L’intelligenza artificiale non è più solo un concetto astratto ed è ormai presente praticamente in tutti gli ambiti della società, tra cui ovviamente anche le borse valori. In questa voce del Glossario FundsPeople spieghiamo in cosa consiste questa tecnologia e come viene applicata.
Che cos’è?
In parole semplici, l’intelligenza artificiale è la simulazione dell’intelligenza umana attraverso le macchine. Programmi informatici appositi in grado di elaborare grandi quantitativi di dati e calcoli vengono addestrati a svolgere compiti come prendere decisioni e risolvere problemi riducendo al minimo l’intervento umano. In genere gli algoritmi di intelligenza artificiale si basano su regole e applicano processi iterativi per riconoscere schemi e modelli e formulare previsioni. Grazie all’evoluzione di tecnologie come cloud computing e big data, l’intelligenza artificiale è oggi più rapida, economica e accessibile.
Quali tipi di intelligenza artificiale esistono?
Nel white paper “Generative AI - Part I: Laying Out the Investment Framework” pubblicato a marzo da Goldman Sachs, gli autori dello studio spiegano che l’intelligenza artificiale è un concetto molto ampio che comprende aree diverse, come l’apprendimento automatico (machine learning), le reti neurali (neural networks), l’apprendimento profondo (deep learning) e l’elaborazione del linguaggio naturale (natural language processing, NPL). Tutti sviluppi importanti nell’ambito dell’intelligenza artificiale, illustrati nel report della banca americana.
- Apprendimento automatico (machine learning)
Come spiega il white paper, l’intelligenza artificiale permette alle macchine di autoapprendere addestrandosi a partire dagli insiemi di dati di un modello. Gli algoritmi vengono creati utilizzando linguaggi di programmazione di machine learning e vengono addestrati a formulare previsioni e identificare schemi imparando dai dati storici.
Un esempio semplice di algoritmo di apprendimento automatico è il meccanismo con cui YouTube suggerisce all’utente un video in base a quelli che ha visto in precedenza. Il processo mirato a insegnare all’algoritmo a identificare gli schemi parte dalla somministrazione di insiemi di dati di addestramento, che possono essere etichettati o no.
Per addestrare i modelli di machine learning si possono utilizzare tecniche di apprendimento supervisionato o non supervisionato. L’apprendimento supervisionato funziona in modo simile all’apprendimento umano: si presenta a un computer o a una macchina il materiale di addestramento, composto da un grande quantitativo di input di dati etichettati. Nell’apprendimento non supervisionato, invece, l’algoritmo viene addestrato per imparare a identificare schemi a partire da insiemi di dati non strutturati.
Dopo la somministrazione dei dati all’algoritmo di machine learning, si verifica se i risultati effettivamente prodotti corrispondono a quelli attesi. Se non coincidono, l’algoritmo viene nuovamente addestrato più volte finché ottiene il risultato desiderato. In ultima analisi, il processo di addestramento iterativo consente agli algoritmi di apprendimento automatico di imparare continuamente producendo risultati sempre più precisi nel corso del tempo.
- Apprendimento automatico supervisionato
Consiste nell’apprendimento automatico basato sull’addestramento supervisionato di un modello. Gli algoritmi vengono addestrati mediante la somministrazione di insiemi di dati strutturati ed etichettati. Prima si addestra il modello inserendo grandi volumi di input e output corrispondenti attesi e poi lo si utilizza per prevedere gli output in base ai dati di prova. Ad esempio, per addestrare un modello di machine learning a riconoscere l’immagine di un gatto, prima lo si addestra somministrando milioni di immagini di gatti e di altri animali, perché possa imparare a distinguere caratteristiche come colore, dimensioni, forma ecc. Una volta che il modello è adeguatamente addestrato, è in grado di identificare un gatto. Tra le principali applicazioni di questo tipo di apprendimento figurano il rilevamento di frodi, la separazione di immagini e la diagnostica.
- Apprendimento automatico non supervisionato
Diversamente dal modello precedente, questo non necessita di supervisione e viene addestrato mediante la somministrazione di insiemi di dati non etichettati. Analizza i dati di input per identificare schemi, analogie e differenze su cui poi si basa per produrre gli output. Questo modello si utilizza ad esempio per rilevare anomalie.
- Apprendimento per rinforzo
È simile all’apprendimento automatico non supervisionato, che viene integrato da un sistema di feedback automatico per migliorare le prestazioni dell’algoritmo. Questo modello non utilizza insiemi di dati classificati e viene addestrato in base a schemi e tendenze, con un feedback aggiuntivo che rinforza l’algoritmo ogni volta che genera l’output giusto. Pertanto, il modello si rafforza ad ogni ciclo di prova.
