per le riproduzioni grafche, cartografche e fotografche appartenenti alla proprietà di terzi, inseriti in quest’opera, l’editore è a disposizione degli aventi diritto non potuti reperire nonché per eventuali non volute omissioni e/o errori di attribuzione nei riferimenti. È vietata la riproduzione, anche parziale o ad uso interno didattico, con qualsiasi mezzo, non autorizzata. Le fotocopie per uso personale del lettore possono essere effettuate nei limiti del 15% di ciascun volume dietro pagamento alla SIAE del compenso previsto dall’art. 68, commi 4 e 5, della legge 22 aprile 1941, n. 633. Le riproduzioni effettuate per fnalità di carattere professionale, economico o commerciale o comunque per uso diverso da quello personale possono essere effettuate a seguito di specifca autorizzazione rilasciata da CLEARedi, Corso di Porta Romana 108, 20122 Milano, e-mail autorizzazioni@clearedi.org e sito web www.clearedi.org Pearson non si assume alcuna responsabilità per i Materiali pubblicati da terze parti sui propri siti Web e/o piattaforme o accessibili, tramite collegamenti ipertestuali o altri “collegamenti” digitali, a siti ospitati da terze parti non controllati direttamente da Pearson (“sito di terze parti”). Per approfondimenti si invita a consultare il sito pearson.it
I nostri libri sono ecosostenibili: la carta è prodotta sostenendo il ciclo naturale e per ogni albero tagliato ne viene piantato un altro; il cellofan è realizzato con plastiche da recupero ambientale o riciclate; gli inchiostri sono naturali e atossici; i libri sono prodotti in Italia e l’impatto del trasporto è ridotto al minimo.
Curatore per l’edizione italiana: Francesco Amigoni
Traduzione e redazione: Infostudio
Impaginazione: TOTEM di Andrea Astolf
Grafca di copertina: Simone Tartaglia
Immagine di copertina: sebastien decoret/123RF
Stampa: Arti Grafche Battaia – Zibido San Giacomo (MI)
Tutti i marchi citati nel testo sono di proprietà dei loro detentori.
9788891927484
Printed in Italy
4a edizione: marzo 2022
Ristampa Anno
00 01 02 03 04 22 23 24 25 26
La struttura dell’opera
Parte I Intelligenza artificiale
Parte II Risoluzione di problemi
Parte III Conoscenza, ragionamento e pianificazione
Volume 1 2 Cap
R MyLab 1 Introduzione
R MyLab 2 Agenti intelligenti
R R 3 Risolvere i problemi con la ricerca
R R 4 Ricerca in ambienti complessi
R R 5 Ricerca con avversari e giochi
R R 6 Problemi di soddisfacimento di vincoli
R R 7 Agenti logici
R R 8 Logica del primo ordine
R R 9 Inferenza nella logica del primo ordine
R R 10 Rappresentazione della conoscenza
R R 11 Pianificazione automatica
R R 12 Quantificare l’incertezza
R R 13 Ragionamento probabilistico
R R 14 Ragionamento probabilistico nel tempo
Parte IV Conoscenza incerta e ragionamento in condizioni di incertezza
Parte V Apprendimento automatico
Parte VI Comunicazione, percezione e azione
Parte VII Conclusioni
Appendici
Bibliografia
Indice analitico
Nota dell’Editore
R R 15 Programmazione probabilistica
R R 16 Decisioni semplici
R R 17 Decisioni complesse
R R 18 Decisioni multiagente
R R 19 Apprendimento da esempi
R R 20 Apprendimento di modelli probabilistici
R R 21 Deep learning
R R 22 Apprendimento per rinforzo
R R 23 Elaborazione del linguaggio naturale
R R 24 Deep learning per elaborazione del linguaggio naturale
R R 25 Visione artificiale
R R 26 Robotica
MyLab R 27 Filosofia, etica e sicurezza dell’intelligenza artificiale
MyLab R 28 Futuro dell’intelligenza artificiale
R R A Basi matematiche
R R B Cenni sui linguaggi e sugli algoritmi
MyLab MyLab
R R
L’edizione italiana presenta, rispetto a quella inglese, alcune importanti modifiche quali la suddivisione dell’opera originale – veramente enciclopedica – in due volumi, e la parziale riorganizzazione strutturale degli argomenti presentati Lo schema qui sopra riportato illustra sinteticamente le caratteristiche della nostra pubblicazione: i segni di spunta indicano in quale dei due volumi è presente ciascun capitolo; come è possibile vedere, i Capitoli 1-2 sono presenti nel Volume 1 e nella piattaforma MyLab, i Capitoli 27-28 sono presenti nel Volume 2 e nella piattaforma MyLab, mentre le Appendici sono presenti in entrambi i volumi e la Bibliografia è presente solo nella piattaforma MyLab. Sono nati così due testi, autonomi e autoconsistenti, che rendono non solo più agevole la consultazione ma consentono anche una migliore fruibilità dei contenuti sia da parte degli studenti (che trovano gli argomenti strutturati secondo l’organizzazione di molti corsi di laurea di primo e secondo livello) sia da parte dei professionisti che vogliano estendere le conoscenze al di fuori dal proprio campo specialistico Crediamo, in questo modo, di fornire un prezioso contributo per promuovere la conoscenza, la ricerca e la passione nei confronti di una disciplina così vasta e affascinante come l’intelligenza artificiale.
