L’INTELLIGENZA

ARTIFICIALE E L’ETICA
Percorso di educazione civica
 ▶ Prova a dire la parola che ti evoca
l’intelligenza artificiale.
▶ Cita un ambito in cui sai che viene
utilizzata l’intelligenza artificiale.
▶ Credi che l’intelligenza artificiale
possa superare l’uomo?
▶ Sei preoccupato dallo sviluppo delle
tecnologie intelligenti?

BRAINSTORMING
▶ La capacità di una macchina di compiere funzioni e fare
ragionamenti in modo simile alla mente umana.
▶ Disciplina che studia se e in che modo si possono riprodurre
I processi mentali più complessi mediante l’uso di un
computer.
▶ Disciplina che studia i fondamenti teorici, le metodologie e le
tecniche che consentono di progettare sistemi hardware e
software atti a fornire all’elaboratore elettronico prestazioni
che ad un osservatore umano sembrerebbero essere di
pertinenza esclusiva dell’intelligenza umana.
▶ Suo scopo non è quello di replicare tale intelligenza,
obiettivo che per taluni è addirittura non ammissibile, bensì
di riprodurre o emularne alcune funzioni.

DEFINIZIONE DI AI
Hobbes (1588–1679)
«In qualunque campo in cui c'è posto
per l'addizione e la sottrazione c'è
anche posto per la ragione; dove
queste cose mancano la ragione non
ha niente da fare»

STORIA DELL’AI
STORIA DELL’AI
STORIA DELL’AI
▶ Cos’è un ragionamento?
▶ E’ meccanizzabile il ragionamento? Se sì, quale parte è
meccanizzabile?

▶ OBIETTIVO: ricercare un’equivalenza tra uomo e macchina se

esiste

IL RAGIONAMENTO E’
MECCANIZZABILE?
▶ L’algoritmo è un ragionamento, ma vale
il contrario?
▶ Se la macchina risolve problemi, che tipo
di problemi è in grado di risolvere?
▶ Quali problemi sono risolvibili mediante
un algoritmo?
RAGIONAMENTO E ALGORITMO
▶ Un algoritmo è una descrizione non
ambigua di una sequenza finita di passi che
consente di risolvere un determinato
problema a partire da dati iniziali.
▶ L’algoritmo come il ragionamento ambisce
a risolvere un problema.
▶ Le macchine lavorano con gli algoritmi e
possono risolvere problemi.
ESEMPI DI ALGORITMI
 ▶ Problema della decidibilità: è sempre possibile trovare
un algoritmo che dato l’input produca in automatico
l’output?
▶ Se no, su quali altri tipi di problemi e/o su quali aspetti
della realtà e dati può ragionare una macchina?
▶ A Parigi, al Congresso Internazionale dei matematici del
1900, David Hilbert presentava 23 problemi irrisolti, che
avrebbero dovuto guidare la ricerca del nuovo secolo ->
essi erano problemi di decisione (risposte sì o no).
▶ Esempio: stabilire se un numero è primo.
▶ I ragionamenti che mirano a risolvere problemi di
decisione sono trasformabili in algoritmi?

PROBLEMI DI DECISIONE – DAVID HILBERT

▶ Non è sempre possibile tradurre in algoritmo un problema di
decisione.
▶ La dimostrazione è illuminante: affrontiamo il problema di decidere
se un problema di decisione è traducibile in un algoritmo.
▶ Tale problema messo di fronte a dover decidere di sé stesso,
dimostra Turing, non può avere un algoritmo risolutivo.
▶ Nel mentre, Turing inventa la famosa macchina di Turing, primo
modello di automa universale, che ha dato sviluppo ai moderni
computer ed è tuttora un punto di riferimento tra cosa è una
macchina e cosa non lo è.

LA DIMOSTRAZIONE DI TURING
 ▶ Quali sono i dati di partenza della mente nei ragionamenti?
▶ Quali quelli delle macchine?
▶ Sono diversi o possono corrispondere?

