Iprogressi ci sono stati e ci sono, ma Un ma che fa riflettere quanti si occupano

Transcript

1 I quaderni di A cura di Alberto Mucci Dall intelligenza artificiale alla vita artificiale Iprogressi ci sono stati e ci sono, ma Un ma che fa riflettere quanti si occupano di vita artificiale, quale ulteriore sbocco dell intelligenza artificiale. Perché certamente, come Media Duemila puntualmente documenta da oltre vent anni, l uomo ha costruito, passo dopo passo, pezzo dopo pezzo, i robot che giocano al calcio e i robot che vincono nel gioco degli scacchi, battendo l intelligenza dell uomo-giocatore. Ma eccoci al ma la strada dell intelligenza artificiale, come osserva giustamente il coordinatore scientifico di questo Quaderno, Andrea Paoloni, appare promettente sul piano tecnico e conoscitivo, senza portare peraltro sul piano applicativo ai risultati promessi. È bene ricordarlo. L intelligenza artificiale nasce e si sviluppa con la nascita e lo sviluppo del computer, macchina in grado di elaborare una crescente quantità di dati. L intelligenza artificiale acquista dignità di scienza nel 1956, con un obiettivo dichiarato: creare una macchina in grado di emulare l uomo, fino all autocoscienza; di superarlo in alcune circostanze La prima generazione di questa scienza è quella che utilizza i computer di grandi dimensioni, ma con capacità di calcolo ancora limitata. Seguono la seconda e la terza generazione, caratterizzate dall utilizzo di computer di dimensioni sempre più ridotte, ma sempre più capaci di elaborare con rapidità, i dati, di incrociarli, di arrivare a risultati. E così la quarta generazione. Lungo questa strada (e siamo alla quinta generazione ) l attenzione viene rivolta alla ricerca di come imitare il funzionamento del cervello, composto di neuroni. Ci si è infatti accorti che il difetto, se così possiamo chiamarlo, del Pc sta nella difficoltà di interagire con l ambiente, contrariamente all uomo, la cui caratteristica peculiare è proprio quella. grazie ai neutroni del suo cervello, di rispondere, con atti e comportamenti coerenti, all ambiente di cui è parte. La vita artificiale utilizza modelli che riproducono le caratteristiche del cervello, del corpo, dell ambiente fisico. Il Quaderno li illustra. Li spiega. Li racconta per fare il punto di uno scenario che si caratterizza, a questo punto, con molti ma. Supplemento al numero 226 di maggio 2005 di

2 Indice I molti modelli dell intelligenza artificiale Robotica Cognitiva Analisi Concettuale dei Dati: dalla teoria alla pratica Sistemi artificiali con capacità linguistiche: intelligenza artificiale o vita artificiale? 60 Il Quaderno è stato realizzato dalla Fondazione Ugo Bordoni (Presidente il Prof. Giordano Bruno Guerri, Direttore Generale il Consigliere Guido Salerno, Direttore delle Ricerche l ing. Mario Frullone). Coordinatore del Quaderno l ingegnere Andrea Paoloni. Hanno collaborato: Luca Iocchi, Dipartimento di Informatica e Sistemistica Università La Sapienza di Roma; Claudio Carpineto, Giovanni Romano, Fondazione Ugo Bordoni; Domenico Parisi, Istituto di Scienze e Tecnologie della Cognizione - Consiglio Nazionale delle Ricerche. Sono usciti nel 2004/2005: Non confondere la biometrica con il grande fratello febbraio 2004 Dal call center al contact center marzo 2004 La larga banda si diffonde, cambia la vita della gente aprile 2004 I campi elettromagnetici non sono più sconosciuti maggio 2004 Anche l Italia si dota di un organismo che certifica la sicurezza informatica giugno 2004 Il digitale terrestre accende i motori luglio-agosto 2004 Una sfida dell Europa a 25: la molteplicità delle traduzioni settembre 2004 Infomobilità: si può viaggiare rimanendo sempre informati ottobre 2004 Il controllo dell ambiente si attua mettendo a punto reti efficienti novembre 2004 Televisione e telefonini quale integrazione? dic gennaio 2005 Agire digitale. Più banda larga; più servizi febbraio 2005 La tv digitale porta nuovi servizi nelle famiglie marzo 2005 Ci avviciniamo al 4G: la convergenza delle tecnologie digitali aprile 2005

3 I molti modelli dell intelligenza artificiale Si può definire Intelligenza Artificiale (IA) la disciplina scientifica che si propone la costruzione di meccanismi che ripetano le attività umane chiamate intelligenti o mentali, o superiori. Resta da definire cosa si intenda con il termine intelligenza e come valutare se una macchina possa o meno essere definita tale. Storicamente le macchine che aiutano il lavoro dell uomo hanno via via acquistato maggiore autonomia: si pensi al tornio, dapprima mosso manualmente, poi con un motore, oggi in grado di fornire autonomamente il pezzo desiderato. Le macchine intelligenti sarebbero pertanto quelle in grado di sostituire l uomo in operazioni complesse, quali ad esempio la guida di un veicolo, la bonifica di un campo minato, o semplicemente il gioco degli scacchi. Un altro esempio di macchina intelligente è quello di un sistema in grado di comunicare con l uomo in linguaggio naturale: poiché il linguaggio articolato è ritenuto l elemento che distingue l uomo dagli animali superiori, una macchina in grado di dialogare con noi può essere considerata intelligente. Un altra applicazione dell IA è quella della modellistica del sistema nervoso. In altri termini si tratta di costruire un modello semplificato di una parte dell apparato nervoso dell uomo mediante il quale studiare i meccanismi di funzionamento della mente. Le considerazioni ora esposte si possono riassumere affermando che l intelligenza artificiale è quella caratteristica delle macchine che consente loro di svolgere un attività che, se svolta dall uomo, sarebbe riconosciuta intelligente. Questa definizione è sostanzialmente quella assunta dalla cosiddetta intelligenza artificiale debole che si limita a studiare macchine sempre più automatiche. A questa posizione si contrappone la intelli- genza artificiale forte che ha l obiettivo di realizzare una macchina intrinsecamente intelligente, anche più intelligente dell uomo. Il notissimo computer HAL del film Odissea nello spazio è una esemplificazione di questo secondo obiettivo. Un altro schema di classificazione è quello che contrappone l IA simbolica, che cerca di realizzare macchine che funzionano sulla base di regole di tipo logico-matematico, e che costituisce il filone originario di questa disciplina, alla IA sub simbolica che cerca di simulare fenomeni, quali l apprendimento, attraverso un imitazione dell organizzazione fisica del cervello umano. Di quest ultimo approccio, denominato connessionismo, parleremo più diffusamente nel seguito. Un altra difficoltà nello spiegare cosa si intenda con il termine macchine intelligenti, è dovuta all impossibilità di definire in maniera rigorosa l intelligenza umana. Tra le definizioni di intelligenza che si trovano nelle enciclopedie, proponiamo la seguente: l intelligenza consiste in un insieme di caratteristiche proprie che rivelano la capacità individuale di selezionare ed organizzare la molteplicità degli stimoli ambientali in classi significative e che rendono possibile all uomo di trattare oggetti diversi come equivalenti. Gli psicologi tendono ad includere nello studio dell intelligenza l esame dei processi mediante i quali l uomo trae informazioni dall ambiente. Sulla base di questa definizione l obiettivo di realizzare computer intelligenti è ancora molto lontano. Quanto agli obiettivi dell Intelligenza Artificiale, essi comprendono quelli utilitaristici dell intelligenza artificiale debole, tesi a realizzare macchine di sempre più facile uso e controllo, quelli dell intelligenza artificiale forte, che sognano di realizzare computer in grado di rivaleggiare in intelligenza con l uomo e quelli del- Maggio

