Posted on

Un esperto valuta obiettivi e limiti di un mondo, nonostante tutto, sempre affascinante.


Obiettivi dell’Intelligenza Artificiale

la ricerca condotta sull’intelligenza artificiale ha due obiettivi: uno prettamente ingegneristico e l’altro scientifico.

Il progetto di tipo ingegneristico è basato sullo sviluppo di metodi per costruire sistemi utili ed intelligenti; l’obiettivo scientifico è quello di capire, attraverso modelli computazionali, i meccanismi del pensiero e del comportamento.

Perseguire obiettivi di questo tipo significa poter disporre di uno spazio – memoria molto grande e di una notevole potenza di calcolo.

Questa necessità ha determinato un notevole sviluppo e un massiccio miglioramento delle tecniche computazionali che ha necessitato di una sempre crescente potenzialità delle macchine, sia dal punto di vista della potenzialità che della velocità di calcolo.

Basti pensare, ad esempio, che il modello del ragionamento, basato sulla potenza non sarebbe potuto essere sperimentato con la memoria e la potenza di calcolo disponibili all’inizio degli anni ’80.

Questo modello di ragionamento basato sulla memoria è stato proposto da Waltz (1988) il quale asserisce che i metodi dell’intelligenza artificiale sono stati fortemente distorti dal calcolatore digitale e che quindi è necessario concepire macchine completamenti differenti da quelle in uso attualmente.

Nel 1991 Rodney Brooks nella sua conferenza “computer and Tought” ha ulteriormente ribadito il concetto espresso da Waltz asserendo che l’uso dei calcolatori ha esercitato una forte influenza sui nostri modelli di pensiero.

L’alternativa proposta da Brooks in merito a questo problema e detta Architettura di sussunzione basata sulla capacità di collegare un particolare aspetto ad uno più generale che lo contiene e lo giustifica.

Pertanto capire la natura delle risorse computazionali di cui oggi lo sperimentatore dispone consente, secondo Brooks, di prevedere quali saranno disponibili in futuro.

Oggigiorno si parla di calcolatori massicciamente paralleli.

Queste macchine rappresentano un vero successo nel campo della tecnologia microelettronica e nel campo delle architetture.

Il progresso della tecnologia microelettronica è molto veloce e costante; la capacità dei “chip” di memoria e di accesso diretto, dram, cresce in un anno del 40%; la prestazione dei microprocessori cresce con un tasso del 20 – 30% all’anno.

Il sucesso dell’I.A, da un punto di vista ingegneristico, è dato dall’impatto economico e sociale che ha nel mondo.

Limiti dell’Intelligenza Artificiale

I limiti dell’intelligenza artificiale sono strettamente correlati alle caratteristiche che la definiscono:

  • Rappresentazioni formali: i modelli tradizionali usano schemi di rappresentazione della conoscenza rigidi e formali.


Affinché il sistema possa usare la conoscenza, questa deve essere rappresentata. Ciò significa che il sistema non possiede alcuna conoscenza implicita (propria).


  • Interfaccia guidata da regole: il regolamento è guidato da regole e principi, che sono astratti e permetto di trasferire su un piano generale la conoscenza che ci deriva da esperienze particolari.


Le conoscenze specifiche vengono, cioè manipolate e catalogate secondo criteri che ci permetto di inserirle in un contesto più generale universalmente valido.


  • Metodi forti: poiché il sistema dipende da conoscenze e da regole esplicite, per poter costruire un sistema basato sull’impostazione tradizionale è necessario capire bene la teoria del dominio specifico, cioè capire quali sono le reali applicazioni del sistema e quali le probabili soluzioni che da esso ci si può aspettare.
  • Basi di conoscenza artigianali: la conoscenza e le regole sono codificate mediante il lavoro manuale.. Questo lavoro di codifica deve essere fatto da esperti del ramo.

La ricerca è stata impostata in modo da permettere lo sviluppo di sistemi intelligenti in domini estremamente ristretti.

