Stato dell arte sull'intelligenza Artificiale e le applicazioni in azienda

Transcript

1 Università degli Studi della Tuscia di Viterbo Facoltà di Economia Corso di Organizzazione dei sistemi informativi aziendali Prof. Tommaso Federici A.A. 2000/01 Stato dell arte sull'intelligenza Artificiale e le applicazioni in azienda Ricerca svolta da: Massimiliano Ferlicca e Sandro Siracusa S.Siracusa e M. Ferlicca Tesina sull Intelligenza Artificiale 1

2 INDICE CAPITOLO PRIMO DEFINIZIONE DI INTELLIGENZA ARTIFICIALE 1.1 Nascita dell'intelligenza artificiale Evoluzione dell'intelligenza artificiale...3 CAPITOLO SECONDO SISTEMI DI INTELLIGENZA ARTIFICIALE 2.1 Premessa I Sistemi Esperti Le Reti Neurali Il funzionamento L'apprendimento I punti di forza Algoritmi genetici e tecniche Fuzzy CAPITOLO TERZO LE APPLICAZIONE DELL'INTELLIGENZA ARTIFICIALE 3.1 I diversi campi di applicazione Esempi di applicazioni S.Siracusa e M. Ferlicca Tesina sull Intelligenza Artificiale 2

3 3.2 Le applicazioni in ambito aziendale Il Data Mining L'attuale livello di diffusione e i futuri sviluppi Previsione finanziarie Applicazioni pratiche di sistemi previsionali Selezione del personale I vantaggi Considerazioni conclusive.39 Bibliografia 41 S.Siracusa e M. Ferlicca Tesina sull Intelligenza Artificiale 3

4 CAPITOLO PRIMO DEFINIZIONE DI INTELLIGENZA ARTIFICIALE 1.1 Nascita dell'intelligenza artificiale Con il termine intelligenza artificiale (IA) vengono identificate tutte le utilizzazioni dei sistemi di elaborazione che possono essere assimilabili all intelligenza umana, con particolare interesse alla capacità umana di affrontare problemi mediante vari approcci e di imparare dagli errori. L intelligenza artificiale ha lo scopo di asservire alle necessità umane o quantomeno di assistere e facilitare innumerevoli attività. Pertanto l IA aumenta la possibilità di utilizzo degli elaboratori a supporto della ricerca di soluzioni a problemi non strutturati o problemi troppo complessi per altri metodi.tali sistemi favoriscono un ulteriore stadio di automazione dei meccanismi operativi aziendali, finalizzati al miglioramento della competitività aziendale che coinvolge i processi decisionali, la qualità del lavoro, la cultura organizzativa e altre variabili strutturali del sistema organizzativo. Si riferisce, dunque, a tutto quell insieme di attività, di studi, di progetti che mirano a far sì che il sistema automatico di elaborazione sia in grado di simulare quei processi assimilabili a quelli dell intelligenza umana. Il termine Intelligenza Artificiale (IA) fu coniato nel 1956 in occasione di una conferenza presso il Dartmouth College, in Inghilterra, da un gruppo di ricercatori americani tra i quali Minsky che la definì come quella branca dell informatica che studia la metodologia e le tecniche di base per il progetto e la costruzione di sistemi elettronici capaci di fornire prestazioni generalmente S.Siracusa e M. Ferlicca Tesina sull Intelligenza Artificiale 4

5 considerate caratteristiche ed esclusive dell intelligenza umana.un altro fautore della materia, Jean-Gabriel Ganascia, la definisce invece come quella scienza che consente di dotare le macchine di intelligenza, allo scopo di padroneggiarle meglio; per questo le macchine non sostituiranno mai l uomo. Precedentemente alla data di battesimo, troviamo uno dei personaggi che più contribuirono all evoluzione dell IA: Alan Turing il quale cercò di descrivere l attività delle macchine a stati discreti (ossia ammettono un numero finito di configurazioni) dimostrando la loro equivalenza ad una macchina ideale, la macchina universale dotata di quattro istruzioni elementari sulla quale, in teoria, tutti i programmi potessero funzionare. In seguito i suoi studi vennero dirottati dalla guerra verso la decifrazione dei messaggi nemici.terminata la guerra tornò a dedicarsi alla teoria delle macchine. Forte dell esperienza accumulata elaborò una nuova teoria è intelligente una macchina che appare diversa da ciò che è e che appare intelligente agli occhi degli uomini. Non si tratta dunque di sapere se una macchina è effettivamente intelligente, ma solo se essa ci appare tale. La questione principale verteva quindi sul come operare per costruire una macchina che potesse sembrare intelligente. Alcune nozioni fondamentali furono introdotte dai sistemi simbolici. Partendo da assiomi (verità non dimostrabili) costruiscono teoremi tramite le regole di derivazione, procedure univoche per mezzo delle quali i teoremi vengono generati automaticamente. Per esemplificare i processi dei sistemi simbolici si porterà ad esempio il gioco degli scacchi (che ha riguardato le prime sperimentazioni di IA). Un elaboratore per la sua realtà fisica, S.Siracusa e M. Ferlicca Tesina sull Intelligenza Artificiale 5

6 non potrebbe mai enumerare tutte le partite possibili (circa 10^56). Intervengono ora i sistemi simbolici e l euristica, che a rischio di omettere alcune soluzioni orientano la macchina verso le scelte più opportune. L euristica è un metodo di ausilio alla scoperta, permette di individuare tra tutte le derivazioni le più probabili al successo mediante la formulazione di ipotesi e l utilizzazione dell intuito propri dell elemento umano. 1.2 Evoluzione dell intelligenza artificiale Dopo l anno della sua nascita all IA furono attribuite facoltà in grado di rivoluzionare il mondo in un decennio. Tuttavia l avvento della guerra fredda monopolizzò le sovvenzioni destinate ai laboratori in favore di un progetto di traduzione automatica, per velocizzare ed economizzare la traduzione del Russo.Il progetto ebbe risultati molto limitati e la disciplina soffrì ingentemente delle reputazioni creatasi. Fu con Minsky che l IA conobbe un nuovo stimolo. Egli concepì una nuova organizzazione della conoscenza nelle macchine. Ora l IA veniva limitata a domini di sapere strettamente circoscritti portando così alla nozione, siamo negli anni 70, di sistema esperto. Questi sistemi suscitarono un enorme interesse in molti campi.primo fra tutti il sistema Mycen che formulava diagnosi mediche nel dominio delle malattie infettive con un successo superiore a quello ottenuto da medici generici.l origine di questo sistema ha luogo alla Medical School di Stanford, in seguito ad una diagnosi errata da parte dei medici stessi. S.Siracusa e M. Ferlicca Tesina sull Intelligenza Artificiale 6