4 I molti modelli dell intelligenza artificiale l approccio sub-simbolico o connessionista orientati allo studio della mente umana. Storia dell intelligenza artificiale Creare una macchina in grado di imitare l uomo è un sogno perseguito da tempi molto lontani. Erone di Alessandria, vissuto circa un secolo prima di Cristo, progettò sistemi prodigiosi tra i quali un meccanismo in grado di far aprire le porte di un tempio ad un ora prefissata. Nel corso dei secoli dispositivi diversi, per lo più resi funzionanti da un uomo nascosto, producevano miracolosamente suoni e voci. Particolarmente famoso, e certamente da annoverare tra i tentativi di produrre una macchina intelligente, è il Turco meccanico (vedi fig.1), una macchina per giocare a scacchi inventata dal Barone Von Kempelen, che girò l Europa esibendosi in numerosi corti e battendo a scacchi Napoleone Bonaparte e Caterina di Russia. Si suppone che all interno dell automa fosse nascosto un vero giocatore di scacchi che, tramite meccanismi nascosti, comandava le mosse dell abile giocatore turco. Nessun trucco invece nell anitra meccanica realizzata da Vaucanson che era in grado di muovere le ali, nuotare, nonché di mangiare e digerire come una vera anatra. Dobbiamo quindi dedurre che la robotica basata su meccanismi meccanici, iniziò nel 700. È tuttavia l invenzione del calcolatore, intorno al 1940, che fece nascere l ottimistica idea di poter realizzare, in tempi brevi, sistemi in grado di mostrare una qualche intelligenza. Nacque dapprima la cibernetica, che è la scienza che studia i sistemi di controllo e di co- Figura 1 Il turco meccanico 38 Iquadernidi

5 Dall intelligenza artificiale alla vita artificiale Tabella I Breve storia dell intelligenza artificiale 1943 McCulloch Pitts: modello di neurone a circuiti booleani 1950 Articolo di Turing: Computing Machinery and Intelligence Look, ma, no hands! 1950 Primi programmi di AI, la dama (Samuel), Logic Theorist (Newell & Simon), geometry Engine (Gelernter) 1956 Scuola di Dartmouth: il nome Artificial Intelligence 1958 Mc Carthy sviluppa il LISP 1965 Robinson introduce il principio di risoluzione L AI scopre la complessità computazionale La ricerca sulle reti neurali più o meno sparisce 1970 Primo Sistema Esperto MYCIN 1979 Sistema Esperto PROSPECTOR Esplode l industria dei Sistemi Esperti Crolla l industria dei Sistemi Esperti: inverno dell AI Rapida crescita di spessore tecnico dell AI. Nouvelle AI : Alife, Genetic Algorithms, soft computing 1985 Le reti neurali tornano in voga 1988 Metodi probabilistici e teoria delle decisione risorgono 1988 Nouvelle AI : Alife, Genetic Algorithms, soft computing 1991 Ritorna la robotica e la visione 1993 AAAI Robotics Contet 1995 Agenti software e multi agenti 1997 Semantic web 1997 RoboCup municazione nelle persone e nelle macchine. La sua nascita si fa risalire all anno 1942, nel corso di un congresso tenuto a New York, durante il quale venne proposto uno scambio di conoscenza tra i fisiologi e i tecnici che si occupavano del controllo dei sistemi. Il termine cibernetica fu coniato da Norbert Wiener, uno dei principali fondatori di questa disciplina. Nel campo della cibernetica sono da inquadrare i calcolatori elettronici, tutte le macchine a retroazione e le macchine che imitano la vita. Fanno pertanto parte della cibernetica la robotica e la bionica dove, con il primo termine, si vengono ad indicare sia quei sistemi sofisticati di controllo che consentono a bracci meccanici di operare nella costruzione di apparati industriali, sia i robot antropomorfi che, dotati di sensori che simulano la percezione umana, dovrebbero comportarsi all incirca come un uomo; con il secondo termine si denota l integrazione di componenti elettronici nel corpo umano, in genere in sostituzione di organi danneggiati. Sempre nell ambito della cibernetica è da inquadrarsi una disciplina che ha poi trovato un suo proprio spazio: l intelligenza artificiale. L intelligenza artificiale si propone di indagare i meccanismi alla base della cognizione umana e quindi può essere considerata una branca della cibernetica, in quanto quest ulti- Maggio

6 I molti modelli dell intelligenza artificiale ma tende ad indagare e simulare tutti i meccanismi di funzionamento dell uomo. La storia dell intelligenza artificiale inizia negli anni 50; sembra che il termine intelligenza artificiale sia nato durante un incontro, organizzato presso il Darthmouth College nel 1956, al quale parteciparono tra gli altri Marvin Minsky, Claude Shannon, Herbert Simon e Allen Newell. La nascita dell intelligenza artificiale fece ritenere che nel breve volgere di anni le macchine, ovvero i computer, sarebbero stati in grado di battere al gioco degli scacchi il più grande campione, tradurre da una lingua all altra 1, dimostrare importanti teorie matematiche, comunicare verbalmente con l uomo (vedi Tab. I). Ai primi entusiasmi fecero tuttavia seguito numerose disillusioni: né il General Problem Solving, né la traduzione automatica risposero alle aspettative. I detrattori sostenevano che l IA era in grado di risolvere solo i toy problems ovvero piccoli problemi appositamente definiti. Negli anni 80 tuttavia esplode l industria dei sistemi esperti. I Sistemi Esperti Il primo prodotto commerciale frutto delle tecniche dell intelligenza artificiale è stato quello dei sistemi esperti. Un sistema esperto è un programma realizzato per sostituire o affiancare un esperto in un determinato campo applicativo. Un esempio molto noto di applicazione è quello delle diagnosi mediche (Mycin), un altro quello della prospezione geologica (Prospector), un altro ancora quello dell economia e degli investimenti finanziari. Un sistema esperto basa il suo funzionamento su due componenti principali: una base di conoscenza, nella quale dovrebbero essere riversate tutte le competenze note sull applicazione identificata, e un motore inferenziale, del tipo if - then (se-allora), che utilizza i dati contenuti nella base della conoscenza per formulare ipotesi di soluzione. A questi due blocchi si affianca l interfaccia uten- 1 Sul tema della traduzione, sul suo iniziale fallimento e sugli attuali progressi si veda il fascicolo dei quaderni di Telema su Media Duemila n 219 settembre te, che consente di comunicare al sistema i dati del caso in esame e attraverso la quale il sistema fornisce il risultato. I sistemi esperti ebbero ampia diffusione negli anni 80 e per tali sistemi furono realizzati appositi linguaggi (o meglio Shell), tuttavia l interesse andò gradualmente affievolendosi soprattutto a causa di due limiti significativi. In primo luogo era necessaria la presenza di un esperto umano che fornisse al sistema le conoscenze relative al dominio applicativo non solo per la costruzione ma anche per l aggiornamento del sistema ed era necessario un altro esperto, che realizzasse il motore inferenziale. In secondo luogo questi sistemi non sono in grado di utilizzare nelle loro decisioni le conoscenze empiriche informali che nell esperto umano si aggiungono a quelle strutturate. Questa tecnologia è stata sempre meno utilizzata perché non in grado da sola di dare una risposta equivalente a quella che fornirebbe un esperto umano e perché la realizzazione e la manutenzione di un sistema esperto è dispendiosa in quanto necessitano le competenze congiunte dell ingegnere della conoscenza e dell esperto del dominio. Quinta Generazione Nel 1980 il governo giapponese formulò un eccezionale progetto di ricerca e sviluppo nel dominio dell IA con l obiettivo di produrre, in un decennio, una nuova generazione di computer basati sull elaborazione della conoscenza. Si trattava di un importante cambio di paradigma, la transizione dall elaborazione dell informazione all elaborazione della conoscenza, dal computer che calcola e memorizza dati al computer che ragiona ed informa. Il progetto iniziò nel 1982 con la inaugurazione dell istituto per le tecnologie dei computer di nuova generazione denominato ICOT. Questo piano visionario impressionò grandemente gli Stati Uniti e l Europa che ritennero necessario avviare progetti significativi nella stessa direzione. La quinta generazione di computer avrebbe dovuto discostarsi significativamente dalle precedenti quattro, tra loro diversificate nelle tecniche utilizzate che erano: 40 Iquadernidi