20.2.3
20.2.4
20.2.5
PARte 6 ComunICAzIone, PeRCezIone e AzIone
25.3
25.4
25
25.6.4
PARte 7 ConClusIonI
Prefazione all’edizione italiana
L’intelligenza artificiale (IA) sta vivendo una stagione di grande crescita. Nell’industria, il r u o l o d e l l ’ I A è d e t e r m i n a n t e : s e c o n d o l ’ A r t i fi c i a l I n t e l l i g e n c e I n d e x R e p o r t 2 0 2 1 d e l l a Stanford University, più della metà delle aziende operanti nel mondo impiega qualche sistema di IA, con percentuali che si alzano per le aziende che operano nei settori tecnologici, automobilistici e della finanza. In campo accademico, il numero di articoli scientifici sui temi dell’IA è in costante aumento e, sempre secondo lo stesso rapporto, nel 2020 ha raggiunto quasi il 4% di tutte le pubblicazioni scientifiche Crescono anche i corsi universitari sull’IA, sia a livello di laurea triennale sia a livello di laurea magistrale. Inoltre, l’IA è diventata centrale nel dibattito pubblico, per le sue enormi potenzialità e per i rischi connessi allo sviluppo e all’impiego di sistemi che possono avere effetti rilevanti sulle vite di miliardi di persone Possiamo dire che, a oltre 60 anni dalla sua nascita, l’IA suscita attenzione e curiosità come non mai e si pone come una disciplina moderna, effervescente e interessante da approfondire e da studiare.
Il nuovo aggiornamento della versione italiana, che si allinea alla recente quarta edizione, del libro di Russell e Norvig si inserisce in questo quadro rappresentando una opportunità per i docenti e gli studenti universitari e per i lettori non specialisti, che più difficilmente hanno accesso alla letteratura in lingua inglese La dimensione enciclopedica permette al libro di soddisfare sia le esigenze di una divulgazione approfondita sia quelle didattiche, fornendo, da un lato, un utilissimo riferimento per il professionista o il semplice curioso che vuole approfondire, all’interno di un quadro concettuale coerente, le basi teoriche dell’IA o gli sviluppi più recenti di una particolare tematica e, dall’altro lato, un testo strutturato per il docente che deve organizzare un corso universitario (e per gli studenti che lo seguono).
Dal punto di vista didattico, è apprezzabile lo sforzo degli autori di fornire una visione unificata dell’IA, che ha vissuto una crescita spesso tumultuosa, a volte guidata più dall’eccitazione della scoperta che da un rigido programma di ricerca Tale visione unificata si concretizza nell’idea centrale di agente, intorno a cui ruotano le presentazioni dei diversi argomenti, da quelli classici a quelli più innnovativi, e nel tentativo di fare emergere concetti trasversali alle varie sotto-discipline che spesso “parlano” linguaggi diversi Inoltre, la fitta ragnatela di collegamenti e rimandi fra le diverse parti del testo rinforza l’idea di una disciplina che sta consolidando una sua piena identità teorica.
Dal punto di vista della divulgazione approfondita, gli autori sono molto attenti nel presentare non solo le tecniche più aggiornate per affrontare i vari problemi, ma anche gli impieghi più rilevanti di queste tecniche nelle applicazioni reali, da cui emerge un quadro in cui i metodi dell’IA sono ormai parte di innumerevoli sistemi di uso industriale e quotidiano.
Un aspetto che è importante sottolineare è la scelta di non trascurare, accanto alla discussione tecnica, gli aspetti filosofici ed etici che sono legati alla natura stessa della disciplina e che la caratterizzano, in modo solo apparentemente incongruente, da molto prima della sua nascita. Pur con le ovvie semplificazioni, la loro trattazione arricchisce il contesto della presentazione fornendo al lettore gli strumenti per ragionare criticamente sul contenuto tecnico-scientifico dell’IA.
A mio avviso la conoscenza e la consapevolezza, anche da parte dei non specialisti, dei principi di funzionamento dei sistemi di IA costituisce il primo passo per governare l’impatto che tali sistemi stanno avendo sulle nostre attività e per individuare e mitigare i rischi deri-
vanti Da questo punto di vista, il testo di Russell e Norvig offre un ottimo strumento per favorire l’impostazione condivisa e consapevole di un percorso di regolamentazione, che ormai appare ineludibile.
All’inizio degli anni 1970 Bertram Raphael espresse l’idea che l’IA accomuna i problemi che non sappiamo ancora come risolvere con un computer Marco Somalvico, uno dei primi a contribuire alla diffusione dell’IA in Italia, ripeteva spesso la paradossale conseguenza che, una volta che un problema di IA è stato risolto, non fa più parte dell’IA. La situazione è decisamente cambiata rispetto a questi inizi pionieristici: attualmente la disciplina ha solide basi scientifiche e moltiplici ricadute applicative La nuova edizione del libro di Russell e Norvig fornisce una panoramica moderna sui fondamenti teorici e sui metodi dell’IA e suggerisce i confini e le possibilità di una disciplina che, per fortuna, non ha perso del tutto il carattere rivoluzionario delle origini
Francesco Amigoni Politecnico di Milano
Prefazione1
L’intelligenza artificiale (IA) è un campo molto vasto, e questo è un libro ponderoso. Abbiamo cercato di presentare l’intero panorama della disciplina, che racchiude la logica, la probabilità e la matematica del continuo; la percezione, il ragionamento, l’apprendimento e l’azione; l’equità, la fiducia, il bene sociale e la sicurezza, oltre ad applicazioni che spaziano dai dispositivi microelettronici ai robot per l’esplorazione planetaria, fino ai servizi online con miliardi di utenti.
