Si chiamava Dendral, e a partire dai dati spettrografici ricavati dall’analisi chimica di un determinato composto era in grado di ipotizzare la struttura molecolare della sostanza. Dendral fu uno dei primi sistemi esperti, e fu sviluppato nel 1965, dai ricercatori Edward Feigenbaum e Joshua Lederberg della Stanford University, California.
Oggi, i sistemi esperti si prestano ad applicazioni nei campi più disparati e specializzati, come la diagnostica medicale, o l’individuazione di anomalie e guasti nei processi di grandi impianti petrolchimici complessi. Ed è proprio questa specializzazione che definisce la natura stessa del sistema esperto: un programma basato sull’uso di tecnologie e metodi di intelligenza artificiale, e in grado di risolvere problemi in campi disciplinari specialistici ben definiti, in cui di norma sono necessari il supporto e la competenza di esperti umani.
Sistemi esperti, come funzionano
Per elaborare le proprie conclusioni, i sistemi esperti possono fare affidamento su una base di conoscenza, solitamente acquisita attraverso i contributi e l’esperienza professionale di persone profondamente competenti nella materia in questione. La conoscenza, immagazzinata nella memoria a lungo termine del sistema, è organizzata e rappresentata sotto forma di regole, ad esempio definite come strutture “if-then” (“se-allora”), che comprendono una premessa o condizione (if) e una conclusione o azione (then), e descrivono la risoluzione di un dato problema.
L’altro componente chiave dei sistemi esperti è un motore inferenziale, indirizzato a interpretare, classificare e applicare la base di conoscenza, e le relative regole, per ogni singolo aspetto o scenario dello specifico campo disciplinare.
Con l’obiettivo di affinare ipotesi e conclusioni, e passare, ad esempio nel caso di una diagnosi medica, da una semplice generalizzazione astratta delle condizioni del paziente, alla formulazione di un’ipotesi precisa sulla malattia, le regole di produzione del sistema esperto possono essere coadiuvate da regole di inferenza bayesiana, e integrate con criteri di classificazione euristica. In quest’ultimo caso, i dati del paziente vengono elaborati e associati alla classe di malattie che può rappresentare la soluzione del problema.
Reti neurali artificiali, ragionano simulando il cervello
Le reti neurali artificiali (artificial neural network – ANN) sono sistemi hardware e/o software sviluppati ispirandosi al funzionamento delle reti neurali biologiche, presenti nel cervello umano e in grado di produrre il ragionamento. Di norma, una ANN è costituita da un ampio numero di unità elaborative, altamente interconnesse, strutturate su più livelli e operanti in parallelo. L’attività del singolo nodo e l’informazione posseduta sono semplici, perché la potenza della ANN risiede nella struttura globale delle connessioni: le unità di input acquisiscono i dati del problema da risolvere, dopodiché il processo elaborativo si propaga in parallelo nei livelli successivi, fino a raggiungere le unità di output, che producono il risultato finale.
Sistemi esperti e ANN, i caratteri distintivi
A differenza dei sistemi esperti, le ANN non vengono programmate in maniera esplicita per svolgere un dato compito, ma addestrate attraverso dati di training forniti ad algoritmi di apprendimento automatico (machine learning). Più dati l’algoritmo analizza, più il modello si autoperfeziona. A seconda delle necessità aziendali, si possono adottare diverse tipologie di machine learning: apprendimento supervisionato, non supervisionato, apprendimento per rinforzo, deep learning.
Utilizzando una knowledge base strutturata secondo regole, i sistemi esperti hanno un motore inferenziale che esplicita il ragionamento attraverso cui è stata raggiunta la soluzione, collegando le regole stesse ai dati forniti e memorizzati nel database. È quindi possibile stabilire come il sistema esperto ha raggiunto una determinata conclusione.
Uno dei principali limiti delle ANN, invece, deriva dall’assenza di regole predeterminate e implica la conseguente difficoltà, per i data scientist, di comprendere come la rete neurale artificiale sia potuta arrivare a produrre un determinato risultato. Il fatto che le ANN si comportino come “black box”, in cui è difficile scoprire le relazioni tra i dati di input e i risultati in output, crea problemi di verificabilità delle conclusioni, che possono compromettere l’affidabilità della stessa ANN.