7 Gli ottimi risultati attirarono investitori ed i mass-media portando l IA al centro dell attenzione mondiale (il sistema prospector scoprì un giacimento di manganese). Questi programmi sono altamente specifici e sono in grado di arrivare ad una soluzione in base alla correlazione delle loro conoscenze. Pur essendo programmi ristretti sono dotati di strumenti (shell o gusci di sistema) vale a dire quella parte dei sistemi esperti vuoti, in cui non è contenuta nessuna conoscenza specifica, ma dotati di strumenti specifici per inserirla. Le shell consentono di ottenere un sistema esperto con il minimo sforzo, in quanto è richiesto soltanto di inserire della conoscenza pura, mentre tutti i meccanismi di ragionamento e di deduzione sono già presenti. Nel corso degli anni quaranta un coordinamento di sforzi tra biologi, fisici ed elettronici scaturì in un progetto ambizioso: la creazione di un modello del sistema nervoso. A capo di questo progetto si impose Bernard Windrow della Stanford University. Nel modello i neuroni formali (piccoli automi riceventi segnali da altri automi mediante sinapsi) simulavano i processi dei neuroni della corteccia cerebrale. Essi venivano realizzati tramite automi elementari collegati tra loro mediante sinapsi formali (collegamenti tra automi, identificati da un parametro, il peso sinaptico che modula la trasmissione) che permettevano il passaggio di un segnale più o meno intenso. Simulando il processo di apprendimento, le connessioni erano capaci di modificarsi dinamicamente. Attraverso l osservazione di questo fenomeno si cercava la chiave interpretativa dei processi cognitivi (linguaggio, memoria, ragionamento). Una nuova realtà si affacciò sul finire degli anni S.Siracusa e M. Ferlicca Tesina sull Intelligenza Artificiale 7

8 ottanta: il modello informatico per raggiungere risultati apprezzabili doveva distaccarsi sempre più dalla realtà biologica. I riferimenti col passare degli anni diventarono sempre più una semplice immagine metaforica. Le reti neurali fanno ormai parte dell IA, distaccandosi dalle neurobiologia. Applicazioni delle reti neurali si possono trovare nella percezione visiva o uditiva di vari macchinari. Allo stato attuale molti sforzi vengono fatti nel campo della progettazione di elaboratori a reti neurali, ma i neuroni simulati sono da 100 a 1000, con interconnessioni possibili tra di essi, dell ordine dalle migliaia ai milioni, molto poche se paragonate al cervello umano, nel quale vi sono miliardi di neuroni per migliaia di miliardi di connessioni. CAPITOLO SECONDO SISTEMI DI INTELLIGENZA ARTIFICIALE 2.1 Premessa Agli inizi il settore dell IA ha deluso, in quanto i problemi da affrontare sono risultati più difficili del previsto mentre, negli ultimi anni, si è evoluto e potenziato ed ha trovato applicazioni in vari settori, come la produzione industriale, i prodotti di consumo, la finanza, la gestione e la medicina. L IA viene vista come alternativa alle metodologie tradizionali per la sua maggiore flessibilità nell elaborazione dei parametri; il suo sviluppo è segnato anche dalla disciplina legata al concetto di robot, inteso come sistema capace di interagire con il mondo. S.Siracusa e M. Ferlicca Tesina sull Intelligenza Artificiale 8

9 L Italia è uno dei paesi più all avanguardia in questo settore; esiste infatti una associazione che raccoglie ricercatori provenienti dalle varie istituzioni. L IA inoltre, è legata ad altri settori e precisamente: - ai sistemi esperti - alle reti neurali - agli algoritmi genetici ed alle tecniche fuzzy 2.2 I Sistemi Esperti: cosa sono e come funzionano Un sistema esperto è un sistema che si presta a trattare problemi strutturalmente molto complessi, anche con dati viziati da un certo margine di incertezza o incompleti.vengono utilizzati proprio nelle aree in cui le attività sono semi-strutturate o non completamente formalizzate,mentre nelle aree in cui la conoscenza relativa a un determinato dominio (campo di applicazione) è già strutturata, solitamente esistono dei pacchetti software che automatizzano quel tipo di procedure. Esso non è altro che un sofisticato programma per computer progettato per fornire sia la conoscenza che il modo di ragionare degli esperti umani in un dato campo.il sistema esperto sfrutta l insieme delle tecniche e delle metodologie utilizzate per risolvere il problema di come rappresentare le conoscenze umane in un dato settore applicativo, in forma adatta per essere elaborata automaticamente da un calcolatore, simulando il comportamento intelligente di un esperto umano. I sistemi esperti contengono una expertise, cioè una conoscenza e una strategia di utilizzo di tale conoscenza per risolvere il problema dell utente.la conoscenza viene inserita da un esperto umano.in linea generale un sistema esperto non impara da solo, ma si limita S.Siracusa e M. Ferlicca Tesina sull Intelligenza Artificiale 9

10 ad immagazzinare ed utilizzare una conoscenza inserita a mano. Questa viene memorizzata nella base di conoscenza, che è una particolare struttura di dati, atta a contenere le conoscenze espresse in un particolare linguaggio. Lo scopo di un sistema esperto è quello di fornire all utente un certo risultato, vale a dire la soluzione di un determinato problema.tale risultato viene ottenuto attraverso una ricerca euristica (metodo di ricerca della verità basato sulla documentazione dei fatti). La ricerca euristica,in contrapposizione a quella algoritmica, consiste nel trovare una soluzione ipotizzando tutte le possibili soluzioni verosimili e cercando di verificarle attraverso una documentazione di cause e fonti. I metodi algoritmici sono più sicuri, in quanto effettuano una ricerca esaustiva senza venire influenzati da informazioni fuorvianti. Un sistema esperto si definisce trasparente quando gli utenti possono vedere il suo funzionamento e si capisce perché ha prodotto un certo risultato.agli occhi dell utente finale un sistema esperto appare come un programma che dialoga, nel caso in cui il dialogo sia solo con l utente si parla di sistema esperto consultativo, nel caso in cui dialoghi con un programma si parla di sistema embedded, nel caso in cui dialoghi sia con programmi che con utenti si parla di sistema ibrido. La cosa che caratterizza un sistema esperto è il fatto che l ordine con cui vengono poste le domande non è predeterminato, ma, di volta in volta, la domanda successiva dipende dalle risposte precedenti. Una base di conoscenza contiene generalmente pochi dati ma molto intercorrelati. In alcuni casi i collegamenti possono assumere la forma di correlazioni, ossia di reti semantiche (strutture di dati) ; S.Siracusa e M. Ferlicca Tesina sull Intelligenza Artificiale 10