7 Dall intelligenza artificiale alla vita artificiale Tabella II Generazioni di calcolatori Caratteristiche tecnologiche Caratteristiche del software 1944 Mark 1 Relè elettromagnetico Predisposizione manuale dei circuiti di calcolo A generazione Calcolatori a valvole Linguaggio macchina, linguaggi assemblativi Transistor, memorie di ferrite, Linguaggi ad alto livello, librerie 2 A generazione dischi magnetici di sottoprogrammi, elaborazione batch Circuiti integrati a bassa e Multiprogrammazione, sistemi operativi per 3 A generazione media integrazione multiprogrammazione, informatica distribuita Circuiti ad alta integrazione, Sistemi concorrenti, sistemi operativi iconici 4 A generazione memorie a semiconduttore le valvole termoioniche per la prima generazione, i transistor per la seconda, i circuiti integrati per la terza e i circuiti integrati a larga scala (VLSI, Very Large Scale Integrated) per la quarta (v. Tabella II). Le quattro generazioni di computer basavano il loro funzionamento sull architettura detta di Von Neumann (vedi fig. 2), i computer di quinta generazione avrebbero utilizzato nuove architetture ad alto parallelismo, nuove organizzazioni di memoria e soprattutto nuovi linguaggi di programmazione e nuove unità aritmetiche in grado di operare su simboli invece che su numeri. Queste nuove macchine avrebbero manipolato la conoscenza. I progettisti volevano che i computer di quinta generazione fossero in grado di interagire verbalmente ed attraverso le immagini con l uomo, inserendosi in ogni gruppo della società. Per utilizzarli non sarebbe stata necessaria una conoscenza specifica delle leggi di programmazione; inoltre queste macchine avrebbero dovuto essere economiche ed affidabile per essere usate ovunque da chiunque. Ad oltre venti anni dal progetto quinta generazione si può affermare che gli obiettivi prefigurati non sono stati raggiunti. L architettura degli attuali computer è ancora quella seriale di Von Neumann, i computer elaborano informazioni e non conoscenze e l interazione con l utente non avviene, di norma, in linguaggio naturale. L investimento tecnologico ha avuto molti interessanti ricadute ma certamente l obiettivo quinta generazione non può ritenersi centrato. Il connessionismo Con il termine connessionismo o reti neuronali (neural networks) si denota una tecnologia che si basa sulla imitazione del funzionamento del cervello umano. Una rete neuronale è un modello computazionale del cervello costituito da una rete composta da nodi (anche chiamati unità o neuroni) e di connessioni tra i nodi. A ciascun nodo è associato un numero, definito come attivazione del nodo, e a ciascuna connessione un altro numero, chiamato peso. Le connessioni sono assimilati alle sinapsi e i pesi alla forza di attivazione (vedi fig. 3). Nelle reti neuronali ci sono inoltre dei nodi speciali che vengono attivati dall esterno, chiamati nodi d ingresso e altri nodi speciali, chiamati nodi d uscita. L attivazione di ciascun nodo è basata sulle attivazione dei nodi a lui più vicini e al peso di ciascuna di queste connessioni. Una rete neu- Maggio

8 I molti modelli dell intelligenza artificiale ISTRUZIONE IND. ISTRUZIONI IND. DATI UNITÀ DI CONTROLLO ESECUZIONE MEMORIA DATI RISULTATI UNITÀ ARITMETICA Clock DISPOSITIVI I/O Figura 2 Architettura seriale Von Neumann. ronale è un sistema parallelo ma, a causa della non disponibilità di computer paralleli, la rete viene simulata sui convenzionali computer seriali. L addestramento di una rete neuronale avviene aggiustando i pesi attraverso opportune regole di apprendimento. Due principali metodi vengono utilizzati a questo fine: il più comune è quello supervisionato che opera il confronto tra i risultati attesi e quelli ottenuti e opera opportuni aggiustamenti sui pesi in modo che l uscita converga ai risultati voluti; l altro metodo, chiamato di autoapprendimento o non-supervisionato, seleziona tra le uscite quella più alta e privilegia le connessioni che conducono a tale nodo. L approccio connessionista differisce significativamente dall approccio simbolico dell intelligenza artificiale classica: mentre nell IA si cerca di formalizzare un insieme di regole in grado di trattare simboli in modo utile alla soluzione di un qualche problema, nel connessionismo si cerca di costruire un sistema che, opportunamente addestrato, sia in grado di svolgere il compito affidatogli. La storia delle reti neuronali inizia negli anni 40 con un lavoro di McCullough e Pitt ma la ricerca ebbe un arresto negli anni 60 a causa dell uscita di un volume, Perceptrons che dimostrava la non convergenza di questi sistemi. L attività riprese nel 1980 quando vennero proposti i percettroni mul- tistrato che superavano le limitazioni denunciate negli anni 60. Nel 1985 una conferenza sulle reti neuronali ebbe grande successo e stimolò la ricerca nell area. L interesse in questo approccio crebbe velocemente così che nel 1987 i lavori presentati alla conferenza erano raddoppiati. La situazione in Italia seguì quella internazionale e nel 1990 il CNR lanciò il progetto reti neurali avente lo scopo di coordinare i gruppi italiani che operavano nel settore con l obiettivo di qualificarne la presenza a livello internazionale ed organizzarne la partecipazione ai progetti europei. Il tema delle reti neuronali rimase molto attivo per tutti gli anni 90, poi l interesse cominciò a diminuire, anche perché in nessuna applicazione significativa le reti neuronali avevano dimostrato di funzionare meglio degli approcci tradizionali. L approccio connessionista resta tuttavia un modello di grande interesse per lo studio del funzionamento del cervello. Oggi tale approccio viene in qualche misura riproposto con l etichetta di Vita Artificiale. A quest ultimo tema è dedicato un articolo della presente monografia 2. 2 Parisi Domenico, Sistemi artificiali con capacità linguistiche: intelligenza artificiale o vita artificiale,. 42 Iquadernidi