Il sottotitolo di questo volume è “Un approccio moderno” Il senso è che abbiamo scelto di presentare gli argomenti da un punto di vista attuale. Abbiamo sintetizzato tutti i temi in un contesto comune, rivedendo i primi lavori che risalgono alle origini della disciplina attraverso le idee e la terminologia che sono prevalenti oggi Chiediamo scusa agli specialisti dei singoli campi dell’IA se, in questo modo, le loro specifiche aree di ricerca dovessero risultare meno riconoscibili.
Novità di questa edizione
Questa edizione riflette i cambiamenti avvenuti nel campo dell’IA dopo la pubblicazione dell’edizione precedente
Ci concentriamo maggiormente sull’apprendimento automatico (machine learning) an-
• ziché sull’ingegneria della conoscenza, perché oggi vi è una maggiore disponibilità di dati, risorse di calcolo e nuovi algoritmi.
• tati più in dettaglio; a ognuno di essi è dedicato un intero capitolo
Deep learning, programmazione probabilistica e sistemi multiagente sono argomenti trat-
• sione artificiale è stata rivista per riflettere l’impatto del deep learning.
La trattazione di sistemi per la comprensione del linguaggio naturale, la robotica e la vi-
• umani e l’applicazione alla robotica dell’apprendimento per rinforzo
Il capitolo dedicato alla robotica ora tratta anche i robot che interagiscono con gli esseri
Nell’edizione precedente avevamo definito come obiettivo dell’IA la creazione di sistemi
• che puntano a massimizzare l’utilità attesa, in cui la specifica informazione sull’utilità –l’obiettivo – è fornita dai progettisti umani Ora non ipotizziamo più che l’obiettivo sia fissato e noto al sistema di IA, che invece può essere incerto sui veri obiettivi degli esseri umani per conto dei quali opera. Il sistema deve apprendere che cosa massimizzare e deve funzionare in modo appropriato anche quando è incerto sull’obiettivo. Abbiamo approfondito la trattazione dell’impatto dell’IA sulla società, considerando an- • che i temi fondamentali dell’etica, dell’equità, della fiducia e della sicurezza. Gli esercizi non sono più riportati al termine di ogni capitolo, ma sono presenti in lingua
originale sul sito http://aima.cs.berkeley.edu/. In questo modo potranno essere continuamente aggiornati, espansi e migliorati, per soddisfare le esigenze dei docenti e per riflettere i progressi più recenti compiuti nel campo dell’IA e nei software correlati. Per quanto
1 Abbiamo scelto di riportare integralmente in queste pagine il testo della Prefazione dell’edizione originale –che fornisce una panoramica sulla struttura dell’opera e sul contenuto di tutti i capitoli – per offrire al lettore una visione complessiva del testo di Stuart Russell e Peter Norvig L’edizione italiana è stata suddivisa in due volumi, come dettagliato a pagina V (N d E )
termine
riguarda l’edizione italiana si è deciso di tradurre i testi degli esercizi che sono reperibili nella piattaforma MyLab a corredo del testo Nel complesso, circa il 25% dei contenuti è interamente nuovo, e il rimanente 75% è stato • ampiamente rivisto e riscritto per presentare un quadro più uniforme della disciplina. Il 22% delle citazioni in questa edizione fa riferimento a opere pubblicate dopo il 2010
Una visione d’insieme
Il principale tema unificante è l’idea di agente intelligente. Nella nostra definizione, l’IA è lo studio degli agenti che ricevono percezioni dall’ambiente ed eseguono azioni. Ogni agente implementa una funzione che mette in corrispondenza sequenze percettive e azioni, e il nostro scopo è presentare diverse tecniche per rappresentare tali funzioni: per esempio gli agenti reattivi, i pianificatori in tempo reale, i sistemi basati sulla teoria delle decisioni e i sistemi di deep learning. Focalizziamo l’attenzione sull’apprendimento sia come metodo di costruzione per sistemi competenti, sia come modo per estendere il campo d’azione del progettista in territori sconosciuti. La robotica e la visione non sono trattati come problemi indipendenti, ma nella loro funzione al servizio del raggiungimento degli obiettivi. Viene inoltre posto l’accento sull’importanza dell’ambiente operativo nel determinare l’architettura di agente più appropriata
Il nostro scopo principale è trasmettere le idee emerse negli ultimi settant’anni di ricerca nel campo dell’IA e nei due precedenti millenni di pensiero. Abbiamo cercato di evitare eccessivi formalismi nella presentazione dei concetti, mantenendo tuttavia la precisione Per dare maggiore concretezza alle idee esposte, abbiamo incluso formule matematiche e algoritmi in pseudocodice; i concetti e le notazioni matematiche sono descritti nell’Appendice A, mentre lo pseudocodice è descritto nell’Appendice B
Il libro è principalmente rivolto a un corso o a una serie di corsi universitari; ha 28 capitoli, ognuno dei quali richiede circa una settimana di lezioni, perciò in tutto richiede due semestri. Un corso di un solo semestre può utilizzare capitoli selezionati secondo gli interessi del docente e degli studenti Il libro può anche essere adottato in un corso di dottorato (eventualmente integrato con alcune delle fonti principali suggerite nelle note bibliografiche), o per studiare in modo autonomo, o come riferimento.
In tutto il libro, i punti importanti sono evidenziati da una lente d’ingrandimento al margine Ogni volta che un termine nuovo è definito per la prima volta, è riportato anche a margine, in modo da facilitarne il ritrovamento. Se il termine è utilizzato in modo significativo nel seguito, viene ancora riportato in grassetto, ma non a margine.
L’unico prerequisito è la familiarità con i concetti di base dell’informatica (algoritmi, strutture dati, complessità) a livello dei primi anni di studi universitari Conoscenze di analisi matematica e algebra lineare (a livello del primo anno) sono utili per alcuni degli argomenti.