11 ma quasi tutti i sistemi esperti sono basati su regole. A differenza di un programma tradizionale che è definito passo passo in modo deterministico e la sua abilità risiede nei codici, nei sistemi esperti invece l esperienza non è espressa con dei codici ma memorizzata in forma simbolica nella base di conoscenza, una struttura di dati facilmente dominabile e modificabile. La conoscenza dell esperto viene, in pratica, riformulata come una serie di regole. Facciamo adesso un esempio per rendere l idea di come funzioni un sistema di questo tipo. In un sistema medico molto semplice, per esempio la regola potrebbe essere: se il paziente ha mal di gola e starnutisce, allora ha il raffreddore. I sistemi basati su regole possono cercare una combinazione tra le informazioni immesse dall utente (mal di gola) e le regole che contengono quel pezzetto di dati oppure può chiedere informazioni per confermare o confutare un ipotesi che l utente ha formulato, del tipo: penso che il paziente abbia il raffreddore. I sistemi esperti sono il frutto degli studi dell IA ed in molte aree raggiungono un livello di prestazioni uguale a quello degli esperti umani. Questi sistemi, modellati per clonare gli esperti umani e poter quindi aiutare gli utenti finali in tutte quelle attività che richiedono la capacità di giudizio e l esperienza di un esperto, fanno uso di tecniche sofisticate e di vaste fonti di conoscenza. I sistemi esperti infatti hanno introdotto quello che potremmo chiamare il principio della conoscenza secondo cui alla conoscenza specifica va associata un intelligenza altrettanto specifica; esso è costituito da: - conoscenza superficiale o compilata, che consiste nella ricerca di una soluzione specifica ad ogni specifico problema; S.Siracusa e M. Ferlicca Tesina sull Intelligenza Artificiale 11

12 - conoscenza profonda, costituita dai principi primi, cioè dai modelli strutturali, comportamentali e dalle leggi fondamentali della natura. Un sistema esperto basato solo sulla conoscenza superficiale tenderebbe a dare spiegazioni troppo superficiali e ciò che è peggio non sarebbe in grado di far fronte a situazioni nuove. Le facoltà della ragione, che le persone usano regolarmente e con facilità, comporta però una enorme quantità di informazioni e la loro correlazione, nonché una notevole dose di buon senso. Per dotare un computer di questa facoltà, tutti i dati devono essere strutturati e immagazzinati nella sua memoria in modo da poterli manipolare rapidamente per ottenere deduzioni valide o risposte a domande specifiche. Uno dei metodi di memorizzazione più efficienti è proprio la rete semantica, cioè una struttura di dati formata da: - nodi, che rappresentano oggetti-concetti e che, nel computer, corrispondono a registri o ad allocazioni di memoria; - anelli, che servono da connettori tra i nodi e che, nel computer, corrispondono a puntatori, cioè codici di indirizzo che trasmettono il programma a quelle allocazioni di memoria. Le reti semantiche possono essere: - rigorosamente gerarchiche, dove le informazioni riguardanti una super categoria (ad esempio quella animale) vengono messe a disposizione di sotto-categorie sempre più specifiche (ad esempio uccello ed anatra), mediante anelli i quali permettono ai nodi inferiori di ereditare le proprietà descrittive dei nodi superiori imparentati. Percorrendo il sentiero in salita, un programma può dedurre che un anatra è un animale; S.Siracusa e M. Ferlicca Tesina sull Intelligenza Artificiale 12

13 - meno rigorosamente gerarchiche, che utilizzano un certo numero di anelli per collegare oggetti oppure concetti l uno all altro ed anche a varie caratteristiche. Il meccanismo ereditario descritto, determina la potenza delle reti semantiche e inoltre permette un risparmio di spazio di memoria occupata e rende possibile una forma di ragionamento deduttivo. Il problema che ancora impegna i ricercatori è come le reti possano manipolare le eccezioni alle regole. Un sistema esperto non da sempre dei vantaggi all impresa che lo utilizza che si tramuta poi in un valore aggiunto per la stessa, non è sempre così. Infatti prima di adottare un sistema esperto bisogna valutare due punti fondamentali: - esaminare nuove tecniche di ricerca e capire come possono essere applicate alle problematiche commerciali; - addestrare lo staff aziendale sulle tecnologie dei sistemi esperti. Un sistema esperto può definirsi realizzato con successo e, quindi, risultare effettivamente utile, solo se utilizzato per risolvere problemi giornalieri, riducendo così i costi ed il dispendio energetico. In generale l architettura di un sistema esperto è formata da quattro elementi: - la base della conoscenza - i fatti noti - il motore inferenziale - l interfaccia utente S.Siracusa e M. Ferlicca Tesina sull Intelligenza Artificiale 13

14 Fig.1 Architettura di un sistema esperto La base di conoscenza contiene l esperienza del sistema esperto; è un area di memoria in cui sono immagazzinate le frasi che costituiscono la conoscenza del campo di applicazione. Il motore inferenziale è un algoritmo che scandisce in ordine opportuno la base di conoscenza al fine di reperire documentazione, selezionare ipotesi e costruire la soluzione del problema. La selezione di una regola dalla base avviene in seguito ad una analisi dei fatti noti e a un colloquio con l utente. In sostanza il motore inferenziale è quella parte di programma che, utilizzando l esperienza contenuta nella base di conoscenza, effettua delle riduzioni e rende possibile un colloquio senz altro pertinente. Ciò significa che le domande vengono poste all utente solo se correlate ai fatti che fino a quel momento sono noti.per riempire una base di conoscenza infatti è sufficiente inserire regole sparse, preoccupandosi solo del fatto che S.Siracusa e M. Ferlicca Tesina sull Intelligenza Artificiale 14