9 Dall intelligenza artificiale alla vita artificiale Capacità di calcolo del cervello umano Qualora si voglia stimare la possibilità che in futuro una macchina possa essere intelligente come un uomo può essere utile un confronto tra l intelligenza artificiale e quella naturale basato sulla mera capacità di calcolo dei due sistemi. Come è noto la capacità di calcolo dei computer viene valutata in termini di numero di operazioni per secondo utilizzando come unità di misura o il Mips (Milione di istruzioni per secondo) o il Mflop (milione di operazioni in floating point per secondo). Più complesso si presenta il problema di valutare la capacità di calcolo del cervello umano in unità che possano essere comparate con quelle precedentemente indicate. Sono stati proposti vari modi per valutare la capacità elaborativa del cervello. Si possono contare le sinapsi e valutare la loro velocità di funzionamento determinando così il numero massimo di operazioni per secondo; ci sono circa sinapsi che producono circa 10 impulsi al secondo per una capacità elaborativa pari a operazioni al secondo. Un altro approccio consiste nel valutare la capacità elaborativa della retina, sistema di cui il funzionamento è noto, e quindi moltiplicare questa stima per il rapporto tra le dimensioni del cervello e quelle della retina stessa. Con questo approccio si calcola che il cervello sia in grado di seguire da a operazioni al secondo. Infine si può misurare l energia totale usata dal cervello per ogni secondo e stimare l energia necessaria per svolgere una singola operazione. Il rapporto tra queste due energie fornisce l ulteriore stima pari a operazioni al secondo. Quale che sia l approccio scelto appare che la capacità di calcolo del cervello è compresa tra e operazioni al secondo e quindi ancora superiore a quella fornita dai computer oggi disponibili, tuttavia la differenza rispetto ai sistemi di maggiore potenza attualmente in costruzione è assai ridotta ed è vicino il momento in cui, dal punto di vista della potenza di calcolo il computer raggiungerà l uomo. Naturalmente questa stima non tiene conto del programma che dovrà utilizzare la potenza di calcolo resa disponibile e solo sulla base di un programma opportuno questa intelligenza potenziale potrà essere attivata. I limiti dell IA Nel valutare, a distanza di oltre 50 anni dal famoso seminario che ne decretò la nascita, i risultati ottenuti dall intelligenza artificia- Uscite Ingressi Figura 3 Esempio di rete neuronale Maggio

10 I molti modelli dell intelligenza artificiale le se ne può dare un giudizio sia positivo che negativo, l IA può essere considerata un successo o un fallimento. Circa la possibilità sostenuta dai teorici dell intelligenza artificiale cosi detta forte, secondo la quale le macchine potranno raggiungere e, perché no, superare l intelligenza umana, nulla si può dire in quanto, come abbiamo visto, il sistema cervello gode ancora oggi, rispetto alla sua replica elettronica, di ampli margini di vantaggio. Ed è invece sostenibile la posizione di chi afferma che solo superando una certa capacità di calcolo, una macchina potrà dimostrare un effettiva intelligenza. Quello che è certo è che, al crescere della disponibilità di memoria e della velocità di elaborazione, le prestazioni dei computer in un attività tipicamente umana quale il riconoscimento del parlato, sono migliorate significativamente. Anche la capacità di riconoscere, attraverso le telecamere, oggetti predeterminati va progressivamente migliorando. Pertanto se seguiamo l approccio dell intelligenza artificiale cosi detta debole, possiamo sostenere che un computer è oggi in grado di simulare, in molte applicazioni, le capacità dell intelligenza umana, ed in alcune applicazioni superarla. Si possono elencare importanti progressi in quasi tutte le aree oggetto di studio e sono state vinte alcune sfide: si riteneva che mai un computer avrebbe battuto un campione di scacchi ma il DEEP BLUE dell IBM ha sconfitto nel 1997 Garry Kasparov, campione del mondo. I sistemi di traduzione presentano limiti importanti, ma i loro risultati sono quotidianamente utilizzati; le macchine per scrivere vocali sono sempre più diffuse e i sistemi di dialogo vengono usati nei centralini automatici, la robotica sta uscendo dalla fase della automatizzazione dei processi di produzione per produrre robot domestici come AIBO. Bisogna tuttavia riconoscere che l obiettivo di realizzare un computer intelligente non è stato nemmeno sfiorato. Le differenze più importanti tra il traguardo che ci si era posti e i sistemi oggi disponibili vanno ricercati nelle limitate possibilità di percezione e nella scarsa generalità dei computer intelligenti. Per quanto attiene la percezione basti dire che non esiste un computer in grado di elencare, sulla base delle immagini che può ricavare dai suoi occhi elettronici, il contenuto di una stanza. La percezione, come è noto, non consiste nella semplice capacità di sentire una qualche sensazione (acustica, visiva, tattile) ma nell organizzare questa sensazione sulla base della conoscenza del mondo esterno. In altri termini percepire significa elaborare le sensazioni provenienti dal mondo esterno per ottenere un modello di detto mondo. La percezione quindi richiede un intelligenza di tipo particolare che non è a tutt oggi disponibile ai computer. Relativamente alla generalità tutti sappiamo che un computer può essere programmato per applicazioni molto diverse, tuttavia non esiste nessun sistema computer-programma di controllo in grado di giocare a scacchi, rispondere al telefono, eseguire calcoli complessi, disegnare, rispondere a domande sulla storia, ecc. I sistemi oggi disponibili sono in grado di svolgere, talvolta meglio di un uomo, di volta in volta, una sola delle sopraindicate attività. L intelligenza artificiale oggi Nel presente quaderno sono state illustrate due aree applicative che si stanno rivelando particolarmente interessanti: l information retrieval, ovvero la manipolazione dell informazione contenuta in forma non strutturata per ricavarne notizie utili e la robotica, ovvero la realizzazione di automi in grado di imitare, con sempre miglior precisione, il comportamento umano. L ultimo articolo, infine, è dedicato ad un tema centrale di quell area dell intelligenza artificiale volta a studiare il funzionamento della mente umana. Questo approccio, denominato vita artificiale (Alife), studia modelli che riproducono le caratteristiche di un uomo nel suo interagire con l ambiente al fine di formulare ipotesi sperimentali sul comportamento dello stesso. Questo approccio, di grande interesse teorico, non ha prodotto finora risultati applicativi importanti ma, secondo alcuni, è il solo che consentirà di superare alcuni 44 Iquadernidi

11 Dall intelligenza artificiale alla vita artificiale dei limiti più rilevanti del tradizionale approccio simbolico. Sembra quindi ragionevole affermare che, anche se gli entusiasmi suscitati da questa disciplina hanno portato a grandi delusioni e critiche, se la macchina non è ancora in grado di interagire verbalmente e liberamente con l uomo, tuttavia i progressi sono continui. Pur non volendo fornire date che potrebbero essere smentite, come lo sono state quelle indicate nel passato, possiamo dire che le prestazioni delle macchine continueranno a progredire ed il loro contributo alla nostra vita diverrà sempre più significativo. Quanto alla possibilità che le macchine raggiungano, superata una certa soglia di intelligenza, l autocoscienza, i sistemi oggi disponibili sono troppo lontani da tale meta perché ci si ponga il problema. Più immediato è il problema di cautelarsi da malfunzionamenti che provochino danni alla persona o alle cose. Macchine guidate da automi o i robot domestici come AIBO potrebbero fare danni gravissimi e sarà necessario studiare dispositivi di sicurezza per evitarli, ma sarà altresì necessario introdurre esplicite norme per attribuire in modo giusto le responsabilità. Andrea Paoloni Fondazione Ugo Bordoni Robotica Cognitiva UNO DEGLI SCOPI DELL INTELLIgrado di operare in ambienti GENZA ARTIFICIALE è quello di costruire sistemi autonomi in dinamici e complessi. In particolare, un obiettivo alla base di diversi progetti di ricerca è quello di sviluppare un sistema di robot autonomi che svolgano compiti complessi in ambienti parzialmente noti e nei quali gli eventi che occorrono non possono generalmente essere previsti a priori. Lo sviluppo di un tale sistema richiede di affrontare diversi temi di ricerca che ricoprono vari campi dell Intelligenza Artificiale. Percezione, riconoscimento di oggetti, localizzazione, navigazione, pianificazione, coordinamento sono alcuni esempi di problemi che devono essere affrontati per realizzare un sistema in grado di operare in ambienti dinamici e complessi. La Robotica Cognitiva è un campo di ricerca che coniuga le attività di ricerca nella realizzazione di piattaforme robotiche mobili, nello sviluppo di algoritmi per la robotica mobile e nelle tecniche di intelligenza artificiale. L obiettivo principale è quello di integrare tali conoscenza al fine di realizzare un robot o meglio una squadra di robot cognitivi, in grado di operare nell ambiente, percepire il mondo circostante, prendere decisioni in funzione dello stato dell ambiente e coordinarsi per raggiungere un obiettivo comune. L approccio seguito nei lavori descritti in questo articolo è di tipo ingegneristico, in cui si vuole realizzare un sistema in grado di svolgere i compiti voluti suddividendo il problema in una serie di funzionalità di base e integrando opportunamente le tecniche più consolidate. In particolare, le principali caratteristiche da definire per progettare e implementare una squadra di robot cognitivi sono: 1) un formalismo per definire la conoscenza del robot sull ambiente circostante e sulle sue capacità di agire nell ambiente; 2) un sistema di ragionamento automatico in grado di derivare piani (ovvero programmi) che possano essere eseguiti per raggiungere gli obiettivi prefissati; 3) un meccanismo di esecuzione in grado di eseguire efficacemente tali piani, monitorando lo stato dell ambiente ad ogni istante tramite meccanismi percettivi; 4) un protocollo di coordinamento che consente di suddividere il lavoro del Maggio