Ringraziamenti
Per creare un libro serve un villaggio globale Oltre 600 persone hanno letto parti del libro e hanno fornito suggerimenti per migliorarlo; siamo grati a tutte loro L’elenco completo è disponibile online presso aima.cs.berkeley.edu/ack.html. Per motivi di spazio, ci limitiamo a citare qui soltanto le persone che hanno fornito contributi particolarmente importanti. Innanzitutto coloro che hanno scritto alcune parti:
Judea Pearl (Paragrafo 13 5, Reti causali);
• Vikash Mansinghka (Paragrafo 15 4, Programmi come modelli probabilistici);
• Michael Wooldridge (Capitolo 18, Decisioni multiagente);
•
• Ian Goodfellow (Capitolo 21, Deep learning);
• guaggio naturale);
Jacob Devlin e Mei-Wing Chang (Capitolo 24, Deep learning per elaborazione del lin-
• Anca Dragan (Capitolo 26, Robotica).
Jitendra Malik e David Forsyth (Capitolo 25, Visione artificiale);
•
E poi alcune persone che hanno svolto un ruolo fondamentale:
•
Cynthia Yeung e Malika Cantor (project management);
• Omari Stephens (illustrazioni);
Julie Sussman e Tom Galloway (copyediting e suggerimenti per la scrittura);
• Tracy Johnson (editor);
• Erin Ault e Rose Kernan (copertina e conversione colori);
• Nalin Chhibber, Sam Goto, Raymond de Lacaze, Ravi Mohan, Ciaran O’Reilly, Amit
•
• Patel, Dragomir Radiv e Samagra Sharma (sviluppo di codice online e mentoring); Studenti della Google Summer of Code (sviluppo di codice online)
Stuart desidera ringraziare sua moglie, Loy Sheflott, per l’infinita pazienza e la saggezza senza limiti. Si augura che Gordon, Lucy, George e Isaac leggeranno presto questo libro, dopo che lo avranno perdonato per aver lavorato così a lungo su di esso. Gli studenti del RUGS (Russell’s Unusual Group of Students) sono stati insolitamente utili, come sempre Peter desidera ringraziare i suoi genitori (Torsten e Gerda) per averlo avviato agli studi e sua moglie (Kris), i figli (Bella e Juliet), i colleghi, il capo e gli amici per averlo incoraggiato e sopportato nelle lunghe ore passate a scrivere e a riscrivere.
Gli autori
Stuart Russell è nato nel 1962 a Portsmouth, in Inghilterra. Si è laureato in fisica cum laude alla Oxford University nel 1982 e ha ottenuto il dottorato in informatica a Stanford nel 1986. In seguito è passato alla University of California a Berkeley, dove è professore (e in precedenza direttore) del dipartimento di informatica, direttore del Center for Human-Compatible AI e titolare della cattedra Smith–Zadeh in ingegneria. Nel 1990 ha ricevuto il Presidential Young Investigator Award della National Science Foundation e nel 1995 ha conseguito il Computers and Thought Award È Fellow dell’American Association for Artificial Intelligence, dell’Association for Computing Machinery e dell’American Association for the Advancement of Science, Honorary Fellow del Wadham College, a Oxford, e Andrew Carnegie Fellow È stato titolare della cattedra Blaise Pascal a Parigi dal 2012 al 2014 Ha pubblicato oltre 300 articoli su una vasta gamma di argomenti di intelligenza artificiale Tra gli altri suoi libri vi sono The Use of Knowledge in Analogy and Induction, Do the Right Thing: Studies in Limited Rationality (con Eric Wefald) e Human Compatible: Artificial Intelligence and the Problem of Control
Peter Norvig è Director of Research presso Google ed è stato il direttore responsabile per gli algoritmi di ricerca web. È stato co-docente di un corso online sull’IA a cui si sono scritti 160 000 studenti e che ha dato un forte impulso al filone dei mooc (massive open online classes) È stato a capo della Computational Sciences Division presso l’Ames Research Center della NASA, dove era supervisore delle attività di ricerca e sviluppo in intelligenza artificiale e robotica. Ha conseguito la laurea in matematica applicata alla Brown University e un dottorato in informatica a Berkeley È stato docente all’University of Southern California e professore a Berkeley e Stanford. È Fellow dell’American Association for Artificial Intelligence, dell’Association for Computing Machinery, dell’American Academy of Arts and Sciences e della California Academy of Science Tra gli altri libri che ha scritto vi sono Paradigms of AI Programming: Case Studies in Common Lisp, Verbmobil: A Translation System for Face-to-Face Dialog e Intelligent Help Systems for UNIX.
I due autori hanno condiviso il premio AAAI/EAAI Outstanding Educator nel 2016.
Pearson mylab
UN AMBIENTE PER LO STUDIO
L’attività di apprendimento continua in MyLab, l’ambiente digitale per lo studio che completa il libro offrendo risorse didattiche fruibili sia in modo autonomo sia per assegnazione del docente Il codice sulla copertina di questo libro consente l’accesso per 18 mesi a MyLab
1. Registrati come studente universitario all’indirizzo registrazione pearson it (se sei già registrato passa al punto successivo);
2. effettua il login alla tua MyPearsonPlace all’indirizzo www pearson it/place e registra il prodotto digitale cliccando su Attiva prodotto ed inserendo il codice presente in copertina; 3. entra nella sezione Prodotti e clicca sul tasto AVVIA presente di fianco all’immagine della copertina del testo;
4. clicca su classe MyLab studio autonomo o, in alternativa, su Iscriviti a una classe ed inserisci il codice classe indicato dal tuo docente COME ACCEDERE
CHE COSA CONTIENE
MyLab offre la possibilità di accedere al Manuale online: l’edizione digitale del testo arricchita da funzionalità che permettono di personalizzarne la fruizione, attivare la sintesi vocale, inserire segnalibri
Inoltre la piattaforma digitale MyLab integra e monitora il percorso individuale di studio con attività formative e valutative specifiche La loro descrizione dettagliata è consultabile nella pagina di catalogo dedicata al libro, all’indirizzo link pearson it/2C655B44 oppure tramite il presente QR code