15 abbiano un senso compiuto di per se e un significato nell ambito del programma in questione. Il motore inferenziale, scandendo in modo opportuno tale base, darà all utente l impressione di dialogare con un sistema estremamente ordinato, in cui si segue un filo logico e ogni domanda è pertinente. In un sistema così fatto è possibile modificare una regola o aggiungerne altre senza dover conoscere le restanti, poiché le regole sono indipendenti l una dall altra e questo è un enorme vantaggio, soprattutto quando il numero di regole è elevato. L interazione tra l utente e il sistema esperto avviene tramite un dialogo. Tale dialogo viene reso possibile con l impiego di display grafici che sono in grado di mostrare immagini di varia natura, grafica sonora o linguaggio naturale. Il sistema consente all utente di chiedere il perché dei quesiti che gli vengono proposti al terminale ed, a conclusione della sessione di lavoro, come questa è stata ricavata da parte del sistema. Deve inoltre prevedere le funzioni di salvataggio, stampa ecc Nell ambito di tali sistemi la shell viene utilizzata per indicare il rivestimento della base di conoscenza, cioè tutto ciò che si trova tra quest ultima e l utente. La shell quindi è quella componente del sistema esperto priva di conoscenza, perché ha una conoscenza vuota. Essa è il programma privo di dati, e di conseguenza non eseguibile. La shell è uno strumento molto appetibile commercialmente perché mette in grado un utente di costruirsi il proprio sistema esperto con pochissimo sforzo. La maggior parte delle shell in commercio è corredata di strumenti ausiliari, compilatori interfacce, atti a tradurre le regole in un formato interno, al fine di facilitare lo sviluppo e la manutenzione delle basi S.Siracusa e M. Ferlicca Tesina sull Intelligenza Artificiale 15

16 di conoscenza, definendo un linguaggio di sviluppo che permette di esprimere le regole in maniera facilmente comprensibile e offra all utente dei comandi per la gestione della base di conoscenza. Nonostante l esistenza di questi strumenti, lo sviluppo di una base di conoscenza rimane sempre il punto critico per la buona riuscita del sistema esperto. Non bisogna comunque perdere di vista, nonostante i suoi successi, i limiti di un sistema esperto; essendo infatti il fondamento su cui esso si basa una conoscenza fornitagli dall uomo, tutto ciò che può fare, può essere fatto da un uomo, anche se è instancabile e sempre disposto a dare spiegazioni. 2.3 Le reti neurali Come dice il nome, una rete neurale artificiale è uno strumento informatico che imita il funzionamento di un cervello biologico nel memorizzare e nell utilizzare le informazioni ricevute. Così come il cervello in natura memorizza le informazioni in modo distribuito, in una rete composta da innumerevoli neuroni connessi tra di loro da sinapsi più o meno dotate di conduttività elettrica, una rete neurale artificiale è costituita da tante unità elaborative che, a differenza di quanto avviene nei programmi software tradizionali, agiscono in parallelo e non in serie, collegate l una all altra da connessioni. Tali connessioni sono caratterizzate da un valore, il cosiddetto peso, che definisce la forza, l importanza da attribuire al collegamento stesso. Da un punto di vista fisico la rete neurale artificiale è un programma software di dimensioni estremamente ridotte, un insieme di formule (le unità elaborative o neuroni ) e variabili (i pesi delle connessioni) che può essere scritto utilizzando un S.Siracusa e M. Ferlicca Tesina sull Intelligenza Artificiale 16

17 qualsiasi linguaggio di programmazione. Le reti neurali sono quindi costituite da software in grado di produrre esempi di comportamenti mantenuti in passato dalle variabili indagate. Per questo si dice che imparano dagli esempi che vengono loro forniti. Uno degli aspetti importanti riguarda il trattamento delle eccezioni. Infatti, nel momento in cui impara dagli esempi, la rete deve poter essere in grado di riconoscere le eccezioni e non farsi influenzare da queste per definire un comportamento che abbia, invece, validità più generale. Tra le caratteristiche delle reti neurali rientra l aspetto relativo alla loro adattabilità e flessibilità nei confronti dell analisi di situazioni complesse o di difficile interpretazione. Con la tecnica delle reti neurali si sta tentando infatti di automatizzare quei domini di difficile comprensione per l esperto. Le reti neurali infatti vengono adottate laddove lo stesso esperto non riesce ad individuare le regole che collegano gli input con gli output. Si comportano come un sistema esperto che modifica in continuazione le regole sulla base delle quali vengono prese le decisioni, in relazione alle variazioni che si verificano nel contesto ambientale in cui esse vengono inserite. Le condizioni adatte all applicabilità delle reti neurali sono: - grande numero di variabili che devono essere tenute in considerazione contemporaneamente; - non è chiaramente definita la struttura delle relazioni del modello sottostante il dominio; - le variabili o il modello non sono stabili nel tempo a causa di mutamenti nell ambiente; - i costi associati a previsioni errate sono alti. S.Siracusa e M. Ferlicca Tesina sull Intelligenza Artificiale 17

18 Fig.2 Le tecnologie adottabili in relazione al grado di strutturazione del problema Da questo punto di vista, esse sono come scatole nere e non forniscono alcuna trasparenza del ragionamento seguito per arrivare alla risposta finale. È proprio per tale motivo che le aspettative future riguardano la possibilità di integrare i sistemi basati sulla conoscenza (sistemi esperti) con le reti neurali. Dal punto di vista concettuale le aree di lavoro sulle quali la ricerca sta attualmente procedendo sono due: - nella prima di queste aree si stanno tentando di sviluppare dei processi elaborativi che permettano di documentare, e soprattutto di creare, la conoscenza presente nell ambito di un certo dominio. In tale contesto, per risolvere un dato problema, prima viene utilizzata la rete neurale e successivamente il sistema esperto. In questo senso si verifica quasi una forma di concorrenzialità tra le due tecnologie; S.Siracusa e M. Ferlicca Tesina sull Intelligenza Artificiale 18