PROBLEMA DELLA CODIFICA

LA TEORIA DI PITAGORA

▶ (580 a.C) raffigurato da Raffaello ne “La

Scuola di Atene”
▶ Tutto è numero!
LA REALTA’ E’ NUMERO

Immagine reale 36 x 28 pixel

18 x 14 pixel
LA REALTA’ E’ NUMERO

▶ (70,136,162)
▶ 27% di rosso
▶ 53% di verde
▶ 63% di blu
LA REALTA’ E’ NUMERO

L’onda sonora
Il suono

Il campionamento
DALL’INFINITO AL
FINITO
▶ I computer usano un linguaggio binario,
con un alfabeto fatto di due soli simboli: 0
e 1.
▶ I calcoli sono riducibili a tre operazioni
fondamentali AND, OR e NOT che
operano con 0 e 1.
▶ Es. AND equivale al connettivo logico “e
contemporaneamente”; OR equivale a
“oppure”; NOT è il “non”.

LA MACCHINA DI TURING
E I COMPUTER
▶ Si tratta di un test per determinare se una macchina
sia in grado di pensare come un essere umano.
▶ E’ stato suggerito da Alan Turing nell’articolo
“Computing machinery and intelligence”, apparso
nel 1950 sulla rivista Mind.
▶ Se la percentuale di volte in cui Charles indovina
chi sia l’uomo e chi la donna è simile prima e
dopo la sostituzione di Bob con la macchina, IL TEST DI TURING
allora l’algoritmo dovrebbe essere considerato
intelligente, dal momento che – in questa
situazione – sarebbe indistinguibile da un essere
umano.
 Scoprire l’anatomia e la fisiologia del
cervello, per costruire macchine che ne
copino la struttura per emularne il
funzionamento.

LA SVOLTA
 MCCULLOGH E PITTS

▶ Il cervello può fare tutto quello che può calcolare

un calcolatore.
▶ E’ vero il contrario?
 CERVELLO E
CALCOLATORE
 CERVELLO E
CALCOLATORE
 CERVELLO E
CALCOLATORE
CERVELLO E CALCOLATORE
 L’IMPORTANZA
DELL’ESPERIENZA
▶ Cosa permette di risolvere
problemi laddove la risposta
non è certa, ma dettata dal
“buon senso” o intuizione?
▶ L’esperienza di quanto appreso
in precedenza.
 ▶ Nasce così l’Intelligenza Artificiale.
▶ Il termine viene coniato dal professor
John McCarthy durante un convegno
tenutosi a Darmouth nel 1956.
▶ Come infondere l’esperienza, l’intuito a
un calcolatore?
▶ La domanda trova una risposta nel 1957
quando lo scienziato Frank Rosemblatt
inventa il Perceptron.

A NASCITA DELL’INTELLIGENZA ARTIFICIALE

 IL PERCEPTRON E L’APPRENDIMENTO DI HEBB

▶ Perceptron: è il modello matematico di un neurone biologico in

cui ci sono degli input rappresentati da valori numerici e un output
che alimenta a sua volta altri perceptron.
▶ Apprendimento di Hebb: se un neurone A contribuisce
ripetutamente a stimolare un neurone B, allora l’efficacia del loro
punto di contatto (sinapsi) si rafforza dando luogo a un
potenziamento a lungo termine (LTP).
▶ Diversamente, se la stimolazione di un neurone A non è sufficiente
ad attivare il neurone B, l’efficacia della loro sinapsi tende a
diminuire, fino a sparire dando luogo alla depressione a lungo
termine (LTD).
STIMOLO E APPRENDIMENTO
 IL PESO SINAPTICO

▶ Il perceptron sarà sottoposto a stimolazione.

▶ L’esperienza sarà “impressa” nei pesi sinaptici.
▶ Si parte assegnando valori casuali ai pesi sinaptici.
▶ Si sottopongono alla rete più stimoli; per ogni input si
registra l’output calcolato secondo le regole del neurone
artificiale.
▶ Se la risposta calcolata corrisponde all’output desiderato si
rinforzano le connessioni aumentando i pesi altrimenti si
diminuiscono i pesi.
▶ Al termine dell’apprendimento, il perceptron avrà pesi
sinaptici e soglia definiti.
▶ Avrà imparato a classificare i successivi stimoli che gli
daremo; si ricordi sempre che il perceptron può fare solo
classificazione binarie.
ATTIVITA’ PRATICA
https://machinelearningforkids.co.uk/