1 Intelligenza artifciale
Capitolo 1 Introduzione
Capitolo 2 Agenti intelligenti
1.1 C s’è l’i tellige za artifciale?
1 2 I f dame ti dell’i tellige za artifciale
1 3 La st ria dell’i tellige za artifciale
1 4 L stat dell’arte
1 5 Rischi e pp rtu ità dell’i tellige za artifciale
1 6 Riepil g
N te st riche e bibli grafche
Introduzione
Dove cerchiamo di spiegare perché consideriamo l’intelligenza articiale un argomento degno di studio accurato, e cerchiamo anche di decidere che cos’è precisamente, essendo questa una buona cosa da fare prima di cominciare
Gli esseri umani fanno riferimento a se stessi con il termine homo sapiens perché ritengono che la loro intelligenza sia molto importante Per migliaia d’anni abbiamo cercato di comprendere come pensiamo e agiamo; ovvero, come il nostro cervello, un semplice mucchio di materia, può percepire, capire, predire e manipolare un mondo molto più grande e complicato. Il campo dell’intelligenza artificiale, o IA, va ancora più in là: il suo obiettivo non è solo comprendere, ma anche costruire entità intelligenti, cioè macchine in grado di calcolare come agire in modo efficace e sicuro in un’ampia varietà di situazioni nuove
L’IA risulta in tutti i sondaggi uno dei campi di ricerca più interessanti e maggiormente in crescita, e ha già generato fatturati per oltre mille miliardi di dollari L’esperto di IA Kai-Fu Lee prevede che il suo impatto sarà “maggiore di qualsiasi altra cosa nella storia dell’umanità”. Inoltre, i confini intellettuali dell’IA sono ancora molto aperti. Uno studente di una scienza tradizionale come la fisica potrebbe pensare che tutte le idee migliori siano già state formulate da Galileo, Newton, Curie, Einstein e gli altri, mentre l’IA ha ancora molti posti liberi nella lista delle sue migliori menti.
Al giorno d’oggi l’IA è suddivisa in un grande numero di sottodiscipline: alcune aree, come l’apprendimento e la percezione, sono generali e trasversali; altre invece si occupano di problemi specifici, come il gioco degli scacchi, la dimostrazione di teoremi matematici, la scrittura di poesie, la guida di automobili e la diagnosi di malattie L’IA si può applicare a ogni sfera del pensiero umano; è un campo davvero universale.
razionalità
1.1 Cos’è l’intelligenza artifciale?
Abbiamo affermato che l’IA è una disciplina interessante, ma non abbiamo ancora detto cos’è In passato gli studiosi hanno indagato diverse versioni di IA Alcuni hanno definito l’intelligenza in termini di fedeltà alla prestazione umana, mentre altri preferiscono una definizione formale di intelligenza come razionalità, o per dirla in parole povere, “fare la cosa giusta”. D’altro canto, alcuni considerano l’intelligenza una proprietà dei processi di pensiero e del ragionamento, mentre altri si concentrano sul comportamento intelligente, con una caratterizzazione esterna.1
Dalle due dimensioni di umano versus razionale2 e pensiero versus comportamento si ottengono quattro possibili combinazioni, per ognuna delle quali sono stati sviluppati programmi di ricerca con il sostegno di diversi gruppi di studiosi I metodi usati sono necessariamente diversi: l’approccio che persegue un’intelligenza simile a quella umana deve essere in parte una scienza empirica correlata alla psicologia, richiedendo osservazioni e ipotesi riguardo il comportamento umano e i processi di pensiero Un approccio razionalista, invece, sfrutta una combinazione di matematica e ingegneria e si collega alla statistica, alla teoria del controllo e all’economia. I vari gruppi di studiosi si sono duramente contestati l’un l’altro, ma anche aiutati Ora presenteremo i quattro approcci nei dettagli
1.1.1 Agire umanamente: l’approccio del test di Turing
test di Turing
interpretazione del linguaggio naturale
rappresentazione della conoscenza ragionamento automatico apprendimento automatico
test di Turing totale
visione artificiale robotica
Il test di Turing, proposto da Alan Turing nel 1950, è stato concepito come un esperimento mentale in grado di evitare la vaghezza filosofica della domanda: “Una macchina è in grado di pensare?” Un computer supererà il test se un esaminatore umano, dopo aver posto alcune domande in forma scritta, non sarà in grado di capire se le risposte provengono da una persona o no. Il Capitolo 27 discute i dettagli del test e valuta se un computer in grado di passarlo può essere davvero ritenuto intelligente Per adesso ci limitiamo a notare che programmare una macchina in grado di superare il test applicato in modo rigoroso richiede un sacco di lavoro. Il computer avrebbe bisogno delle seguenti capacità:
• umano; rappresentazione della conoscenza per memorizzare quello che conosce o sente;
interpretazione del linguaggio naturale per comunicare con successo nel linguaggio
• ragionamento automatico per rispondere alle domande e trarre nuove conclusioni;
• apprendimento automatico (machine learning) per adattarsi a nuove circostanze, indivi-
• duare ed estrapolare schemi
Turing riteneva che la simulazione fisica di una persona non fosse richiesta per dimostrare l’intelligenza Tuttavia, esiste anche un cosiddetto test di Turing totale che richiede l’interazione con oggetti e persone nel mondo reale Per superare il test di Turing totale, un robot necessiterà anche di:
• robotica per manipolare gli oggetti e spostarsi fisicamente
visione artificiale e riconoscimento vocale per percepire il mondo;
•
1 Agli occhi del pubblico generico si fa talvolta confusione tra i termini “intelligenza artificiale” (IA) e “apprendimento automatico” o “machine learning” L’apprendimento automatico è un ramo dell’intelligenza artificiale che studia la capacità di migliorare le prestazioni basandosi sull’esperienza Alcuni sistemi di IA usano metodi di apprendimento automatico per raggiungere livelli di competenza richiesti, altri no.