19 Fig.3 I due approcci, reti neurali e sistemi esperti, utilizzati in modo alternativo - nella seconda area, invece, si parla di integrazione vera e propria tra la tecnologia dei sistemi esperti e quella delle reti neurali soprattutto nel campo delle previsioni finanziarie. È evidente che in tale contesto le reti neurali vengono impiegate come operatori statistici (in modo più flessibile e con un più facile approccio). La soluzione del problema richiede l impiego prima delle rete neurale e successivamente del sistema esperto Il funzionamento Una rete neurale raccoglie diversi input, li mette in connessione tra loro, li pesa in base alla loro importanza, e infine ne crea una specie di media ponderata che costituisce l output della rete, cioè l esito previsto per il fenomeno studiato. Come si può intuire, una scelta ottimale degli input con cui alimentare la rete (cioè le variabili che si ritiene determinino il fenomeno studiato) è essenziale per un funzionamento soddisfacente della rete creata. In pratica gli scienziati hanno pensato di assimilare questo fenomeno S.Siracusa e M. Ferlicca Tesina sull Intelligenza Artificiale 19

20 ad una somma dei segnali di ingresso. Se questa somma supera un certo livello viene emesso un segnale. In effetti ogni segnale in ingresso ha un peso diverso e quindi una influenza diversa sul risultato della somma. Cambiando i pesi si possono quindi cambiare i modi di funzionare dei neuroni. Il problema è però nel come può avvenire un cambiamento automatico dei pesi affinché possiamo ottenere la funzione voluta. Nel caso di un semplice neurone questo risultato è stato ottenuto negli anni sessanta dal Minsky. Il metodo utilizzato prevede di confrontare il risultato sbagliato con quello corretto e modifica i pesi in funzione dell errore effettuato dal neurone. Per arrivare però a realizzare funzioni utili occorre mettere più neuroni in cascata uno dietro l altro. Si vedrà che bastano due strati per ottenere una qualsiasi funzione. Il problema di ottenere un cambiamento automatico dei pesi in una rete a due strati è stato risolto nel 1984 da Rummelhart e McLelland con un algoritmo di back propagation. In questo algoritmo l errore compiuto dagli strati finali della rete di neuroni viene usato come mezzo per cambiare i pesi dei neuroni finali ma anche, sommato a tutti gli errori provocati su altri neuroni finali, per cambiare i pesi dei neuroni intermedi. In pratica in questo modo è possibile far imparare in automatico a una rete neurale una qualsiasi funzione. Fig.4 Struttura di una rete neurale S.Siracusa e M. Ferlicca Tesina sull Intelligenza Artificiale 20

21 Quello che sembra l utilizzo più proficuo di una rete neurale è quello dell acquisizione automatica della conoscenza da un sistema complesso superando i limiti dei sistemi esperti L apprendimento Una rete neurale artificiale è progettata in modo tale da essere in grado di apprendere le caratteristiche del fenomeno sottopostole, e tale apprendimento avviene mediante la modifica dei pesi attribuiti alle connessioni (i pesi prima dell apprendimento vengono inizializzati con valori casuali compresi solitamente tra zero e uno). Secondo Gardin la chiave di volta dell approccio neuronale è costituito dalla realizzazione di algoritmi generali di apprendimento, i quali a partire da correlazioni sperimentali, datisoluzioni, sintetizzano automaticamente la corrispondente funzionesoluzione. Sebbene vi sia una grande varietà di modelli neuronali, una classe interessante è rappresentata da quelli che sono programmati attraverso un ciclo di insegnamento basato su esempi, dove un esempio è l associazione tra i dati che descrivono il problema e la soluzione corrispondente. In questo modo non è richiesta la programmazione in senso tradizionale in quanto la rete modifica i propri parametri in modo automatico e sarà così in grado di trovare la soluzione anche partendo da nuove classi di dati. S.Siracusa e M. Ferlicca Tesina sull Intelligenza Artificiale 21

22 Fig.5 Reti neurali di apprendimento Facciamo adesso un esempio per chiarire meglio il concetto prendendo in esame il funzionamento di uno degli algoritmi più utilizzati il Back Popagation. Una rete durante l apprendimento si autocorregge sulla base della differenza realizzatasi tra quanto riteneva dovesse accadere e quanto in realtà è avvenuto in manifestazioni passate del fenomeno studiato.una rete utilizzata per prevedere l andamento della borsa valori svolge il suo apprendimento esaminando l andamento passato della borsa in corrispondenza di determinati valori realizzatisi per gli input (ad esempio il costo del lavoro, la quantità di moneta, il PIL ecc ); in pratica la rete prende i valori assunti dagli input in un certo periodo e calcola l esito corrispondente, cioè quale dovrebbe essere secondo lei il valore raggiunto dall indice di borsa dati quegli input. Dato che si tratta di valori riferiti al passato, sappiamo anche dire alla rete l esito corretto che poi si è verificato, cioè come in effetti è andata la borsa in realtà. A questo punto la rete confronta la sua opinione con l esito corretto, e calcola l errore che ha S.Siracusa e M. Ferlicca Tesina sull Intelligenza Artificiale 22

23 compiuto.utilizzando l algoritmo di apprendimento la rete modifica i propri pesi in modo tale che, in futuro, qualora le venissero sottoposti gli stessi valori per gli input, l errore da essa compiuto risulterebbe più contenuto. In questo modo la rete neurale mette in atto un assorbimento graduale delle regole che legano l input all output, per arrivare a fine apprendimento, a errori molto ridotti per ogni manifestazione del fenomeno studiato.per istruire adeguatamente la rete è indispensabile un insieme di esempi che descriva in modo completo (come un nutrito campione statistico) il comportamento del fenomeno stesso. Nel nostro caso, ad esempio, il set di dati utilizzati nell apprendimento deve contenere esempi relativi a tutti i movimenti possibili dell indice di borsa, e cioè a periodi di rialzo, di ribasso, di stagnazione ecc Al termine dell apprendimento i pesi della rete dovrebbero essere tarati in modo tale da permettere alla rete stessa di fornire l esito corretto per ogni manifestazione del fenomeno I punti di forza L innovazione introdotta dalle reti neurali rispetto all informatica tradizionale e rispetto anche a strumenti derivati dalle generazioni passate dell intelligenza artificiale come i sistemi esperti, consiste nel fatto che si tratta dei primi strumenti informatici adattivi, nel senso che tendono a modellarsi sul fenomeno studiato; il loro obiettivo è ridurre al minimo possibile l incertezza della variabile analizzata cercando di intuire l andamento del maggior numero possibile di componenti della stessa. Il risultato fornito non pretende di essere corretto al 100%, ma garantisce che l errore associato al valore ottenuto è quello minimo possibile.in più un S.Siracusa e M. Ferlicca Tesina sull Intelligenza Artificiale 23

