Il concetto di intelligenza artificiale (Artificial Intelligence, AI), nato negli anni 50, si riferiva inizialmente alla programmazione logica ed alla possibilità di creare ‘macchine pensanti’ capaci di simulare le abilità, il ragionamento ed il comportamento degli esseri umani.

Oggi il concetto di AI è più ampio e comprende molte altre cose che possono riassumersi, sostanzialmente, nella capacità di estrarre informazioni efficienti dai dati per costruire modelli, fare predizioni e previsioni all’interno delle diverse discipline della ricerca contemporanea.

L’intelligenza artificiale nel tempo ha incluso e compreso nel suo insieme i concetti di Machine Learning e Deep Learning. I due concetti non vanno confusi.

Per Machine Learning s’intende l’apprendimento automatico: insegnare alle macchine, attraverso i dati, a prendere decisioni in qualsiasi dominio e prevedere risultati futuri.

Il Deep Learning è l’apprendimento delle macchine che avviene utilizzando dati originati da algoritmi ispirati alla struttura ed alla funzione del cervello chiamati reti neurali artificiali.

La rete neurale artificiale è un grafo non lineare nel quale ogni elemento di elaborazione, ogni nodo della rete riceve segnali da altri nodi ed emette a sua volta segnali ad altri nodi.

Nella rete neurale artificiale, che simula la rete neurale del cervello – a differenza di un computer classico – la conoscenza non è localizzabile in un luogo ben preciso (la memoria), ma è distribuita nelle connessioni della rete consentendo alla stessa d’imparare dalle proprie esperienze.

L’intelligenza artificiale, in sostanza, è il campo generale in cui i computer acquisiscono abilità simili a quelle umane che li rendono “intelligenti”, mentre l’apprendimento automatico (machine learning) è un’applicazione specifica dell’intelligenza artificiale in cui alle macchine viene fornito un insieme di dati che elaborano, acquisiscono inferenze e apprendono simulando il cervello umano.

La ricerca sull’apprendimento automatico è in corso dagli anni ’60, ma è soltanto negli ultimi tempi che la sua diffusione sta avendo un incremento qualitativo e quantitativo.

I termini Intelligenza Artificiale e Machine Learning spesso, come abbiamo sottolineato poc’anzi, vengono usati come sinonimi generando non poche confusioni.

L’AI include parti di Machine Learning ovvero un sistema di informazioni e dati che una volta immessi iniziano a creare comportamenti predittivi e decisionali rispetto ad una funzione o a più funzioni senza che questi siano stati programmati.

L’apprendimento automatico funziona su un algoritmo che acquisisce da solo utilizzando dati storici. Funziona solo per domini specifici, ad esempio se stiamo creando un modello di apprendimento automatico per rilevare le immagini dei cani darà risultati solo per le immagini dei cani, ma se forniamo nuovi dati come l’immagine del gatto, non risponderà.

L’apprendimento automatico viene utilizzato in vari luoghi, ad esempio per i sistemi di raccomandazione online, gli algoritmi di ricerca di Google, i filtri antispam e-mail, i suggerimenti per la codifica degli amici di Facebook.

L’apprendimento automatico è di fatto un tipo di intelligenza artificiale in cui l’intelligenza artificiale è soltanto l’aspetto generale. E’ il luogo in cui le macchine raccolgono dati e apprendono cose sul mondo che sarebbero difficili da fare per gli esseri umani.

Il ML (Machine Learning) può andare oltre l’intelligenza umana grazie alla sua capacità di elaborare molto rapidamente grandi quantità di dati utilizzando algoritmi che cambiano nel tempo e migliorano in ciò che sono destinati a fare. Uno stabilimento di produzione potrebbe raccogliere dati da macchine e sensori sulla sua rete in quantità ben superiori a quelle che qualsiasi essere umano è in grado di elaborare.

Mentre l’obiettivo dell’IA è creare un sistema informatico intelligente come gli esseri umani per risolvere problemi complessi. L’obiettivo del ML è consentire alle macchine di apprendere dai dati in modo che possano fornire un output accurato. In AI realizziamo sistemi intelligenti per svolgere qualsiasi attività come un essere umano. In ML insegniamo alle macchine con dati a svolgere un compito particolare e fornire un risultato accurato. Machine learning e Deep Learning sono i due sottoinsiemi principali dell’IA. Il Deep Learning è il sottoinsieme principale del Machine Learning.

L’IA sta lavorando per creare un sistema intelligente in grado di eseguire vari compiti complessi. L’apprendimento automatico sta lavorando per creare macchine in grado di eseguire solo le attività specifiche per le quali sono state addestrate.

L’apprendimento automatico riguarda principalmente la precisione e i modelli. Le principali applicazioni dell’IA sono Siri, l’assistenza clienti che utilizza chatbot, sistemi esperti, giochi online, robot umanoidi intelligenti, ecc.

Il ML viene quindi utilizzato per individuare schemi e identificare anomalie che possono indicare un problema che gli esseri umani possono affrontare. L’apprendimento automatico è una tecnica che consente alle macchine di ottenere informazioni che gli esseri umani non possono ottenere.

Quali sono alcune applicazioni del Machine Learning nella Geomatica?

L’apprendimento automatico e l’IA tradizionalmente venivano utilizzati nel telerilevamento e nell’elaborazione delle immagini. Di recente sono emerse fortunatamente nuove applicazioni nella selezione della posizione e nella navigazione intelligente dei GIS.

L’applicazione più visibile dell’apprendimento automatico è, probabilmente, quella inerente la guida dei veicoli autonomi. Le auto a guida autonoma funzionano attraverso l’utilizzo di più sensori: i loro dati vengono fusi insieme e vengono prese decisioni in tempo reale affinché le auto possano navigare con successo nel traffico intenso. I segnali stradali vengono “letti” e “capiti” dalle auto, il movimento di altri veicoli e pedoni viene elaborato e influisce sul movimento di tali auto, utilizzando costantemente le informazioni dai database delle mappe per la posizione e le esigenze di navigazione.

Allo stesso modo, l’apprendimento automatico viene utilizzato nella tecnologia dei droni o degli UAV. I sensori del drone catturano immagini e video che vengono elaborati in tempo reale per prendere decisioni. Questo utilizza la ricerca nel riconoscimento dei modelli, nel rilevamento delle caratteristiche e nell’estrazione delle caratteristiche per conoscere l’ambiente attorno alla traiettoria di volo del drone e prendere decisioni autonome. Presto sarà possibile per i droni essere in pilota automatico e portare a termine le loro missioni con successo con istruzioni e controllo minimi.

In che modo il mercato del lavoro della geomatica sarà influenzato dall’apprendimento automatico?

Tutti questi cambiamenti significano che il mercato del lavoro e l’istruzione di Geomatica cambieranno in pochi anni. Negli Stati Uniti c’è già una domanda significativa di professionisti con esperienza sia nell’apprendimento automatico che nella geomatica.

Le Università come la John Hopkins University stanno incorporando l’IA nei piani di studio della Geomatica. Questi cambiamenti avverranno anche in Canada e nel resto del mondo. I programmi di geomatica di buona qualità saranno influenzati dalle scienze informatiche non solo insegnando a programmare, ma anche insegnando tecniche di apprendimento automatico, intelligenza artificiale e visione artificiale.

 

Linkografia

Il quoziente intellettivo dell’intelligenza artificiale

(Visited 64 times, 1 visits today)