- Reti neurali (neural networks)
Funzionano in modo simile ai neuroni del cervello umano. Nello stesso modo in cui l’essere umano elabora le informazioni attraverso una rete di neuroni vasta e complessa, una rete neurale artificiale è composta da un sistema di nodi multipli che elaborano e filtrano le informazioni in più fasi. I flussi di dati vengono trasmessi attraverso una rete neurale artificiale mediante un processo di feed-forward o un algoritmo di retropropagazione. Le reti neurali feed-forward elaborano i dati in una sola direzione, dal nodo di ingresso fino al nodo di uscita.
Il primo strato di una rete neurale artificiale è simile al nervo ottico umano, che riceve i dati grezzi in entrata. Ogni nodo successivo è un centro di conoscenza individuale, che filtra e classifica i dati in ogni fase. L’output dello strato precedente funge da input per il nodo successivo: ogni nodo prevede un risultato e quello successivo valuta se l’output precedente era corretto. La retropropagazione consente il flusso di dati lungo numerosi percorsi diversi, assegnando il peso maggiore al percorso che produce le risposte più corrette e pesi minori ai percorsi neurali con risultati meno buoni.
Il sistema di feedback continuo migliora la capacità di analisi predittiva delle reti neurali artificiali. I modelli delle reti neurali artificiali possono essere addestrati utilizzando le tecniche di apprendimento supervisionato, apprendimento non supervisionato e apprendimento per rinforzo.
- Apprendimento profondo (deep learning)
L’apprendimento automatico tradizionale richiede un maggior grado di intervento umano per stabilire quali sono gli input di dati corretti e le caratteristiche che il software di machine learning deve analizzare, riducendo così la creatività dell’algoritmo. Gli algoritmi di deep learning, invece, imparano mediante l’osservazione di dati non strutturati e utilizzano diversi strati di reti neurali artificiali che cercano di simulare il più possibile il comportamento umano, imparando in modo indipendente a identificare le caratteristiche e a stabilire le priorità degli attributi dei dati ricevuti come input.
La differenza principale che distingue l’apprendimento profondo dall’apprendimento automatico tradizionale è che l’algoritmo viene addestrato utilizzando reti neurali artificiali senza intervento umano. Questa caratteristica favorisce le tecniche di deep learning rispetto a quelle di machine learning tradizionale.
Ad esempio, per addestrare un algoritmo di machine learning a identificare l’immagine di un gatto a partire da un elevato numero di immagini di animali, una persona deve insegnargli a identificare caratteristiche come la forma della coda, l’orecchio, il colore del pelo, il numero di zampe ecc. Per addestrare un algoritmo di deep learning, invece, la rete neurale artificiale elabora l’insieme di immagini somministrate, individua le caratteristiche da analizzare e stabilisce l’ordine di priorità con cui devono essere trattate per generare l’output più preciso.
- Elaborazione del linguaggio naturale (natural language processing, NLP)
In passato, l’unico modo per comunicare con un programma informatico era attraverso un codice. Grazie all’evoluzione dell’NLP, oggi le macchine possono comunicare con l’uomo nel suo linguaggio naturale. L’elaborazione del linguaggio naturale consente ai computer di interpretare il parlato, capire l’orientamento delle opinioni e leggere testi. Perché le macchine possano comprendere il linguaggio umano, l’NLP utilizza due tecniche: l’analisi sintattica e l’analisi semantica.
L’analisi sintattica identifica la struttura di una frase e il rapporto tra le parole che la compongono. L’analisi semantica si concentra sul significato delle parole e sulla comprensione del contesto della frase. Gli algoritmi di NLP indicizzano le domande formulate da una persona in linguaggio naturale e le trasformano nel linguaggio della macchina attraverso una serie di processi. La tokenizzazione scompone il testo in unità semantiche più piccole. Nella fase successiva vengono eliminati elementi come preposizioni e articoli, che non apportano informazioni aggiuntive. La lemmatizzazione e lo stemming aiutano a classificare le parole e ridurle alla forma radice (ad esempio, la parola “migliore” diventa “buono”). Infine, l’analisi grammaticale aiuta a identificare le parole come sostantivi, verbi, segni di punteggiatura ecc.
Mediante questi processi i computer sono in grado di comprendere, analizzare e tradurre testi scritti e parlati. Le tecniche di elaborazione del linguaggio naturale vengono utilizzate anche per addestrare gli algoritmi di machine learning tradizionale e deep learning.