12 Robotica Cognitiva sistema in compiti più semplici e di assegnare questi compiti ai singoli robot in maniera che la loro interazione consenta di raggiungere l obiettivo comune. Esempi di applicazioni Prima di illustrare alcuni aspetti tecnici della realizzazione di robot cognitivi, è utile dare un idea dei domini di applicazione in cui queste tecniche vengono impiegate. In questa sezione si presentano pertanto tre esempi di applicazione: i robot calciatori, che partecipano alle competizioni RoboCup; i robot per il salvataggio di vittime in ambienti post-terremoto; i robot per l assistenza a disabili o persone anziane in ambiente domestico. Robot Calciatori La federazione RoboCup organizza dal 1997 competizioni mondiali di carattere scientifico tra robot mobili al fine di promuovere la ricerca in robotica e intelligenza artificiale e confrontare i risultati tecnici di diversi gruppi di ricerca. Come compito di riferimento è stato scelto il gioco del calcio, perché è abbastanza complesso, molto noto nel mondo, e richiede di affrontare una vasta serie di problemi tecnici e scientifici. La sfida (e l obiettivo ultimo) della RoboCup è che una squadra di robot umanoidi completamente autonomi siano in grado di competere e possibilmen- Figura 1 Un azione di gioco Figura 2 Lo schieramento te vincere contro i campioni del mondo entro il L obiettivo è sicuramente molto ambizioso, ma 50 anni di sviluppo tecnologico sono moltissimi, se si pensa che ne sono passati poco più di 60 tra il primo volo e lo sbarco sulla luna e circa altrettanti tra la creazione del primo computer all evento in cui un computer ha sconfitto il campione mondiali di scacchi. La federazione RoboCup organizza ogni anno una competizione mondiale a cui partecipano centinaia di squadre da tutto il mondo in diverse categorie: robot su ruote di piccole e medie dimensioni, robot quadrupedi, robot umanoidi, e alcune categorie di calcio simulato. È importante ricordare che i robot devono essere completamente autonomi, ovvero durante le gare non sono guidati da operatori umani, ma sono governati esclusivamente dai programmi di controllo che vengono eseguiti al loro interno. Ciascuna categoria inoltre pone l accento su temi diversi dei campi della robotica e dell intelligenza artificiale, e al momento quella che più si presta ad applicare tecniche di robotica cognitiva è la Four-Legged League (la categoria dei robot quadrupedi Sony AIBO). In Figura 1 e 2 vediamo alcune immagini di una partita. Le squadre sono formate da quattro robot, un portiere e tre giocatori. Il campo ha degli elementi colorati che permettono ai robot di riconoscere i vari oggetti (palle e porte) e di localizzarsi (mediante l uso di linee e dei marcatori colorati intorno al campo). Il regolamento varia di anno in anno rendendo sempre 46 Iquadernidi

13 Dall intelligenza artificiale alla vita artificiale più difficile e impegnativo il compito. Ad esempio, mentre nelle precedenti competizioni era previsto un muretto di recinzione del campo, quest anno tale barriera è stata rimossa, rendendo più difficile l attività del robot che deve fare attenzione a non uscire dal campo e perdersi. Robot per il soccorso Partendo da esigenze reali, negli ultimi anni la federazione RoboCup ha esteso le attività di competizione ai robot per il soccorso. Infatti, mentre il calcio robotico è utile per lo sviluppo di tecniche di base e a scopo didattico e di intrattenimento, i robot per il soccorso possono avere un importanza applicativa immediata, in quanto possono aiutare gli operatori del soccorso a individuare le vittime di un evento catastrofico (terremoto, alluvione, ecc.). Infatti i robot possono essere utilizzati per arrivare laddove le persone non possono, o comunque dove sarebbe troppo pericoloso andare. Il compito è difficile, soprattutto a causa del fatto che l ambiente in cui il robot deve operare è ostile, non è noto a priori, è difficile da interpretare, e in alcuni casi non è possibile mantenere il contatto con gli operatori umani. Per le competizioni tra robot di soccorso sono create delle arene di test di difficoltà crescente: la prima è un ambiente planare con pochi ostacoli, la seconda è a due livelli con una rampa, una scala e ostacoli di diversa grandezza, la terza è completamente non strutturata con macerie e detriti sparsi ovunque. In ogni arena vengono nascosti dei manichini che riproducono le sembianza umane e che sono dotati di emettitori di suoni, calore e possono muovere braccia o gambe. La mappa dell ambiente non è nota prima dell esecuzione della missione. La Figura 3 mostra un esempio di arena. Il compito del robot è quello di esplorare l ambiente, produrre una mappa, localizzare il maggior numero di vittime (manichini) su questa mappa nel minor tempo possibile. Data la complessità del compito è prevista la possibilità che il robot sia guidato da un operatore umano (quindi non completamente autonomo) a scapito però di una penalizzazione nel punteggio. Robot domestici Un altro campo di applicazione molto importante per la robotica cognitiva è quello dei robot domestici o robot di servizio. L aiuto o assistenza a persone disabili, anziani, ecc. da parte di un robot intelligente è stato identificato come un problema di interesse in quanto garantisce alla persona assistita una maggiore autonomia nelle attività quotidiane. Nello sviluppo di un robot domestico è cruciale approfondire i temi relativi all interazione Figura 3 Esempio di operazione di soccorso Maggio