Ad esempio lo studio di sistemi di traduzione automatica e di altri sistemi di conoscenza ha mostrato la difficoltà di creare domini estesi.

Infatti è relativamente facile costruire sistemi di traduzione automatica in grado di tradurre poche frasi molto complesse piuttosto creare sistemi capaci di tradurre correttamente migliaia di frasi di media complessità.

Ragioni del fallimento dell’Intelligenza Artificiale tradizionale nel mondo reale

Affinché le applicazioni dell’intelligenza artificiale abbiano successo nel mondo reale è necessario che la macchina disponga di una massiccia potenza di calcolo, di una grossa memoria e di enormi risorse di dati e di reti a larga banda.

Inoltre i sistemi di calcolo devono essere potenziati su una scala di ordine superiore (scaled – up).

Ad esempio i sistemi che sfruttano il linguaggio naturale devono avere una dimensione tale da contenere tutti i termini di uso comune, molti termini specialisti ed un numero tale di regole di grammatica in grado di coprire tutte le strutture sintattiche.

Ciò significa che in un sistema di traduzione automatica, il dizionario dovrebbe contenere da mezzo milione ad alcuni milioni di parole in entrata e che le regole di grammatica dovrebbero essere più di diecimila.

Inoltre, per essere sistemi (scaled – up) ed essere inseriti nel mondo reale dovrebbero essere in grado di contrastare le perturbazioni date dall’ambiente e le risorse di dati incomplete.

Questi dati, però, devono essere inseriti nella macchina e comunque, la macchina deve essere dotata della capacità di elaborare i suddetti dati.

Poiché la conoscenza deve esistere nella mente degli esperti, allora l’expertise deve essere trascritta in forma operativa e trasferita al sistema.

Ciò però comporta degli inconvenienti che non consentono all’impostazione tradizionale dell’intelligenza artificiale di esplicarsi con successo nel mondo reale.

I fattori che determinano una tale limitazione sono i seguenti:

  • Incompletezza: spesso è impossibile possedere un insieme completo di conoscenze per un dato problema.


Infatti, pur possedendo un livello di conoscenza molto alto, l’esperto stesso non sempre è in grado di trasferirla completamente al sistema.

Una parte di conoscenza, spesso, rimane inespressa e ciò implica che una cera quantità di conoscenza non è disponibile.


  • Contraddittorietà: a volte l’insieme di conoscenze che viene rappresentato può essere contraddittorio. Ciò è dovuto o al fatto che non sono stati considerati aspetti importanti a mantenere la coerenza dell’informazione o perché gli esperti stessi hanno una conoscenza del problema che non è coerente.
  • Non correttezza: nel trasferire la conoscenza non c’è alcuna garanzia che quella posseduta dagli esperti sia corretta e che la relativa trascrizione sia coerente. Infatti in una larga conoscenza costituita da migliaia di frame (strutture) ci debbano essere per forza dati errati.


Statisticamente l’errore è dello 0,5% cioè in un milione di frame circa cinquemila sono non corretti.


A queste limitazione legate all’impostazione se ne aggiungono altri quali:

  • Preconcetti umani: il modo con cui viene espressa la conoscenza risente delle teorie relative ai singoli problemi trattati, se le teorie sono errate lo sforzo è inutile.
  • Trattabilità: il sistema, man mano che cresce diventa sempre meno trattabile a causa delle complesse interazioni che ricreano.
  • Economia: se le regole da applicare sono frutto della conoscenza degli esperti allora lo sviluppo del sistema diventa un compito di alta intensità di lavoro.

Nonostante gli sforzi compiuti, è tutt’oggi, da un punto vista empirico, non si è pervenuti all’eliminazione di questi problemi.

Sicuramente il limite più grosso dell’impostazione tradizionale dell’intelligenza artificiale è rappresentato dallo scaled – up per sistemi esperti.

Secondo la Breadth Hyothexis (Lenat e Feigenbaum) questa robustezza del sistema può essere raggiunta mediante una impostazione puramente simbolica.

S.G. (Ricercatore)