L Intelligenza Artificiale F orse tra non molti anni la programmazione intuitiva sarà la regola; potrebbe essere normale operare in un laboratorio di informatica costituito di stazioni intelligenti, dotate di visori e strumenti per l interazione simulata e l apprendimento virtuale; l intelligenza artificiale sarà un concetto normale da tutti acquisito (o solo un sogno mai realizzato). Oggi, le cose non stanno ancora nè affatto così: la realtà (quotidiana, quella che ci coinvolge nelle piccole cose di ogni giorno) è cangiante ed articolata, con fattori che - apparentemente indipendenti come il battito d ali della farfalla a Tokio che provoca il tifone nelle Azzorre - interagiscono tra di loro con risultati difficilmente prevedibili. Solo in una collana di fiction gli esperti (come fece il grande Isaac Asimov) possono permettersi il lusso di prevedere ciò che accadrà, immaginando nel frattempo le giustificazioni da fornire quando le previsioni puntualmente non si avvereranno.
2 L INTELLIGENZA ARTIFICIALE 1 L Intelligenza Artificiale L Intelligenza Artificiale si occupa essenzialmente dello studio e della riproduzione - artificiale - dei comportamenti intelligenti. Il dibattito sull intelligenza artificiale ha avuto, nel tempo, molti alti e bassi, ma è ancora oggi in grande fermento. Non si vuole qui discutere su cosa si intenda per intelligenza, nè tantomeno se tale qualità possa essere attribuita ad una macchina. Attualmente il settore che fa capo all I.A. si occupa di svariati argomenti e coinvolge diverse discipline, oltre all informatica in senso stretto. Si parla di visione e riconoscimento automatico degli oggetti, di comprensione del parlato, di sviluppo automatico dei processi di apprendimento, etc. Tutti questi sono temi che hanno a che fare con il comportamento umano, definito intelligente. In quest ambito i sistemi esperti sono probabilmente l applicazione dell I.A. meglio riuscita dal punto di vista commerciale. Questi sono dei sistemi hardware/software che si comportano come un esperto umano in un certo settore applicativo, e quindi possono trarre conclusioni, dare suggerimenti e consulenza, etc. a partire da una serie di informazioni memorizzate detta base di conoscenza ed applicando un insieme di regole (dette di inferenza ). Inizialmente, tutto ciò che si occupava dei comportamenti intelligenti era ritenuto di pertinenza dell I.A. L area dell IA si è progressivamente ridotta secondo uno schema del tipo seguente:
Crescenzio Gallo 3 INIZIALMENTE TUTTO È IA (CERVELLO ELETTRONICO) COMPUTER PER PROBLEMI NUMERICI IA PER ALTRI PROBLEMI PROBLEMI PROCEDURALI (COME) IA PER PROBLEMI NON PROCEDURALI (COSA = DICHIARATIVI) LINGUAGGI DICHIARATIVI IV GENERAZIONE IA IL RESTO? IA Gli obiettivi attuali dell intelligenza artificiale riguardano: l elaborazione simbolica; la simulazione della conoscenza e del ragionamento; i problemi mal definiti o non risolvibili (eccesso di complessità computazionale); la simulazione dell apprendimento. Non è ancora ben noto come funziona il cervello umano. Forse è una composizione variabile di: deduzione, induzione, palusibilità; meccanismi euristici; convincimenti; coscienza/incoscienza dei limiti; sensazioni; soggettività, ignoranza, falsa conoscenza.
4 L INTELLIGENZA ARTIFICIALE C A M P I D I A P P L I C A Z I O N E sistemi esperti; robotica; elaborazione linguaggio naturale; riconoscimento voce, calligrafia, immagini, etc.; planning (problemi di sequenza); giochi; problemi mal definiti (scheduling,...). A R E E D I R I C E R C A rappresentazione della conoscenza; metodi di ragionamento; trattamento dell informazione incerta/incompleta/imprecisa; apprendimento; metodi euristici di ricerca delle soluzioni; efficienza dei sistemi; shell: sistemi di sviluppo per l IA. C A R A T T E R I S T I C H E rappresentazione della conoscenza in forma dichiarativa; motore inferenziale: modello di utilizzo della conoscenza per risolvere problemi (il termine inferire è sinonimo di arrivare ad una conclusione ); tentativo di rappresentare la conoscenza ed i metodi di ragionamento con linguaggi formali logico/matematici.
Crescenzio Gallo 5 Sistema Esperto BASE DI CONOSCENZA DATI + CRITERI DI INFERENZA MOTORE INFERENZIALE I N T E R F A C C I A U T E N T E U T E N T E possibilmente intelligente SOTTOSISTEMA DI SPIEGAZIONE fatti; regole di produzione; altri dati relativi alla rappresentazione della conoscenza (frame, reti semantiche, script, etc.), ai criteri di ragionamento ed all imperfezione della conoscenza e del ragionamento. realizzazione dell algoritmo inferenziale (SEARCH) + euristica + controllo esterno + apprendimento + test coerenza + classificazione +... Un sistema esperto è uno strumento in grado di aiutare gli utenti che necessitano la capacità di giudizio e l esperienza di uno specialista di un settore ben preciso. Esso svolge funzioni analoghe a quelle di un esperto umano, emulandone il processo decisionale e l attività di supporto e consulenza.
