Approcci e paradigmi dell'intelligenza artificiale
Lo studio dell'intelligenza artificiale ha diversi approcci. Non è ancora chiaro quale sia migliore degli altri, è quindi utile avere una panoramica generale di tutte le metodologie e paradigmi.
Approccio simbolico ( top-down )
Questo approccio si basa sull'elaborazione simbolica introdotta da Newell e Simon nel XX secolo. Per creare un sistema di questo tipo si segue un processo top-down. Si introduce la conoscenza nella knowledge base e la macchina la traduce in dati e simboli logici.
Nota. Questo approccio è conosciuto anche come IA classica oppure, approccio dell'elaborazione simbolica o approccio basato sulla conoscenza.
In questo approccio la conoscenza viene rappresentata tramite frasi dichiarative secondo la logica del primo ordine o un altro linguaggio logico-matematico.
A partire da una serie di conoscenze ( dichiarazioni o affermazioni ) il sistema deduce gli effetti. In questo modo, il processo di ragionamento produce nuova conoscenza.
Nota. Appartiene a questa categoria lo studio condotto da John McCarthy negli anni '50 e la creazione del sistema advice-taker.
Questi sistemi sono composti dalle seguenti parti fondamentali:
- Livello di conoscenza. Nella macchina sono introdotte le informazioni di un particolare dominio di conoscenza.
Esempio. La conoscenza nel dominio della medicina o dell'economia. La macchina è dedicata a un solo dominio di conoscenza.
- Livello dei simboli. La conoscenza reale viene rappresentata e organizzata secondo strutture e linguaggi simbolici che permettono sia la memorizzazione dei dati e dei nessi logici ( memoria ) che l'elaborazione tramite processi inferenziali ( ragionamento ).
Nota. Uno dei primi linguaggi simbolici di questo tipo è il linguaggio di programmazione LISP.)
- Livello sub-simbolo. Al di sotto del livello dei simboli, le informazioni sono trasformate in segnali.
Nota. In un computer questo sistema è rappresentato dal linguaggio macchina e dai dati binari.
Approccio sub-simbolico ( bottom-up )
Questo processo segue un processo dal basso verso l'alto ( bottom-up ). La progettazione del sistema comincia con la costruzione dei livelli più bassi, al di sotto dei simboli.
Le reti neurali. Le reti neurali sono un esempio di applicazione del paradigma bottom-up per la costruzione di un sistema razionale sub-simbolico. Un altro esempio di questo tipo sono gli algoritmi naturali e gli algoritmi genetici.
Secondo l'approccio bottom-up, un sistema AI non dovrebbe essere realizzato a partire dalla conoscenza finale ( vertice o top ). Si dovrebbe, invece, partire dalle fondamenta ( base o bottom ).
Questo approccio si ispira ai modelli biologici. Secondo la biologia evoluzionista l'uomo è il prodotto di una lunga evoluzione, iniziata con la nascita della prima cellula vivente. Allo stesso modo si dovrebbe procedere anche con l'intelligenza artificiale.
Il sistema AI deve prima imparare a interagire con l'ambiente, a rispondere agli input esterni con aioni appropriate. Nelle fasi iniziali del progetto è molto simile a un insetto.
Una volta realizzato il primo substrato di base, si procede con la realizzazione dello stato successivo, fino a giungere a quello cognitivo, seguendo le stesse tappe evolutive avvenute in natura.
Nota. Secondo l'opinione di alcuni ricercatori, gli strati superiori potrebbero essere auto-costruiti dalla macchina. Si potrebbe seguire la stessa logica della selezione delle specie, per tentativi ed errori, facendo emergere automaticamente le generazioni più efficaci ed efficienti di sistemi.
Ogni comportamento complesso è il frutto di comportamenti più semplici ( sub-routine o moduli di comportamento ).
L'agente razionale interagisce con l'ambiente dinamico, costruisce dei comportamenti complessi per adattarsi e impara dall'esperienza ( analisi dei feed-back ) scegliendo quelli migliori ( comportamenti emergenti ).
I comportamenti emergenti sono memorizzati nella base di conoscenza per essere utilizzati in situazioni analoghe.
Approccio intermedio
Si tratta di un approccio a metà strada tra i livelli top-down e botton-up. In questi sistemi si lavora soprattutto nel livello intermedio, quello della programmazione.
La conoscenza viene tradotta in regole di programmazione e di comportamento. L'agente razionale le utilizza per adattarsi all'ambiente esterno, scegliere le azioni da compiere a seconda delle circostanze.
Durante la sua vita l'agente può anche creare nuove regole di comportamento. Le nuove regole possono essere caratterizzate da semplici variazioni delle regole di base oppure da una fusione delle stesse.
Una volta create le nuove regole ( rules ), l'agente le aggiunge alla knowledge base insieme alle altre
