Centro Studi GISED


Vai ai contenuti
Cambia lingua  IT EN

Approfondimenti di Dermatologia - giugno 2016

Intelligenza artificiale: mito o realtà?

Pubblicata il 15/6/2016

intelligenza artificialeSin dall'avvento dei primi calcolatori elettronici si sono cercati algoritmi capaci di replicare le facoltà decisionali dell'essere umano, al fine di automatizzare ed ottimizzare operazioni di vario tipo quali apprendimento, elaborazione del linguaggio, etc.

Ma che cosa è l'intelligenza artificiale? Col termine
intelligenza artificiale (artificial intelligence - AI) si intende la ricerca e la capacità di creare macchine "intelligenti", in particolare programmi per computer che possano in qualche modo imitare le funzioni e le capacità di apprendimento tipiche della mente umana.

Un pò di storia...

L'avvento della AI è storicamente legato al secondo dopoguerra con l'avvento dei primi calcolatori elettronici. In questo periodo gruppi indipendenti di scienziati iniziarono a lavorare su macchine intelligenti. Tra questi si distinse Alan Turing che, in un articolo sulla rivista Mind nel 1950, indicò la possibilità di programmare un computer capace di comportarsi in maniera intelligente (1). Questo spostò l'attenzione dell'AI sulla programmazione più che sulla costruzione di macchine intelligenti in sé.

Alan Turing formulò il cosiddetto Test di Turing, una prova che una macchina artificiale avrebbe dovuto superare per essere considerata intelligente, cioè in grado di pensare formulando pensieri coerenti in risposta a domande poste da un interlocutore. Ad oggi il test di Turing sarebbe stato superato da alcuni programmi (un esempio quelli che simulano una conversazione intelligente come cleverbot) anche se sussistono dubbi in alcuni casi e lo stesso test è stato soggetto a critiche e confutazioni.

Dopo due principali periodi di bassa produttività scientifica, i cosiddetti "inverni della AI", tra il 1974 e il 1980 e tra il 1983 e il 1987, l'AI ha ripreso vigore e nuovi metodi di apprendimento automatico (
machine learning), principalmente basati su reti neurali artificiali (artificial neural networks) (2), ovvero modelli matematici che imitano il funzionamento dei neuroni cerebrali e che sono in grado di trattare fenomeni altamente non-lineari, hanno preso il sopravvento.


Reti neurali artificiali

Generalmente l'unita fondamentale di tali sistemi, il singolo neurone, è composta da più variabili in entrata (input) simili ai dendriti del suo equivalente biologico, da una unità fondamentale che raccoglie gli input pesati sommandoli (la parte centrale del neurone o soma), insieme ad una funzione di attivazione che modella il segnale in uscita. Questa parte costituisce l'assone nell'equivalente biologico. Infine al neurone sono collegati uno o più variabili in uscita (output) similmente alle sinapsi neuronali. I pesi (weights) in ingresso vengono aggiornati ad ogni iterazione dell'algoritmo mediante confronto, ad esempio, con output noti, analogamente a quanto avviene nell'apprendimento umano, e costituiscono al termine della fase di addestramento una sorta di "memoria neurale" appresa dal sistema.

Le singole unità neurali sono quindi connesse insieme in uno o più strati interni (
hidden layers), formando unitamente ad input ed output la complessa rete neurale artificiale.
neurone artificiale

Deep learning

A proposito di reti neurali artificiali, si è svolto di recente (il 9 maggio 2016) presso Il Mario Negri di Villa Camozzi a Ranica (Bg) un seminario tenuto dal dott. Luca Antiga, bioingegnere del politecnico di Milano, ora CEO della società Orobix di Bergamo.

Il seminario si è incentrato soprattutto sui nuovi sistemi di apprendimento approfondito (
deep learning) che si stanno diffondendo nell'ambito delle reti neurali artificiali. Si tratta in sostanza di sistemi in cui la complessità della rete neurale viene aumentata e suddivisa in più livelli - hidden layers - ciascuno dei quali si organizza generalmente in modo da trattare un determinato aspetto della complessità globale.
deep neural network
Esistono numerose applicazioni del
deep learning, dal riconoscimento automatico del linguaggio, al riconoscimento di immagini, data mining, etc. Molte di queste vengono già implementate in software e applicazioni commerciali tra cui Google, che si può dire costruito intorno alla AI. In rete si trovano vari esempi di questo tipo di reti con la possibilità, in alcuni casi, di interazione con l'utente.

Un altro esempio interessante di tali sistemi è dato dalla classificazione automatica di immagini. L'idea è di fornire alla rete neurale "profonda" una serie di immagini con la relativa classificazione al fine di "allenare" la rete e determinare i pesi che costituiranno la "memoria neurale". Questo particolare tipo di reti prende il nome di
convolutional neural networks (3).
convolutional neural network
Tale architettura fornisce anche un'interpretazione visiva dei risultati intermedi (in ciascuno strato profondo): gli strati più bassi apprendono solitamente le caratteristiche più generali (e.g. bordi, angoli), mentre salendo nella gerarchia si ottengono rappresentazioni più ad "alto livello" (e.g. forme, tratti fisionomici). È possibile vederne qui un esempio interattivo sulla classificazione delle cifre numeriche.