2 Non stiamo suggerendo che gli esseri umani siano letteralmente “irrazionali” nel senso che siano “privi di lucidità mentale”, stiamo semplicemente osservando che non sempre le decisioni umane sono matematicamente perfette
1.1 Cos’è l’intelligenza artificiale?
Le sei discipline elencate precedentemente abbracciano gran parte dell’IA. Tuttavia, i ricercatori non hanno dedicato molti sforzi al tentativo di costruire un sistema capace di superare il test di Turing, ritenendo più importante studiare i principî alla base dell’intelligenza: dopotutto, la ricerca del “volo artificiale” ha raggiunto il successo quando ingegneri e inventori hanno smesso di imitare gli uccelli e hanno iniziato a utilizzare le gallerie del vento e a studiare l’aerodinamica. I manuali di ingegneria aerospaziale non definiscono l’obiettivo della loro disciplina come la creazione di “macchine che volano esattamente come un piccione, in modo così perfetto da ingannare anche gli altri piccioni”.
1.1.2 Pensare umanamente: l’approccio della
modellazione cognitiva
Se vogliamo dire che un programma pensa come un essere umano, dobbiamo prima determinare come noi pensiamo Ci sono tre modi per farlo: l’introspezione, ovvero il tentativo di catturare “al volo” i nostri pensieri mentre scorrono;
• la sperimentazione psicologica, ovvero l’osservazione di una persona in azione;
•
• l’imaging cerebrale, ovvero l’osservazione del cervello in azione
Una volta che abbiamo formulato una teoria della mente sufficientemente precisa, diventa possibile esprimerla sotto forma di un programma per computer. Se il comportamento del software, per quanto riguarda il suo input/output, corrisponde a quello di una persona, potrebbe essere una prova che alcuni dei meccanismi del programma operano anche negli esseri umani. Per esempio, Allen Newell e Herbert Simon, che hanno sviluppato il GPS o General Problem Solver (Newell e Simon, 1961), non si accontentarono semplicemente di scrivere un programma che risolvesse correttamente i problemi: il loro vero interesse consisteva nel confronto della sequenza e della temporizzazione dei passi del suo ragionamento con quelli osservati in soggetti umani. Il campo interdisciplinare delle scienze cognitive unisce modelli computazionali sviluppati dall’IA e tecniche di sperimentazione psicologica nel tentativo di costruire teorie precise e verificabili sul funzionamento della mente umana.
Il campo delle scienze cognitive è davvero affascinante, e merita da solo numerosi libri e un’intera enciclopedia (Wilson e Keil, 1999) Occasionalmente ci potrà capitare di commentare i punti in comune e le differenze tra la cognizione umana e l’IA La vera scienza cognitiva, comunque, è necessariamente basata sull’investigazione sperimentale di vere persone e animali; lasceremo questo argomento ad altri libri, mentre noi partiremo sempre dall’ipotesi che il lettore compia i suoi esperimenti su computer
Nei primi tempi dell’IA si faceva spesso confusione tra approcci diversi: un autore avrebbe potuto argomentare che un algoritmo eseguiva efficacemente un’attività e quindi era un buon modello dell’esecuzione umana, o viceversa. Gli autori moderni separano chiaramente le due cose, e questa distinzione ha aiutato lo sviluppo sia dell’IA che delle scienze cognitive I due campi si influenzano positivamente a vicenda, specialmente nell’area della visione artificiale, che incorpora risultati della sperimentazione neurofisiologica in modelli computazionali. Recentemente, la combinazione di metodi di neuroimaging e tecniche di apprendimento automatico per analizzare i dati ha portato a una prima capacità di “leggere menti”, ovvero determinare il contenuto semantico degli intimi pensieri di una persona. Questa capacità potrebbe a sua volta gettare luce sul funzionamento della cognizione umana.
1.1.3 Pensare razionalmente: l’approccio delle “leggi del pensiero”
Il filosofo greco Aristotele è stato uno dei primi a cercare di codificare formalmente il “pensiero corretto”, ovvero i processi di ragionamento irrefutabili. I suoi sillogismi forniscono schemi di deduzione che portano sempre a conclusioni corrette quando sono corrette le pre-
messe. L’esempio canonico parte da “Socrate è un uomo” e “tutti gli uomini sono mortali” per arrivare a concludere che “Socrate è mortale” (questo esempio si deve probabilmente a Sesto Empirico e non ad Aristotele) Si riteneva che queste leggi del pensiero governassero il funzionamento della mente; il loro studio ha dato origine alla disciplina chiamata logica
I logici del XIX secolo hanno sviluppato una notazione precisa per formulare enunciati riguardanti gli oggetti del mondo e le relazioni tra essi: tale notazione è molto più espressiva di quella aritmetica, che fornisce soltanto enunciati sui numeri Già nel 1965 esistevano programmi che potevano, in linea di principio, risolvere qualsiasi problema descritto in linguaggio logico. La tradizione logicista, come viene chiamata all’interno dell’IA, spera di partire da programmi siffatti per costruire sistemi intelligenti
probabilità
agente
agente razionale
La logica, nella sua accezione convenzionale, richiede una conoscenza del mondo che sia certa, condizione che raramente si verifica in realtà. Per esempio, non conosciamo le regole della politica o della guerra nello stesso modo in cui conosciamo le regole degli scacchi o dell’aritmetica La teoria delle probabilità va a colmare questa lacuna, consentendo un ragionamento rigoroso in presenza di informazioni incerte. In linea di principio ciò consente di costruire un modello del pensiero razionale che, partendo dalle informazioni percettive grezze, giunga a una comprensione di come funziona il mondo e alla capacità di prevedere il futuro Ma non genera un comportamento intelligente; per questo abbiamo bisogno di una teoria dell’azione razionale. Il pensiero razionale, di per sé, non è sufficiente.
