L’Intelligenza Artificiale: Oltre l’Emulazione, Verso l’Investigazione
L’Intelligenza Artificiale (AI) è un campo in continua evoluzione, definibile come il tentativo di rendere autonomo il pensiero umano su macchina. Questa definizione, tuttavia, non coglie la profonda diversità dei tipi di AI esistenti. Possiamo distinguere principalmente due grandi categorie: l’AI Emulativa e l’AI Investigativa.
Intelligenza Artificiale Emulativa: Il “Pappagallo Intelligente”
L’Intelligenza Artificiale Emulativa si propone di riprodurre l’output cognitivo del cervello umano in vari compiti. L’obiettivo non è replicare il modo in cui il cervello produce un output, ma generare un risultato che simuli il ragionamento umano, spesso con maggiore velocità e precisione.
Un esempio lampante è ChatGPT, un modello generativo di linguaggio che, addestrato su milioni di pagine, apprende le probabilità condizionali con cui le parole si susseguono per creare testi sensati.
Similmente, i generatori di immagini o le reti neurali per il riconoscimento visivo vengono addestrati su milioni di esempi per identificare oggetti specifici. A differenza, ad un bambino di due anni bastano poche immagini per capire, ad esempio che quello che si trova davanti è un cane e non un gatto.
E questo è fondamentale per capire che l’AI non usa gli stessi meccanismi umani.
È fondamentale comprendere che questa AI, sebbene estremamente utile, non “capisce” la semantica di ciò che produce o di ciò che le viene chiesto; piuttosto, “sintatticizza” la semantica, rispondendo in modo probabilisticamente sensato.
L’utilità di questi “pappagalli intelligenti” è enorme, potendo ridurre il lavoro umano in compiti ripetitivi o burocratici. Tuttavia, necessitano di quantità massive di dati per l’addestramento, il che ha un impatto significativo sul mercato, favorendo grandi compagnie che possono accumulare e gestire tali volumi.
Intelligenza Artificiale Investigativa: Svelare l’Invisibile nei Dati
A differenza dell’AI emulativa, l’Intelligenza Artificiale Investigativa (che alcuni considerano più rilevante per la ricerca scientifica) tenta di rendere visibili nei dati quelle informazioni che sono invisibili all’occhio umano. Il suo scopo è far emergere modelli nascosti nella natura, nei dati e nei comportamenti, comprendendo come i comportamenti individuali si organizzano spontaneamente in fenomeni collettivi, non semplicemente come somma delle parti. Questa capacità di “far esplodere” informazioni nascoste è cruciale in moltissimi campi.
Vediamo alcuni metodi e applicazioni chiave dell’AI Investigativa:
1.
Topological Weighted Centroid (TWC): Questo metodo analizza dati geografici (come coordinate X e Y) per identificare l’origine (Alfa), la distribuzione attuale (Beta) e le tendenze future (Gamma e Delta) di un processo, oltre a suggerire da dove proviene (Iota). È stato applicato con successo allo studio di epidemie (COVID, Ebola), geopolitica, traffico di droga, processi culturali e analisi del terrorismo, permettendo di localizzare focolai o basi logistiche.
Ad esempio, ha permesso di identificare il centro della cultura etrusca partendo dalla disposizione delle città, convalidato poi da scoperte archeologiche.
2.
Reti Neurali Profonde Non Supervisionate (Auto-CM): Questa categoria di reti apprende organizzando dati senza bisogno di etichette predefinite, classificando input simili in un grafo e fornendo una “white box” (trasparenza) anziché una “black box”.
L’algoritmo Auto-CM, ad esempio, ha dimostrato di poter classificare cifre scritte a mano con elevata precisione e, cosa fondamentale, è in grado di mostrare le ragioni soggettive dietro le sue decisioni, fornendo un grado di trasparenza inedito.
In un caso reale, partendo da dati “banali” di 62 soggetti attenzionati dalle forze dell’ordine, una rete Auto-CM è riuscita a distinguere perfettamente l’appartenenza a due bande criminali. E’ utile dire che le informazioni non erano evidenti agli investigatori, ovvero non ha usato informazioni classiche ( automobili o moto usate, abbigliamento, comportamenti palesi).
Ha persino identificato i soggetti chiave di una rete criminale, rivelando un vero capo diverso da quello sospettato dalle forze dell’ordine e permettendo arresti mirati.
3.
Simulation Analytics (“What If” Analysis): Questo approccio permette di effettuare simulazioni su dataset statici per capire cosa accadrebbe “se”. Permette di definire il prototipo di un certo “individuo” o pattern, ad esempio, attivando una variabile (es. “viaggiatore britannico”) e osservando come le altre variabili si auto-organizzano per definirne le caratteristiche fondamentali (es. durata del viaggio, età, costi, destinazioni preferite).
4.
Teoria dei Mondi Impossibili: Un metodo innovativo che consente di fondere dataset con attributi e regole completamente differenti, cosa che l’occhio umano fa attraverso la metafora. Questo sistema può “trasferire” la logica di un processo da un “mondo” di dati a un altro, anche se le variabili non hanno nulla in comune. Un’applicazione sorprendente ha mostrato come, proiettando la logica di diffusione del COVID dagli Stati Uniti alla Cina, il sistema ha predetto le zone reali di maggiore incidenza in Cina con un mese e mezzo di anticipo, superando i dati iniziali dichiarati. La robustezza di tale trasferimento è misurata da un parametro chiamato “isometria”.
5.
Active Connection Matrix (ACM): A differenza delle tradizionali reti neurali profonde che richiedono milioni di immagini, le ACM analizzano una singola immagine per volta, rivelando informazioni nascoste che l’occhio umano non percepisce. Ogni pixel, dotato di equazioni, “dialoga” con i pixel circostanti, e da questa interazione emerge un pattern nascosto. Esempi includono la rivelazione di stelle invisibili in foto di Saturno o, in campo medico, l’identificazione di stenosi non rilevabili con metodi tradizionali in angiografie digitali, convalidata poi da chirurghi.
Il Futuro dell’Intelligenza Artificiale
L’Intelligenza Artificiale Investigativa è fondamentale per la ricerca scientifica e rappresenta il futuro dell’AI. È essenziale che essa si connetta e interagisca con l’AI tradizionale (emulativa), poiché entrambe possiedono capacità diverse e complementari. Come affermava Arthur C. Clarke, le nuove idee spesso attraversano fasi di scetticismo prima di essere pienamente riconosciute e adottate. Mantenere una mente aperta a queste innovazioni è cruciale per sfruttarne appieno i vantaggi.