14 Robotica Cognitiva uomo-robot, al fine di aumentare l accettabilità del sistema da parte dei potenziali utenti. Come è noto sono in commercio robot domestici della Sony, che attualmente però sono usati quasi esclusivamente per intrattenimento. Un recente progetto italiano sul tema, denominato RoboCare e coordinato dal CNR di Roma, ha l obiettivo di realizzare un sistema integrato di robot mobili, attuatori e sensori intelligenti, per l assistenza a persone anziane o disabili in ambienti domestici. Un esempio del robot in azione nell ambiente domestico sperimentale è mostrato nella Figura al lato. Architettura di un robot cognitivo La definizione di un architettura robotica è stato uno dei primi argomenti oggetto di studio sin dagli anni 80. Pur non esistendo un architettura di riferimento riconosciuta come ideale, esistono diverse soluzioni architetturali che consentono di realizzare efficacemente sistemi di robotica cognitiva. L architettura presentata in questa sezione mostra le componenti fondamentali di un robot cognitivo ed è quella usata nella realizzazione di diversi robot cognitivi relativi alle applicazioni illustrate precedentemente. L architettura, mostrata in Figura 4, è di tipo ibrido in quanto presenta diversi tipi di informazione a diversi gradi di aggregazione. È suddivisa in due livelli: il Livello Operativo elabora informazioni di tipo numerico e implementa da una parte procedure di analisi dei dati sensoriali (ad esempio elaborazione delle immagini, interpretazione di dati provenienti da sensori di distanza, ecc.), dall altra si collega con i dispositivi del robot per comandarne i movimenti; il Livello Deliberativo elabora informazioni di tipo simbolico e mantiene una rappresentazione esplicita della conoscenza dell agente che viene costantemente aggiornata nel tempo a seguito delle osservazioni sull ambiente. Si noti inoltre che le informazioni mantenute dall agente sul mondo circostante sono sia di tipo numerico che simbolico (World Model in Figura 4) e devono quindi essere mantenute coerenti nel tempo. Il flusso delle informazioni va genericamente dai sen- sori agli attuatori. È importante notare però che non esiste un solo flusso sincrono di dati, ma questi possono viaggiare in maniera asincrona tra le varie componenti dell architettura. Questo è fondamentale per evitare che procedure che richiedono molto tempo di calcolo (come ad esempio alcuni processi decisionali a livello deliberativo) non consentano un immediata risposta agli eventi del mondo quando necessario. Ad esempio, se un robot deve raggiungere una certa posizione obiettivo e si presenta in traiettoria un ostacolo, questo comporta un cambiamento solo nel livello operativo, che si occupa effettivamente di pianificare una traiettoria nuova per raggiungere il punto obiettivo evitando l ostacolo; mentre non è necessario modificare la conoscenza presente a livello deliberativo. D altra parte se la presenza dell ostacolo impedisce di trovare un percorso per raggiungere la posizione desiderata, allora questo deve essere riportato ad alto livello in quanto la situazione si configura come un fallimento nell azione e dovrà essere definita una nuova strategia. Un architettura asincrona consente quindi di reagire in tempi brevi ad eventi nel mondo, quando ciò è necessario, e di distinguere quali informazioni possono essere trattate a livello operativo e quali devono essere riportate a livello deliberativo, poiché richiedono un processo decisionale di alto livello. Questo meccanismo garantisce un grado di astrazione maggiore per il livello deliberativo. 48 Iquadernidi

15 Dall intelligenza artificiale alla vita artificiale Deliberative (simbolic) Modelling Symbolic World Model Reasoning System Operative (numeric) Sensors Data Interpretation Numeric World Model Control System Actuators Knowledge Acquisition Task Eecution Figura 4 Architettura di un robot cognitivo Componenti del Livello Deliberativo 3 Epistemica: da episteme = conoscenza; è un termine usato per indicare la presenza di una rappresentazione esplicita della conoscenza dell agente, a differenza di altri approcci in cui la conoscenza dell agente è distribuita nel codice del programma che viene eseguito su di esso. Rappresentazione della conoscenza ILa conoscenza simbolica del robot sull ambiente è descritta in una base di conoscenza contenente sia assiomi statici (cioè conoscenza di fondo dell ambiente) sia assiomi dinamici che descrivono l effetto delle azioni che il robot può eseguire nell ambiente. A questi assiomi si aggiunge una descrizione simbolica dello stato corrente e una o più descrizioni di obiettivi da raggiungere. Esistono molti meccanismi per rappresentare la conoscenza di un agente. La nostra scelta è stata di usare una rappresentazione epistemica 3, mediante la quale è possibile rappresentare esplicitamente la conoscenza dell agente sul mondo e distinguerla da ciò che invece è vero nel mondo. Questo permette di rappresentare correttamente le molte situazioni in cui il robot non conosce alcuni aspetti del mondo, consentendo di ragionare e prendere decisioni anche in condizioni di conoscenza incompleta. Inoltre, una logica epistemica consente di modellare azioni di percezione che sono le azioni specifiche utilizzate per acquisire conoscenza sul mondo. L uso di un formalismo per la rappresentazione esplicita della conoscenza dell agente è un fattore cruciale per la realizzazione di un robot cognitivo che deve operare in ambienti reali. Più precisamente, per la realizzazione dei nostri robot cognitivi, abbiamo definito una Logica Descrittiva Epistemica e le relative procedure di ragionamento che sono alla base del processo di pianificazione. Generazione ed Esecuzione di Piani Il meccanismo di esecuzione dei comportamenti del robot ad alto livello è incentrato nella nozione di piano. Un piano può essere interpretato come un programma che il robot deve eseguire al fine di raggiungere l obiettivo prefissato. Un problema fondamentale che si pone in questo contesto è decidere quali siano le azioni primitive (istruzioni di base) dei piani (programmi). Ad esempio, dobbiamo considerare l azione gira a destra, oppure raggiungi una certa posizione come azione primitiva sulla quale costruire i piani? Nel primo caso abbiamo azioni primitive molto semplici per cui sarà facile realizzarle a livello operativo, ma sarà poi più difficile definire un piano per svolgere un compito complesso a partire da azioni molto semplici. D altra parte usare azioni primitive più complesse facilita la realizzazione dei piani, ma rende più difficile l implementazione di tali azioni a livello operativo. La Maggio

16 Robotica Cognitiva giusta scelta è quindi quella di bilanciare la complessità di realizzazione tra i due livelli. Negli esempi che mostriamo in seguito esempi di azioni primitive sono: raggiungi una posizione data, segui un oggetto/persona, ecc. L implementazione di tali azioni richiede la soluzione dei problemi di percezione, localizzazione e navigazione illustrati nel seguito. Una volta definito l insieme delle azioni primitive che un robot può eseguire nell ambiente, un piano è una strategia di esecuzione di queste azioni per raggiungere un dato obiettivo. Esistono diverse rappresentazioni dei piani che permettono di esprimere diverse modalità di esecuzione. La formulazione più semplice è quella della sequenza di azioni, ovvero un piano è identificato con una lista di azioni. Questa rappresentazione è semplice, ma non consente l esecuzione concorrente di azioni, esecuzioni condizionali, esecuzioni cicliche, ecc. Un secondo formalismo di rappresentazione è quello che specifica un ordinamento parziale delle azioni; questo permette di eseguire azioni in parallelo, quando possibile. Per rappresentare esecuzioni condizionali (ovvero costrutti if-thenelse), si usano rappresentazioni dei piani basati su alberi, in cui i nodi a più figli determinano delle condizioni di scelta e l esecuzione successiva dipende dal valore di alcune variabili valutate durante l esecuzione del piano. Per rappresentare anche esecuzioni cicliche (costrutti while), si usa rappresentare i piani sotto forma di grafi di transizione in cui i nodi rappresentano gli stati del mondo e gli archi le azioni che costituiscono transizioni di stato. Nodi con più archi uscenti determinano diverse esecuzioni condizionali. È possibile adottare due approcci per la definizione dei piani: i piani possono essere scritti dall utente, eventualmente usando sistemi grafici per facilitare il compito, prima che l esecuzione del compito abbia inizio; ovvero si può utilizzare un sistema di pianificazione, che data la base di conoscenza del robot, contenente le informazioni sul mondo, la descrizione delle azioni che può eseguire, una rappresentazione simbolica dello stato iniziale e dell obiettivo, costruisce autonomamente un piano per raggiungere tale obiettivo. Il secondo approccio è ovviamente preferibile in quanto fornisce una maggiore flessibilità nella generazione di piani, anche in situazioni non previste prima dell inizio dell esecuzione del compito (pianificazione on-line). Tuttavia, un tale pianificatore richiede un tempo di calcolo elevato e per le forme più complesse di rappresentazione dei piani, la pianificazione automatica è ancora un problema aperto. A seguito degli studi sulla capacità di rappresentazione e sulle procedure di ragionamento in una Logica Descrittiva Epistemica, abbiamo sviluppato un pianificatore in grado di generare piani sotto forma di grafi di transizione, contenenti cioè costrutti if-then-else e while. Tali piani contengono sia azioni ordinarie, che determinano degli effetti diretti sul mondo, sia azioni di percezione che sono usate invece per acquisire informazioni dal mondo. Le azioni di percezione determinano il valore di alcune variabili che vengono valutate durante l esecuzione del piano e permettono di effettuare una scelta condizionata al risultato della percezione. Un piano viene eseguito da un modulo di esecuzione che naviga la struttura del piano partendo dallo stato iniziale, attivando e monitorando l esecuzione delle azioni corrispondenti alle transizioni di stato, verificando il risultato delle azioni di percezione per garantire l esecuzione condizionale e il raggiungimento di uno stato obiettivo. L esecutore ha anche il compito di individuare eventuali fallimenti delle azioni o del piano. In tal caso è solitamente necessaria un ulteriore fase di pianificazione (recupero dai fallimenti), oppure occorre abortire il compito quando la situazione dell ambiente è tale da non permettere al robot di portare a termine il suo compito. Coordinamento Multi-Robot Quando il sistema è costituito da più robot che operano insieme per raggiungere un obiettivo comune, è necessario che questi agiscano in maniera coordinata per evitare conflitti sulle risorse e per ottenere una prestazione maggiore rispetto al caso di singolo robot. Il coordinamento di più robot è 50 Iquadernidi