24 programma basato su reti neurali non si blocca di fronte ad un errore, ma anzi utilizza l errore per migliorare le sue prestazioni. In definitiva si tratta del migliore approccio per affrontare problemi di ottimizzazione dell approssimazione come l interpretazione dei comandi vocali, interpretazione della scrittura o le previsioni nei più svariati campi (meteorologia, economia ). 2.4 Algoritmi genetici e tecniche Fuzzy Negli anni più recenti, l interesse si è focalizzato anche nei confronti di nuovi approcci, che ad esempio, oltre alle reti neurali artificiali comprendono il ragionamento basato su casi, gli algoritmi genetici e i sistemi di fuzzy logic. L attenzione è quindi andata gradualmente spostandosi da una tecnologia, che richiede la presenza di un esperto che esprima in modo chiaro e formalizzato la conoscenza su un determinato dominio (sistemi esperti), ad un altra, all interno della quale l accento è posto sulle tecniche di creazione o di estrazione della conoscenza partendo dai dati storici. Nel mondo dell informatica questa attività di ricerca è denominata data mining. Questa ricerca si propone l obiettivo di utilizzare ambienti di calcolo di tipo parallelo e ad elevate prestazioni per applicare tecniche di data mining per l estrazione di correlazioni tra dati di tipo economico e finanziario a partire da dati grezzi costituiti da serie storiche di andamenti di indici, valori di titoli e così via, e per sviluppare modelli di analisi e predizione economica e finanziaria. La tecnica degli algoritmi genetici può essere utilizzata per la ricerca di soluzioni a problemi di ottimizzazione, di riconoscimento S.Siracusa e M. Ferlicca Tesina sull Intelligenza Artificiale 24

25 di forme, di classificazione, adottando metodologie che imitano il processo di evoluzione e selezione naturale caratteristico degli organismi viventi. John Holland, nel 1975, pensò di incorporare le strutture di questi processi in algoritmi matematici. Ogni organismo vivente è composto da mattoni elementari che a loro volta possiedono piccolissimi frammenti, i cromosomi, che contengono, codificate, le informazioni necessarie per la costruzione di ogni parte dell organismo stesso. Si può pertanto affermare che ogni essere vivente è parzialmente creato mediante un processo di decodifica dei cromosomi. L idea di Holland si basò pertanto sull opportunità di utilizzare programmi su computer per risolvere problemi molto complessi, attraverso processi evolutivi come si verifica in natura. La teoria di Holland si fonda quindi sui seguenti presupposti: - il riferimento fondamentale della selezione naturale è il fenomeno che consente, come avviene in natura, agli algoritmi genetici di creare una popolazione di cromosomi sempre migliori, manipolando quelli della generazione precedente; - gli algoritmi non conoscono nessuna caratteristica del problema finale che devono risolvere; - l unica informazione importante è la valutazione della bontà di ogni cromosoma della popolazione. Gli algoritmi genetici utilizzano questa valutazione per far riprodurre i cromosomi che hanno ottenuto le migliori valutazioni e per eliminare quelli che invece presentano le valutazioni più basse. La bontà di un cromosoma, in natura, dipende dall interazione che l essere ha con l ambiente circostante: se tale interazione è positiva, tenderà a riprodursi con più probabilità di un altro essere in difficoltà. I cromosomi più S.Siracusa e M. Ferlicca Tesina sull Intelligenza Artificiale 25

26 validi sono così in grado di riprodursi più spesso e tramanderanno il loro buon patrimonio genetico ai rispettivi figli, di generazione in generazione. Secondo questa prospettiva, più l evoluzione continua, migliore diventa il livello di bontà dell intera popolazione. Si può per questo affermare che gli algoritmi genetici sono dei semplici manipolatori di cromosomi, in grado di generare popolazioni di cromosomi migliori di quelle da cui provengono. In termini informatici si tratta di sviluppare degli algoritmi capaci di manipolare sequenze composte da 0 e 1. Con l aiuto del computer si crea una popolazione iniziale di cromosomi e, attraverso meccanismi di riproduzione, si affrontano problemi molto complessi. Con questa tecnica si possono inventare situazioni nuove anche con l integrazione delle reti neurali purchè, la situazione nuova che si è venuta a determinare, sia assimilabile a qualche cosa che la rete neurale aveva già in precedenza riconosciuto ed imparato. Proseguendo quindi nell analisi, per operare con gli algoritmi genetici è necessario effettuare due operazioni preliminari. Prima di tutto si deve rappresentare la soluzione del problema mediante una sequenza codificata di dati, in secondo luogo si costruisce una funzione di valutazione in grado di misurare il livello di corrispondenza tra le sequenze codificate dei dati e la soluzione del problema. Su ogni cromosoma di questa popolazione agiscono successivamente tre operatori che sono in grado di modificare, sulla base di regole prestabilite, il valore di ogni singolo elemento, per ottenere alla fine una popolazione di elementi completamente rinnovati che sono mediamente un po più vicini all obiettivo da raggiungere, rispetto all obiettivo raggiunto dai predecessori. S.Siracusa e M. Ferlicca Tesina sull Intelligenza Artificiale 26