L'architettura delle reti viste finora appartiene alla categoria del cosiddetto "apprendimento supervisionato" (
supervised learning), per il quale è necessario fornire al programma un insieme di dati (input ed output) come esempio per apprendere il problema da risolvere (classificazione, regressione, …).

Esistono tuttavia altri tipi di reti, come gli autoencoders, in grado di effettuare un "apprendimento non-supervisionato" (
unsupervised learning), ovvero quando non si dispone di un output per un certo insieme di dati in input (e.g. il risultato della classificazione), ma si vogliono ugualmente indagare le caratteristiche o fare operazioni sull'insieme di dati (e.g. presenza di cluster, compressione dell'informazione contenuta, …) (4).


Reti neurali e Dermatologia

Le potenziali applicazioni delle reti neurali artificiali nel campo della medicina ed, in particolare, della dermatologia sono molteplici. Dalla classificazione automatica di immagini cutanee, alla valutazione di lesioni a rischio (e.g. melanoma ed altri tumori cutanei) alla creazione di modelli predittivi in ambiti specifici.

Il Centro Studi GISED è da tempo interessato a questo ambito di indagine a cui ha già contribuito con due lavori. Il primo ha riguardato lo sviluppo di un sistema predittivo per identificare pazienti con buona probabilità di rispondere al trattamento con laser ad eccimeri nella vitiligine, anticipando la possibile durata dei trattamenti (5). Il secondo ha riguardato una ri-analisi dei dati di uno studio caso-controllo per fattori legati all'acne giovanile, al fine di identificare possibili pattern e associazioni interessanti di variabili mediante l'uso di mappe semantiche (6).

In futuro sarà sicuramente un campo di interesse il riconoscimento automatico di lesioni cutanee, sia nell'ambito di applicazioni quali "Clicca il Neo", sia come parte integrata di sistemi più complessi di indagine total body.


Cosa ci attende in futuro…

Da tempo l'uomo si interroga sulla possibilità di creare macchine autonome, capaci di assolvere a compiti solitamente attribuiti esclusivamente all'uomo. Isaac Asimov, padre si può dire della robotica, nei suoi romanzi di fantascienza ha precorso i tempi vedendo la possibilità di creare macchine intelligenti. Il "cervello positronico" di cui erano dotati i suoi robot sembra non essere poi così lontano. Di recente i ricercatori di IBM hanno, infatti, annunciato lo sviluppo di un nuovo tipo di microprocessore resistivo che può accelerare di ben 30.000 volte la velocità di apprendimento dei deep neural networks, aprendo quindi nuove frontiere di sviluppo della AI.

Il dato di fatto è che nella corsa alla AI sono già stati raggiunti innumerevoli traguardi, dal riconoscimento vocale, alla traduzione linguistica automatica, al riconoscimento di volti e forme, a sistemi di guida automatica, con risultati spesso paragonabili a quelli umani. La ricerca, che prima vedeva le reti neurali artificiali come una sorta di scatola chiusa (
black box), utile ai soli fini predittivi e da cui non era possibile estrarre alcuna informazione, ora si sta aprendo sempre di più allo studio di ciò che avviene all'interno di tali sistemi complessi, come nel caso dei convolutional neural networks, dove le immagini intermedie aiutano a comprendere ciò che la rete neurale sta apprendendo.

Anche Google ha fatto esperimenti in questa direzione, spingendosi persino più in là come nel caso del programma DeepDream, sviluppato dai propri ricercatori, che hanno modificato il software di riconoscimento immagini per produrre rappresentazioni intermedie del processo. Il risultato è stato una serie di immagini oniriche e psichedeliche che, suggeriscono i ricercatori, possono essere considerate qualcosa di simile ai sogni di un computer. Naturalmente sono solo considerazioni a posteriori di un processo puramente meccanico e deterministico come quello che un programma può generare.

Se ancora restano molti i problemi tecnologici da risolvere, è anche vero che non siamo mai stati più vicini di ora alla conquista della AI.

A cura della Redazione scientifica.


Bibliografia


  1. Turing, A.M. (1950). Computing machinery and intelligence. Mind, 59, 433-460.
  2. https://it.wikibooks.org/wiki/Intelligenza_artificiale/Reti_neurali
  3. http://ufldl.stanford.edu/tutorial/supervised/ConvolutionalNeuralNetwork/
  4. http://ufldl.stanford.edu/tutorial/unsupervised/Autoencoders/
  5. Cazzaniga S, Sassi F, Mercuri SR, et al. Prediction of clinical response to excimer laser treatment in vitiligo by using neural network models. Dermatology. 2009;219:133-7.
  6. Grossi E, Cazzaniga S, Crotti S, et al. The constellation of dietary factors in adolescent acne: a semantic connectivity map approach. J Eur Acad Dermatol Venereol. 2016;30:96-100.



Aggiornato il 28 nov 2016  -  Centro Studi GISED  P.I. 02274270988 | Condizioni d'uso    Privacy    Credits

Torna ai contenuti | Torna al menu
Facebook Twitter Google+ LinkedIn Email