17 Dall intelligenza artificiale alla vita artificiale anch esso un campo di ricerca di grande interesse e sono state sviluppate diverse tecniche per diversi contesti applicativi. In particolare, ci sono due problemi che è necessario affrontare: come suddividere il compito generale del sistema in singoli compiti (o ruoli) che ciascun robot deve eseguire; come assegnare i compiti ai robot. Entrambi questi problemi possono essere risolti in maniera statica, cioè determinando a priori (cioè prima dell esecuzione) l insieme dei compiti che i robot devono svolgere e l assegnazione dei compiti a ciascun robot. Ad esempio, in una squadra di robot calciatori, possiamo definire a priori i compiti di attaccante, centrocampista, difensore e portiere e assegnare a priori quale robot fa l attaccante, quale robot fa il centrocampista, ecc. Mentre la suddivisione statica dei compiti è solitamente accettabile, poiché risulta direttamente da un analisi del dominio di applicazione del sistema, l assegnazione statica dei compiti ai vari robot è sicuramente non ottimale in termini di prestazioni. Ad esempio, in una squadra di robot calciatori vorremmo che fosse attaccante chi è più vicino alla palla e si sta dirigendo verso la porta avversaria, cioè vogliamo che l assegnazione dei compiti sia dinamica (avvenga cioè durante l esecuzione) e dipenda dallo situazione attuale. Per tale motivo sono stati fatti molti studi per realizzare meccanismi di assegnazione dinamica dei compiti. Quello sviluppato nei nostri sistemi si basa sulla valutazione di una funzione di utilità che viene calcolata da ogni robot per ciascun compito ad intervalli di tempo regolari in base allo stato percepito del mondo. La funzione di utilità misura in pratica l utilità per il sistema che un tale robot assuma un certo ruolo. Un algoritmo distribuito consente poi di scegliere l assegnazione robot-compito che massimizza l utilità totale della squadra tenendo conto anche di priorità tra i compiti (alcuni compiti sono più importanti e devono essere assegnati al robot che è nella migliore condizione per portarli a termine). Questo meccanismo di coordinamento si è rivelato molto efficace in ambienti molto dinamici come quello delle competizioni di calcio robotico, dove è importante cambiare i ruoli dei giocatori dinamicamente e rapidamente a seconda delle condizioni che si verificano durante la partita. Componenti del Livello Operativo Percezione UUn robot cognitivo deve essere in grado di percepire gli eventi che si manifestano nell ambiente al fine di eseguire i compiti per cui è stato realizzato in maniera efficiente. La percezione è quindi un processo fondamentale che deve consentire al robot di interpretare i dati provenienti dai sensori e capire il mondo circostante, al fine di prendere le decisioni corrette. Ad esempio, i robot calciatori scelgono l azione da svolgere in funzione della percezione della palla, della porta e dei robot avversari. Esistono una vasta gamma di sensori che possono essere usati su robot mobili per percepire diversi aspetti dell ambiente circostante. I più usati sono: telecamere (singole, stereo, o omni-direzionali), sensori di distanza (laser, infrarossi, o ad ultrasuoni), sensori di contatto, sensori di posizione, di velocità e di accelerazione, sensori odometrici, ecc. Come esempio, mostriamo una catena di elaborazione di un sistema di visione usato dai robot calciatori. Il sistema di visione deve elaborare le immagini provenienti da una telecamera a colori per riconoscere i vari elementi di gioco: palla, porte, linee del campo, marcatori, robot. Questi elementi sono riconosciuti sia in base al colore, che alla forma. Nella Figura 5 sono riprodotte alcune fasi di elaborazione delle immagini. L immagine originale viene prima filtrata per eliminare rumori e distorsioni delle telecamere: in particolare nella prima immagine in figura si può vedere un rumore dovuto ad un elevata componente di colore blu nei bordi dell immagine che viene rimossa da un apposito filtro. Successivamente una fase di segmentazione assegna ad ogni piel dell immagine un colore standard (bianco, verde, giallo, arancione, rosso, blu). Questi colori caratterizzano gli oggetti nel Maggio

18 Robotica Cognitiva campo: la palla è di colore arancione, le porte sono una gialla e l altra blu, ecc. La terza fase è quella del riconoscimento degli oggetti, mediante l uso di forma e colore. Ad esempio per riconoscere la palla si elabora l immagine considerando tutti i piel di bordo delle zone di colore arancione e verificando che questi siano in corrispondenza di una circonferenza. Ovviamente poiché le immagini e le procedure di elaborazione sono affette da errori e a causa di possibili occlusioni parziali degli oggetti, è necessario realizzare questi metodi in maniera robusta per garantire una buona affidabilità. Infine, sfruttando le informazioni dai sensori che misurano lo spostamento dei giunti dei robot e quindi la sua posizione, e applicando opportune trasformazioni geometriche, è possibile calcolare la posizione degli oggetti riconosciuti rispetto alla posizione del robot. Utilizzando questa strategia il robot può decidere ad esempio le azioni da compiere per raggiungere la palla. Localizzazione Al fine di operare correttamente in un ambiente il robot deve sapere dove si trova, ovvero deve essere localizzato rispetto ad un dato sistema di riferimento nell ambiente. Le tecniche di localizzazione sono diverse e dipendono principalmente dalle caratteristiche del robot, dai sensori usati per la localizzazione e dall ambiente. Ad esempio, i robot calciatori AIBO sono dotati di una telecamera che è usata per rilevare la posizione delle linee nel campo e dei marcatori (mediante un processo di percezione analogo a quanto esposto nel paragrafo precedente); invece i robot per il soccorso usano un sensore di distanza laser che individua ostacoli e pareti e sensori ad ultrasuoni in grado di rilevare vetri (che invece non sono rilevati dal sensore laser). Il processo di localizzazione si basa solitamente su due tipi di input: le informazioni percepite dai sensori dall ambiente circostante (linee, marcatori, pareti, ecc.); le informazioni ottenute dai sensori di spostamento (odometria). Integrando opportunamente queste informazioni si ottiene un sistema di localizzazione preciso ed affidabile. Navigazione e esecuzione di azioni Una volta che il robot ha percepito gli oggetti e gli eventi dell ambiente circostante e che conosce la sua posizione, può decidere quali azioni compiere al fine di raggiungere il proprio obiettivo. Per eseguire efficacemente le azioni è spesso necessario spostarsi per raggiungere una determinata posizione obiettivo. Ad esempio, il robot calciatore deve raggiungere la palla prima di calciarla, il robot di soccorso deve raggiungere una posizione dove esplorare l ambiente alla ricerca delle vittime, ecc. Il problema della navigazione è quindi quello di gestire gli attuatori del robot (ruote, zampe, ecc.) per muovere il robot verso la posizione desiderata evitando eventuali ostacoli durante il percorso. Questa attività si può dividere in due fasi: la pianificazione della traiettoria da eseguire; il controllo del robot per seguire la traiettoria pianificata. La seconda fase è ovviamente dipendente dalle caratteristiche del robot: la gestione del movimento di un robot su ruote è molto diversa dalla locomozione per un robot quadrupede o bipede. Infine, spesso sarà necessario implementare altre azioni specifiche del dominio di applicazione. Ad esempio, i robot calciatore AIBO implementano delle azioni per calciare la palla con le zampe o Figura 5 Elaborazione delle immagini 52 Iquadernidi