1.1.4 Agire razionalmente: l’approccio degli agenti razionali
Un agente è semplicemente qualcosa che agisce, che fa qualcosa Naturalmente tutti i programmi per computer fanno qualcosa, tuttavia si suppone che gli agenti artificiali facciano di più: operare autonomamente, essere in grado di percepire l’ambiente, persistere in un’attività per un lungo arco di tempo, adattarsi ai cambiamenti e creare e perseguire degli obiettivi Un agente razionale agisce in modo da ottenere il miglior risultato o, in condizioni di incertezza, il miglior risultato atteso.
Nell’approccio all’IA basato sulle “leggi del pensiero”, l’enfasi è posta sulla correttezza delle inferenze Essere in grado di formulare deduzioni corrette è talvolta parte di un agente razionale, perché un modo di agire razionalmente è dedurre che una data azione sia la migliore e agire quindi in tal senso. D’altra parte, ci sono anche tipologie di comportamento razionale che non coinvolgono l’inferenza logica: per esempio, ritirare la mano da una stufa rovente è un’azione di riflesso che porta solitamente a vantaggi maggiori di un’azione più lenta, compiuta dopo un attento ragionamento.
Tutte le abilità richieste dal test di Turing consentono a un agente di agire razionalmente. La rappresentazione della conoscenza e il ragionamento consentono agli agenti di prendere le giuste decisioni. Dobbiamo essere capaci di generare frasi comprensibili in linguaggio naturale, per vivere in una società complessa. L’apprendimento ci serve non solo per accrescere le nostre conoscenze, ma anche perché ci consente di migliorare la nostra capacità di generare un comportamento efficace, soprattutto quando ci troviamo in circostanze nuove
L’approccio all’IA degli agenti razionali presenta due vantaggi rispetto agli altri. Prima di tutto, è più generale dell’approccio basato sulle “leggi del pensiero”, poiché il corretto uso dell’inferenza è solo uno di molteplici meccanismi utilizzabili per arrivare alla razionalità In secondo luogo, si presta meglio a recepire gli sviluppi scientifici La razionalità è ben definita matematicamente e si può considerare un aspetto generale. Spesso è possibile basarsi su questa specifica per ricavare progetti di agenti in grado di essere razionali in modo dimostrabile, mentre è generalmente impossibile dimostrare di aver raggiunto lo scopo di imitare il comportamento umano o i processi di pensiero.
Per questi motivi, l’approccio all’IA degli agenti razionali è risultato quasi sempre prevalente nella storia della disciplina Nei primi decenni gli agenti razionali erano costruiti ba-
sandosi su fondamenti logici e con piani ben definiti per raggiungere scopi specifici. In seguito, metodi basati sulla teoria delle probabilità e sull’apprendimento automatico hanno consentito di creare agenti in grado di prendere decisioni in condizioni di incertezza per raggiungere il miglior risultato atteso In sostanza, l’IA si è concentrata sullo studio e la costruzione di agenti che fanno la cosa giusta. Che cosa sia la cosa giusta dipende dall’obiettivo fornito all’agente. Questo paradigma generale è talmente pervasivo che potremmo chiamarlo modello standard Prevale non solo nell’IA ma anche nella teoria del controllo, in cui un controllore minimizza una funzione di costo; nella ricerca operativa, in cui una politica massimizza una somma di ricompense; in statistica, dove una regola decisionale minimizza una funzione di costo; e in economia, dove un decisore massimizza l’utilità o qualche misura di benessere sociale
Dobbiamo apportare un importante aggiustamento al modello standard in modo da tenere conto del fatto che la razionalità perfetta – fare sempre l’azione perfettamente ottimale – non è praticabile in ambienti complessi, dati i requisiti di calcolo eccessivi Nei Capitoli 5 e 17 affronteremo il tema della razionalità limitata, che consiste nell’agire in modo appropriato quando non vi è tempo sufficiente per eseguire tutti i calcoli che si vorrebbero svolgere In ogni caso, la razionalità perfetta rimane un buon punto di partenza per l’analisi teorica
1.1.5 Macchine che portano benefci
Il modello standard ha costituito un’utile guida per l’IA fin dalla sua origine, ma probabilmente non è un modello adatto per il lungo termine, poiché assume che si fornisca alla macchina un obiettivo specificato in modo completo. Per un’attività definita in modo artificiale, come il gioco degli scacchi o il calcolo del cammino minimo, l’obiettivo è già integrato, per cui il modello standard risulta applicabile Quando si passa al mondo reale, tuttavia, diviene sempre più difficile specificare l’obiettivo in modo completo e corretto. Per esempio, nel progettare un’automobile a guida autonoma, si potrebbe pensare che l’obiettivo sia quello di raggiungere la destinazione in modo sicuro. Ma percorrere le strade in auto comporta un rischio di incidenti dovuti a errori di altri guidatori, guasti dell’automobile e così via, perciò il requisito stretto della sicurezza richiederebbe di rimanere fermi in garage. Si ha quindi una situazione di compromesso tra procedere verso la destinazione e incorrere nel rischio di