Responsabilità e Regole dell'Intelligenza Artificiale. Francia e Stati Uniti a Confronto

Un'intelligenza artificiale, di base, non è altro che un software, un programma informatico. Ogni software a sua volta è l'espressione, in linguaggio informatico (c.d. code source), di un algoritmo, ovvero di "un insieme di regole e di istruzioni che permettono di realizzare una sequenza di operazioni volte alla risoluzione di un problema".

Sebbene siano alla base delle moderne tecnologie, gli algoritmi esistono, di per sé, da migliaia di anni. Gli scribi dell'antica Mesopotamia si servivano di regole per compiere addizioni e moltiplicazioni, Euclide, nel 300 a.C., elaborò una formula per calcolare il massimo divisore comune fra due numeri. Seppur basilari, questi sono, a tutti gli effetti, esempi di algoritmi. Allo stesso modo, una ricetta di cucina, delle indicazioni stradali, le istruzioni di montaggio del comodino IKEA, sono tutti algoritmi, procedimenti diretti al raggiungimento di un obiettivo.

Il libretto delle istruzioni, tuttavia, ci dice come dovrebbero essere assemblati i vari pezzi del nostro comodino, niente di più. Comporlo spetta a noi, non senza fatica. La nascita del computer ha permesso di automatizzare questi procedimenti.

Ciò che distingue gli algoritmi appena visti da quelli informatici odierni è, infatti, la capacità di questi ultimi di produrre il risultato ricercato in maniera autonoma. Una volta programmato con le istruzioni necessarie al raggiungimento dell'esito voluto, l'algoritmo sarà in grado di analizzare i dati forniti e di giungere alla soluzione senza il bisogno di un ulteriore intervento umano. Il sistema GPS di Google, ad esempio, funziona in questo modo. Dopo aver analizzato i vari percorsi possibili, ci indica il più breve per portarci da un punto A ad un punto B.

I traguardi raggiunti in campo di intelligenza artificiale negli ultimi anni sono, tuttavia, da attribuire allo sviluppo di una nuova categoria di algoritmi, i c.d. algoritmi predittivi. Essi si distinguono dai classici algoritmi informatici (detti deterministici) per la capacità di "imparare" dalla loro stessa esperienza, costruendo da sé i modelli da applicare per interpretare i dati forniti e per imparare a riconoscere la realtà nella quale vengono impiegati.

Esistono due tipologie di apprendimento automatico: il machine learning e il deep learning, che costituisce una sottocategoria più avanzata del primo.

Attraverso il machine learning, il processo di apprendimento si sviluppa sotto la supervisione dei programmatori, che forniscono all'algoritmo una serie di coppie di dati di input-output a partire dalle quali il programma elaborerà in maniera autonoma il percorso logico necessario a collegare gli input ai risultati. Un esempio può essere un software di riconoscimento immagini. Questo dapprima analizza un gran numero di immagini (input) che gli sviluppatori associano, ad esempio, alla figura del cane (output). Al termine dell'"allenamento" il software sarà in grado di riconoscere, in qualsiasi immagine gli venga sottoposta, l'eventuale presenza di un cane. Alla stessa maniera funziona il filtraggio automatico delle mail indesiderate ("spam"). Il software di posta elettronica viene allenato tramite una serie di esempi di messaggi spam, cosicché possa, in futuro, riconoscere eventuali email simili e dirottarle nell'apposita cartella.

Molto più complesso è, invece, il funzionamento degli algoritmi che si fondano sul c.d. deep learning. Esso si basa sullo studio dei processi mentali umani e cerca di riprodurne il funzionamento tramite l'impiego di reti neurali artificiali (neural networks).

Questa tipologia di apprendimento può avvenire attraverso una supervisione parziale, detta per rinforzamento, o in assenza totale di supervisione. Nel primo caso, vengono forniti all'algoritmo dati di entrata e di uscita ma, a differenza del machine learning classico, totalmente supervisionato, stavolta gli sviluppatori non correggeranno gli eventuali errori ma attribuiranno all'algoritmo una ricompensa ogni qualvolta produrrà un risultato esatto. Spetterà all'algoritmo individuare quali passaggi del procedimento seguito sono stati i più determinanti rispetto all'ottenimento della ricompensa.

Anche in questo caso, un esempio può essere d'aiuto. Supponiamo di salire in un taxi a guida autonoma. Se il nostro "tassista" condurrà in maniera piacevole la vettura, potrà spingerci a dargli una mancia. Se deciderà, invece, di farci rivivere il Gran Premio di Monza, in centro a Monza, probabilmente non otterrà nessuna mancia. Da tutto ciò, l'algoritmo potrà trarre degli insegnamenti per migliorare il proprio funzionamento.
Ancora, il deep learning permette agli algoritmi di apprendere al di fuori di ogni controllo esercitato dai programmatori. [...]