27 Quanto descritto viene definito processo di generazione di una nuova popolazione e viene ripetuto numerose volte, finché i risultati non sono coincidenti con l obiettivo da raggiungere. I sistemi di fuzzy logic o logica sfumata sono nati invece con lo scopo di consentire l adozione, nell ambito dei processi decisionali, di meccanismi in grado di gestire informazioni caratterizzate da un basso grado di precisione. Ne consegue pertanto che non può essere un algoritmo, né una categoria di algoritmi. La funzione principale è di facilitare la definizione degli ambiti in cui si svolgono processi decisionali, soprattutto nella fase di interazione del programma col mondo esterno. Per questo la logica sfumata è spesso considerata come strumento flessibile attraverso il quale un sistema può ricevere allo stesso tempo istruzioni e dare spiegazioni all utente sulle azioni intraprese. Gli esseri umani ragionano anche sulla base di concetti imprecisi come, ad esempio, abbastanza piccolo, piuttosto grande ecc Il sistema fuzzy rappresenta un tentativo per fare in modo che anche gli elaboratori elettronici possano operare giustificando le proprie azioni in modo altrettanto flessibile. La tradizionale logica booeleana non consente l appartenenza non totale a un determinato insieme,mentre la logica sfumata permette un appartenenza parziale, consentendo la definizione di ragionamenti automatizzati più raffinati rispetto a prima. Essa utilizza insiemi caratterizzati da confini flessibili, mentre la logica convenzionale è basata su insiemi che hanno confini rigidi. Processi decisionali che utilizzano quest ultimo tipo di confini di definizione dell insieme (o soglie di appartenenza) devono essere in grado di gestire rapidi cambiamenti di stato, nel momento in cui cambia il S.Siracusa e M. Ferlicca Tesina sull Intelligenza Artificiale 27

28 valore di un dato che si trova vicino alla soglia. Tale modo di procedere tuttavia potrebbe rivelarsi non corretto se si devono realizzare modelli rappresentativi del mondo reale. Per mezzo dell applicazione della logica sfumata viene eliminato il concetto di soglia rigida, per favorire l utilizzo delle cosiddette funzioni di appartenenza. Queste funzioni specificano il grado di appartenenza a un insieme sfumato, restituendo un valore che può variare da 0 a 1, dove 0 indica un appartenenza nulla, 1 un appartenenza totale. Sono comunque presenti numerosi problemi ancora da superare come, ad esempio, il processo di definizione delle funzioni di appartenenza.tale processo, infatti, nella pratica si manifesta eccessivamente lento e quindi dispendioso in termini di tempo necessario per la sua messa a punto. CAPITOLO TERZO LE APPLICAZIONI DELL'INTELLIGENZA ARTIFICIALE 3.1 I diversi campi di applicazione L'intelligenza artificiale, come definita nel primo capitolo, ha la capacità di aumentare la possibilità di utilizzo degli elaboratori a supporto della ricerca di soluzioni a problemi non strutturati o troppo complessi per altri metodi. Quindi è ben comprensibile come possa essere di valido aiuto in tutti quei casi in cui l'esperienza del passato è l'elemento determinate per arrivare ad una corretta soluzione. L'intelligenza artificiale trova applicazioni nei seguenti campi: S.Siracusa e M. Ferlicca Tesina sull Intelligenza Artificiale 28

29 - medico; - economico-aziendale; - giuridico; - e in tutti quei casi nei quali necessita fare delle previsioni. Ad esempio le reti neurali applicate in campo medico possono servire a prevedere i risultati sulla base di un trattamento farmacologico, in borsa trovano larga applicazione proprio perché le variabili in gioco e gli imprevisti nel mondo della finanza sono moltissimi, ma attraverso l'analisi operata dalle reti neurali è possibile tentare di prevedere l'andamento dei titoli con un ridotto margine di errore. Il marketing può trarre vantaggio da una classificazione del profilo dei clienti operata sulla base di un sistema di reti neurali: conoscere il cliente, fidelizzarlo e consolidare le relazioni nell'arco del suo ciclo di vita. Può essere utilizzata per selezionare personale dipendente attraverso la determinazione di un profilo ideale. Anche le frodi bancarie possono essere ridotte se gli agenti neurali gestiscono i sistemi delle banche. Esistono software in grado di riconoscere gli assegni falsi e di intervenire bloccando i versamenti Esempi di applicazioni In materia giuridica un applicazione pratica è quella attuata dalla corte di Appello di Roma che ha adottato una sistema esperto chiamato S.E.L. progettato con l'obiettivo di rendere più rapide alcune fasi del processo. E' un prototipo di sistema esperto per l'automazione del processo civile, un sistema in grado di fornire consulenza al giudice al fine di stabilire la correttezza formale e sostanziale della fase preliminare del processo. Il sistema è stato S.Siracusa e M. Ferlicca Tesina sull Intelligenza Artificiale 29

30 sviluppato in PROLOG - Programmazione Logica - lavora su cinquanta articoli del Codice di procedura civile ed è capace di dedurre se questi articoli sono stati applicati nel modo corretto. Normalmente il giudice al momento della stesura della sentenza deve verificare la sussistenza di alcuni requisiti previsti dal Codice per la validità degli atti, deve controllare la ritualità della notifica dell'atto di citazione, il rispetto dei termini a comparire; queste ed altre incombenze comportano una enorme perdita di tempo. Con il S.E.L. vengono immediatamente rilevate le irregolarità formali contenute nell'atto introduttivo del giudizio e le eventuali altre violazioni agli articoli del codice costituente la base di conoscenza del sistema. Il "Mycin", un sistema esperto realizzato negli anni '80 nell'università di Stanford, assiste il medico nelle decisioni riguardanti la scelta della terapia appropriata nella cura delle malattie infettive che richiedono l'impiego di una terapia con antibiotici. La base di conoscenza del Mycin è formata da cinquecento regole di produzione dotate di fattore di certezza. Il motore inferenziale è di tipo backward chaining ed ha capacità di ragionamento approssimato. Un altro esempio in campo medico fu il progetto "Lives", che venne usato per individuare la diagnosi, la prognosi e le terapie. Sempre negli anni '80 venne realizzato il "Maintex", un sistema esperto in grado di prevedere il verificarsi di guasti negli impianti e nei macchinari industriali complessi. Rappresentò, per quei tempi, uno strumento innovativo che oltre a ridurre i costi di manutenzione, incrementava in modo significativo l'efficienza e la qualità di funzionamento dei processi produttivi, migliorando la S.Siracusa e M. Ferlicca Tesina sull Intelligenza Artificiale 30