incidenti; come affrontarla? Inoltre, fino a quale punto possiamo consentire all’automobile di intraprendere azioni che potrebbero recare disagio ad altri guidatori? In che modo l’auto dovrebbe moderare accelerazioni, sterzate e frenate per evitare scossoni ai passeggeri? È difficile rispondere a priori a domande di questo tipo, che risultano particolarmente problematiche nell’area generale dell’interazione tra uomo e robot, in cui rientrano anche le automobili a guida autonoma. Il problema di raggiungere un accordo tra le nostre reali preferenze e l’obiettivo posto nella macchina è detto problema di allineamento dei valori: i valori o obiettivi affidati alla macchina devono essere allineati a quelli dell’uomo Se stiamo sviluppando un sistema di IA in laboratorio o in un simulatore, come da tradizione di questo campo, esiste un modo facile per rimediare a un obiettivo specificato in modo errato: resettare il sistema, correggere l’obiettivo e riprovare Ma il campo dell’IA si dirige sempre di più verso sistemi intelligenti potenti e capaci che operano nel mondo reale, per cui questo approccio non è più praticabile
Un sistema messo all’opera con un obiettivo errato porterà a conseguenze negative, tanto più negative quanto più intelligente è il sistema
Tornando all’esempio degli scacchi, apparentemente non problematico, pensiamo a che cosa accade se la macchina è tanto intelligente da ragionare e agire anche oltre i confini della scacchiera. In tal caso potrebbe tentare di aumentare le sue possibilità di vincere ricorrendo a stratagemmi come ipnotizzare o ricattare l’avversario, o convincendo il pubblico a rumo-
fare la cosa giusta modello standard
razionalità limitata
problema di allineamento dei valori
beneficio dimostrabile
reggiare per infastidire l’avversario mentre pensa alla prossima mossa.3 Potrebbe anche tentare di procurarsi illecitamente una maggiore potenza di calcolo. Questi comportamenti non sono “stupidi” o “insani”; sono una conseguenza logica del definire la vincita come unico e solo obiettivo della macchina È impossibile prevedere tutti i modi in cui una macchina potrebbe adottare un comportamento errato nel perseguire un obiettivo fissato. Esiste quindi una buona ragione per pensare che il modello standard sia inadeguato Non vogliamo macchine intelligenti nel senso che perseguono i loro obiettivi, vogliamo che perseguano i nostri obiettivi. Se non riusciamo a trasferire i nostri obiettivi alla macchina in modo perfetto, ci serve una nuova formulazione in cui la macchina persegue i nostri obiettivi, ma è necessariamente incerta su quali siano Quando una macchina sa di non conoscere l’obiettivo completo, ha un incentivo ad agire in modo cauto, a chiedere il permesso, a capire meglio le nostre preferenze attraverso l’osservazione, a rimettersi al controllo dell’uomo. In definitiva, vogliamo avere agenti che portino benefici dimostrabili agli esseri umani Torneremo su questo argomento nel Paragrafo 1 5
1.2 I fondamenti dell’intelligenza artifciale
In questo paragrafo forniamo una breve panoramica delle discipline che hanno contribuito all’IA con idee, punti di vista e tecniche. Come tutte le trattazioni storiche, anche questa si concentra su un piccolo numero di persone, eventi e idee, ignorandone altre ugualmente importanti La nostra esposizione è organizzata intorno a un piccolo insieme di quesiti: non vogliamo certo intendere che queste siano le uniche domande poste da tali discipline, o che esse abbiano avuto come scopo ultimo quello di contribuire all’IA.
1.2.1 Filosofa
•
•
•
•
È possibile applicare regole formali per trarre conclusioni valide?
In che modo la mente scaturisce dal cervello fisico?
Da dove proviene la conoscenza?
Come fa la conoscenza a trasformarsi in azione?
Aristotele (384-322 a.C.) fu il primo filosofo a formulare un insieme preciso di leggi che governano la parte razionale della mente. Egli sviluppò un sistema informale di sillogismi per il ragionamento corretto, che in via di principio consentivano a chiunque, date le premesse iniziali, di generare meccanicamente le conclusioni.
Raimondo Lullo (1232–1315) ideò un sistema di ragionamento che descrisse in Ars Magna (La grande arte) e tentò di implementarlo utilizzando un dispositivo meccanico costituito da una serie di ruote di carta che si potevano girare in diverse permutazioni
Intorno al 1500 Leonardo da Vinci (1452–1519) progettò, ma non costruì, un calcolatore meccanico; alcune ricostruzioni recenti hanno dimostrato che il progetto era corretto. La prima macchina calcolatrice fu costruita attorno al 1623 dallo scienziato tedesco Wilhelm Schickard (1592–1635). Blaise Pascal (1623–1662) costruì nel 1642 la Pascalina e scrisse che tale macchina aritmetica “produce effetti che sembrano più vicini al pensiero di tutte le azioni degli animali” Gottfried Wilhelm Leibniz (1646–1716) costruì un dispositivo meccanico concepito per eseguire operazioni su concetti invece che numeri, ma le sue capacità erano
3 In uno dei primi libri sugli scacchi, Ruy Lopez (1561) scrisse: “Posiziona sempre la scacchiera in modo che il tuo avversario abbia il sole negli occhi”