19 Dall intelligenza artificiale alla vita artificiale con la testa mentre un robot domestico dotato di un braccio meccanico avrà implementate delle azioni per prendere e rilasciare oggetti. Conclusioni approccio seguito per realizzare i robot L descritti in questo articolo è di tipo ingegneristico, in cui la realizzazione di un sistema complesso in grado di svolgere compiti in un ambiente dinamico è ottenuta separando il problema in una serie di funzionalità specifiche e integrando appropriatamente le soluzioni tecniche più appropriate. Il vantaggio di questo approccio risiede nel fatto che è possibile usare diversi tipi di rappresentazione delle informazioni a seconda delle funzionalità di base da implementare, in modo da garantire un utilizzo ottimale delle capacità di calcolo dell elaboratore che governa il robot. In alternativa, approcci basati su un singolo tipo di rappresentazione (ad esempio l approccio connessionista), pur essendo molto promettenti dal punto di vista applicativo, non sono ancora in grado di trattare in maniera efficace problemi complessi come quelli proposti negli esempi illustrati in questo articolo. Riferimenti Le attività relative ai robot calciatori sono svolte presso il Dipartimento di Informatica e Sistemistica dell Università La Sapienza di Roma, i robot di soccorso sono sviluppati nel Laboratorio SIED (Sistemi Intelligenti per le Emergenze e la Difesa civile) presso l Istituto Superiore Antincendi del Dipartimento dei Vigili del Fuoco di Roma, mentre il progetto Robo- Care è coordinato dall Istituto di Scienze e Tecnologie della Cognizione del CNR di Roma. I principali partecipanti a queste ricerche sono il Prof. Daniele Nardi, l Ing. Amedeo Cesta e gli studenti di dottorato Shahram Bahadori, Alessandro Farinelli, Giorgio Grisetti, Giuseppe Riccardo Leone, Vittorio Amos Ziparo. Informazioni più dettagliate sugli argomenti illustrati e in particolare sui progetti di ricerca descritti precedentemente sono disponili nei siti Luca Iocchi Dipartimento di Informatica e Sistemistica Università La Sapienza di Roma Analisi Concettuale dei Dati: dalla teoria alla pratica Nel 1982 Rudolf Wille scrisse un articolo nel quale reinterpretava alcuni risultati della teoria dei reticoli sviluppata da Birkhoff negli anni 30. In sostanza, si affermava il principio che a qualunque insieme di dati corrisponde un determinato insieme di concetti e che tali concetti formano un reticolo in senso algebrico (il reticolo concettuale). I dati devono essere espressi come oggetti descritti da attributi e i concetti identificano i sottoinsiemi di oggetti che hanno attributi in comune. Wille propose di utilizzare il reticolo concettuale per analizzare le relazioni esistenti fra i dati di ingresso, segnando di fatto la nascita dell analisi concettuale dei dati. L interesse per questa proposta rimase inizialmente confinato alle facoltà di matematica tedesche e si estese successivamente al mondo dell intelligenza artificiale, segnatamente all area dei grafi concettuali che faceva riferimento a John Sowa. A partire dalla metà degli anni 90, si è formata una comunita scientifica internazionale autonoma, i cui risultati hanno destato interesse anche nei principali settori che studiano le tecniche per Maggio

20 Analisi Concettuale dei Dati: dalla teoria alla pratica la rappresentazione e l estrazione della conoscenza, vale a dire l intelligenza artificiale, l apprendimento automatico e il Web semantico. Dal 2002 si svolge una conferenza annuale specialistica ( The International Conference on Formal Concept Analysis ) e sono stati pubblicati due libri sull argomento, uno sulla teoria matematica e uno sui metodi informatici e le applicazioni. A livello scientifico, è stato il fiorire delle applicazioni che ha guidato la crescita del settore. Negli ultimi anni, infatti, un numero crescente di specialisti in varie discipline si sono avvicinati all analisi concettuale dei dati attratti dalla sua generalità e versatilità. Da un lato, poiché l unico requisito è che i dati da analizzare siano espressi come un insieme di oggetti descritti da un insieme di attributi, il reticolo concettuale può essere estratto da tipi di dati differenti o eterogenei (ad esempio testi, record, o dati semi-strutturati). Dall altro, si è visto che la conoscenza esplicitata nel reticolo concettuale può supportare efficacemente vari tipi di compiti centrati sulla gestione dei contenuti, dall analisi esplorativa dei dati, all estrazione di regole, al reperimento delle informazioni. La letteratura scientifica al riguardo è vasta e ben documentata. Nel campo dell ingegneria del software, ad esempio, è stato dimostrato che l uso dei reticoli concettuali consente di svelare la struttura nascosta di un programma, facilitando fra l altro un nuovo tipo di analisi e fattorizzazione delle gerarchie di classi. Nel settore del data mining, l uso dei reticoli concettuali si è affermato come uno degli approcci più promettenti per l estrazione di regole e dipendenze, in particolare per risolvere il difficile problema della determinazione degli insiemi di elementi frequenti massimali nell induzione di regole di associazione. Anche per l information retrieval i reticoli concettuali si sono rivelati molto utili, sia come struttura di supporto all interrogazione e navigazione di una base documentaria, sia per recuperare i documenti pertinenti che non sono descritti utilizzando esattamente i termini dell interrogazione (problema del vocabolario). L impressione generale è che questa metodologia abbia grandi potenzialità che solo ora cominciano a dispiegarsi in pieno. Ormai i fondamenti teorici sono stabili, gli algoritmi per eseguire le operazioni principali sono disponibili, l integrazione efficace con tecniche convenzionali (ad esempio per l elaborazione dei testi o l induzione di regole) è stata dimostrata sperimentalmente, ed infine sono state sviluppate le prime applicazioni commerciali, in particolare per l analisi esplorativa dei dati e la gestione dei messaggi di posta elettronica. Nel prosieguo di questo articolo approfondiremo questi temi e presenteremo un applicazione dell analisi concettuale dei dati al problema di categorizzare in modo automatico i risultati recuperati dai motori di ricerca per il Web. Principi, algoritmi e applicazioni Un reticolo concettuale può essere sinteticamente descritto nel modo seguente. Da un insieme di oggetti descritti da un insie- respira in acqua (a) vola (b) ha il becco (c) ha le mani (d) ha lo scheletro (e) ha le ali (f) vive in acqua (g) è viviparo (h) fa luce (i) 1 Pipistrello 2 Aquila 3 Scimmia 4 Pesce pappagallo 5 Pinguino 6 Squalo 7 Pesce lanterna Figura 1 Il contesto dei vertebrati 54 Iquadernidi