31 bontà del prodotto finale, salvaguardando ed accrescendo nel tempo l'esperienza ed il know-how tecnologico specifico dell'azienda. Sempre di quegli anni è l'adozione da parte delle Ferrovie dello Stato di un sistema esperto con lo scopo di regolare la marcia dei treni. Il "Prospector", invece, assiste il geologo nel valutare la potenzialità di un'area quale possibile sede di un giacimento minerario. L'aspetto più spettacolare è costituito dalle capacità grafiche che giungono al punto di fornire la mappa geografica della più probabile dislocazione di nuovi filoni. La base di conoscenza è composta da una rete inferenziale, la cui struttura non differisce molto dalle regole di produzione; è inoltre corredata da una descrizione tassonomica dei dati. E' il sistema esperto che ha dato finora i risultati più sensazionali, localizzando un giacimento di molibdeno del valore di molti milioni di dollari, di cui i geologi non sospettavano nemmeno l'esistenza. La "Synaptics", società di ricerca e produzione di reti neurali, ha creato un sistema per il riconoscimento della scrittura cinese, che sarà presente sul mercato a giugno 2001, la peculiarità di questo prodotto è la sua capacità di riconoscere i caratteri prima che siano finiti. In Inghilterra un singolare uso delle reti neurali è stato fatto da Scotland Yard: ha raccolto in grandi database milioni di informazioni sul crimine e con un sistema di intelligenza artificiale è in grado di cercare informazioni fra diverse tipologie di crimine, di identificare analogie nascoste e trovare crimini con uno stesso mandante. S.Siracusa e M. Ferlicca Tesina sull Intelligenza Artificiale 31

32 Negli USA, in Giappone e in Gran Bretagna diversi sono i sistemi basati su reti neurali regolarmente utilizzati, con successo per le previsioni finanziarie (Prediction Company, USA), per la classificazione della clientela delle banche (ADSS di Neuralwork, USA), per il riconoscimento vocale (IBM), per il riconoscimento di immagini (M.I.T. di Boston, USA), per la ripulitura dei segnali nelle telecomunicazioni (AT&T), per il riconoscimento di scrittura, per l'ottimizzazione della computer graphic, per le previsioni meteo, per motori di ricerca in Internet e per le ricerche di dati in database di notevoli dimensioni (Data Mining, data base marketing). 3.2 Le applicazioni in ambito aziendale I problemi economico-finanziari hanno sempre rappresentato un importante banco di prova per i sistemi informatici in quanto il progetto e la risoluzione di modelli descrittivi e predittivi risultavano estremamente complessi e difficilmente trattabili attraverso i tradizionali approcci computazionali. La recente diffusione di sistemi di intelligenza artificiale, l'estensione del loro utilizzo da applicazioni di calcolo scientifico a domini applicativi più generali, consente oggi di affrontare in maniera più appropriata anche i problemi del settore economico-finanziaro ed aziendale in genere. L'utilizzo di sistemi esperti, reti neurali e delle altre tecniche di I.A. consente di passare ad un ulteriore stadio di automazione di meccanismi operativi aziendali, finalizzati al miglioramento della competitività aziendale che coinvolge i processi decisionali, la qualità del lavoro, la cultura organizzativa e altre variabili strutturali del sistema informativo. Le applicazioni S.Siracusa e M. Ferlicca Tesina sull Intelligenza Artificiale 32

33 più frequenti riguardano la selezione del personale, le previsioni finanziarie e le applicazioni di Marketing per il profiling Il Data Mining Nell'ultimo decennio si è avuta una crescita delle capacità sia di generare che di collezionare dati. I dispositivi di immagazzinamento delle informazioni sempre più veloci, più economici e di maggiori potenzialità, il miglioramento dei sistemi di gestione di database (DBMS)e la tecnologia dei Data Warehouse, hanno permesso di trasformare questa gran quantità di dati in potenziali informazioni memorizzate nei database. La disponibilità di tale quantità di dati ha fatto pensare alla possibilità di poter effettuare delle analisi differenti da quelle tradizionali, che non consentissero la semplice produzione di report informativi ma l'individuazione e l'estrazione di conoscenze utili. Per tale scopo sono necessari nuovi strumenti e tecniche capaci di supportare in modo automatico ed intelligente la ricerca di informazioni all'interno di questa enorme quantità di dati. Uno strumento adatto a tale scopo è il Data Mining. Per Data Mining (DM) si intende l'estrazione di informazioni nascoste in grandi banche dati; costituisce una nuova tecnologia che offre enormi potenzialità alle aziende. Gli strumenti di Data Mining sono in grado di predire gli andamenti futuri e i comportamenti fornendo ai decision makers aziendali informazioni utili a guidare il processo decisionale. Il processo automatico di ricerca adottato dalle metodologie di Data Mining va al di là dell'analisi di serie storiche offerta dagli attuali strumenti di supporto alle decisioni. Le S.Siracusa e M. Ferlicca Tesina sull Intelligenza Artificiale 33

34 banche dati vengono analizzate per la ricerca di informazioni che gli esperti non sono in grado di individuare nell'enorme mole di dati da elaborare. Le tecniche di Data Mining possono essere implementate sulle attuali piattaforme hardware e software esistenti e, inoltre, possono essere integrate all'interno di nuovi prodotti e sistemi. Le predizioni possono essere notevolmente migliorate se si dispone di grandi database. Se implementati su sistemi client/server ad elevate prestazioni o su sistemi paralleli, gli strumenti di Data Mining sono in grado di analizzare enormi database aventi capacità di Gbytes o di Tetrabytes. Le tecniche di Data Mining sono il risultato di un lungo processo di ricerca e sviluppo di metodi e prodotti. Questa evoluzione, cominciata nel momento in cui fu possibile memorizzare i dati aziendali nei computer, continua oggi, grazie alla progressiva riduzione dei tempi di accesso ai dati e al notevole aumento delle capacità di memorizzare dei supporti hardware. Solo recentemente, però, sono apparse tecnologie in grado di navigare in tempo reale nei dati aziendali. La diffusione del Data Mining nel mondo commerciale e finanziario è oggi resa possibile grazie all'esistenza di metodi e tecnologie in grado di: memorizzare enormi quantità di dati e di accedervi velocemente; elaborare in parallelo; usare sofisticati algoritmi per il Data Mining. Gli algoritmi per il Data Mining si basano su tecniche apparse almeno una decina di anni fa ma, solo recentemente, sono stati implementati metodi affidabili e realmente utilizzabili anche da un utente finale esperto del settore aziendale che si intende analizzare. Le prestazioni di tali algoritmi sono in grado di superare quelle dei tradizionali metodi statistici. S.Siracusa e M. Ferlicca Tesina sull Intelligenza Artificiale 34