6 L INTELLIGENZA ARTIFICIALE A P P R O C C I O D I B A S E : LOGICA DEI PREDICATI Predicato: funzione a due valori vero o falso. Esempio: capitale(nazione) città è una funzione a più valori (per ogni nazione il risultato è una città); capitale(nazione, città) è un predicato: la funzione di associazione fra nazione e città può essere solo vera o falsa. Fatto: predicato applicato a valori e con risultato sempre vero. Esempio: capitale(italia, Roma) è un fatto e come tale è vero. Goal (obiettivo): predicato del quale si vuol conoscere il valore del risultato o di una variabile. Esempio: capitale(islanda, x?) (qual è la capitale dell Islanda?); capitale(islanda, Praga?) (Praga è la capitale dell Islanda?). FORMULA/REGOLA DI PRODUZIONE (FATTI CONDIZIONATI) if p then q se p è vero, allora q è vero dallo stato p deriva l azione q p e q sono predicati con argomenti variabili. Esempio: if padre(x, y) and padre(y, z) then nonno(x, z) L algebra dei predicati consente l uso degli operatori (connettivi) logici: AND, OR, NOT e del quantificatore universale (per ogni...) ed esistenziale (esiste almeno un...).
Esempio di Inferenza Fatti Regole F1: uccello (struzzo) F2: uccello (aquila) F3: vola (aquila) R1: if uccello (x) then produce-uova (x) R2: if uccello (x) then sangue-caldo (x) R3: if produce-uova (x) then produce-cibo (x) R4: if vola (x) then ha-ali (x) Crescenzio Gallo 7 GOAL: produce-cibo (struzzo)? Ci sono due approcci: Query, o ricerca forward (in avanti) ai fatti: vengono applicate le regole possibili fino a raggiungere il goal o verificare che non è raggiungibile; Dimostrazione, o ricerca backward (all indietro): al goal supposto vero, si applicano le regole possibili sino a verificare l esistenza o meno di fatti dai quali è deducibile il goal. R1 produce-uova (struzzo) uccello (struzzo) R3 produce-cibo (struzzo) R2 sangue-caldo (struzzo) Query FORWARD: dai fatti (veri) al GOAL produce-cibo (struzzo) R3 produce-uova (struzzo) R1 uccello (struzzo) ASSERZIONE o DIMOSTRAZIONE BACKWARD: dal GOAL ai fatti
8 L INTELLIGENZA ARTIFICIALE V A N T A G G I D E L L A P P R O C C I O I. A. La base di conoscenza può essere facilmente aggiornata/modificata; dati e regole sono trattati allo stesso modo; forma strettamente dichiarativa; generalità del metodo. S V A N T A G G I completezza/congruenza/correttezza della base di conoscenza; inefficienza; approssimazione modello inferenziale; alcuni limiti di base (Esempio: la non disponibilità di un fatto (Ignoranza) è trattata come Falsità) le regole non sono commutative. Molti problemi sono riconducibili a: valutazione di un goal (query); percorso per raggiungere un goal (stato finale). Ci sono vari approcci per la rappresentazione della conoscenza intesa come base di dati (grafo degli stati, frame, reti semantiche, script, reti neurali,...). L obiettivo è rappresentare gli oggetti del mondo reale e le relazioni fra di essi e il mondo esterno. La rappresentazione del ragionamento è più spinosa. Il ragionamento può essere (almeno): deduttivo (regole produzione, inferenza); induttivo (generalizzazione); abduttivo: deduzione plausibile. La deduzione non è utilizzabile in condizioni di informazione incompleta, incerta, approssimativa, etc.
Crescenzio Gallo 9 Per tentare di trattare il ragionamento plausibile si possono adoperare alcuni strumenti concettuali, quali: probabilità bayesiana; teoria dell EVIDENZA (Arthur Dempster), estensione della probabilità bayesiana, tendente ad approssimare il concetto di convinzione; teoria dell INCERTEZZA (paraprobabilità grossolana); fuzzy sets; approccio euristico sulla causalità della CONVINZIONE. P R I N C I P I O D I I N C O M P A T I B I L I T À Un asserzione è tanto più vera quanto più è vaga, e tanto meno certa quanto più è precisa (precisione e certezza sono incompatibili): principio di indeterminazione di Heisemberg. Per esempio, l asserzione: IN ITALIA CI SONO TRA 50 E 65 MILIONI DI ABITANTI è vaga ma certa; l asserzione: IN ITALIA CI SONO 64.832.415 ABITANTI è precisa, ma quasi certamente non vera. D I F F I C O L T À P R A T I C H E insufficiente approssimazione dei modelli; insufficiente accuratezza dei dati; numero delle alternative da esaminare crescente troppo rapidamente; rappresentazione e trattamento delle eccezioni; definizione del dominio di applicabilità; inefficienza.
10 L INTELLIGENZA ARTIFICIALE Da un punto di vista algoritmo si impatta con l esplorazione di alberi di grandi dimensioni: SEARCH Le regole euristiche mirano a limitare la parte dell albero esplorata. Un altro approccio è la ricerca guidata dall utente.