Nuove frontiere di interazione uomo-macchina: intelligenza artificiale (AI) e l’avvento degli Smart Assistant

Viviamo vite parallele. Una nell’ambiente naturale, in cui la sostenibilità dei nostri comportamenti è condizione fondamentale per la biodiversità. L’altra in un ecosistema digitale dove i comportamenti sono sequenze di click. Per affrontare la complessità e le sfide che incontriamo, ci affidiamo sempre di più a dispositivi informatici e il fiume digitale esonda nel mondo naturale sul quale non agiamo più in modo diretto, ma attraverso un’esperienza mediata dai computer. L’interfaccia utente è il nuovo territorio della mente, un non-luogo che diventa strumento primario attraverso cui conosciamo ed agiamo, nel lavoro, nel divertimento, nelle relazioni sociali.

Luca Chittaro

Creare interfacce utente, che rendano l’utilizzo di sistemi, prodotti digitali, ambienti e servizi il più intuitivo e semplice per gli utenti per i quali sono stati creati è uno degli obiettivi dell’Interaction Design, in cui sono le questioni legate agli utenti a guidare il processo di progettazione più di quanto non lo facciano le questioni tecniche.

Il coinvolgimento degli utenti nella fase di design deve prendere in considerazione il fatto che le persone hanno ognuna una propria percezione della realtà. Tali differenze sono la conseguenza di esperienze differenti di vita vissuta, della rielaborazione effettuata dal cervello delle immagini inviate dalla retina e dell’attenzione selettiva a ciò che ci circonda, spostando il focus su determinati elementi piuttosto che su altri. Eraclito infatti dichiarava che “gli uomini si ingannano spesso nella considerazione delle cose visibili e non sempre la ragione riesce a esercitare un efficace controllo sulla vasta gamma delle illusioni”. La realtà percepita, quindi, ha una componente estremamente soggettiva.

È proprio verso la realtà percepita che la tecnologia muove da molti anni i propri passi, ampliando e/o sovrapponendo completamente la Realtà reale. Nel 1957 fu inventato Sensorama, il primo esempio di realtà virtuale ad opera di Morton Leonard Heilig. Sensorama consisteva in un cabinato nel quale l’utente si sedeva e assisteva a riprese video in tre dimensioni, accompagnate da odori, aria e suoni. 

La realtà virtuale ha avuto una maggiore diffusione grazie all’evoluzione dei dispositivi mobile che, con la potenza di calcolo pari a quella dei computer e i display con alte definizioni, sono diventati uno strumento più che valido per l’ambito del gaming e dell’entertainment.

Sono nati così prodotti come Cardboard di Google e Gear VR di Samsung, essenzialmente dei box con un alloggiamento che ospita il device.

Questi risultati sono stati ottenuti dapprima coinvolgendo i principali sensi dell’essere umano, ossia la vista e l’udito, fino al coinvolgimento di tutti gli altri.

Lo studio dell’Intelligenza Artificiale si è mosso verso la realizzazione di sistemi che riescano a riprodurre le caratteristiche del cervello umano, quali la percezione, il ragionamento, l’intuizione, la comprensione, al fine di riprodurre compiti sempre più “umani”, per rendere l’interazione uomo-macchina il più vicino possibile a quella uomo-uomo, fermo restando che la consapevolezza e le componenti affettive ed emotive restano ancora una prerogativa unicamente dell’essere umano.

Un enorme passo avanti si è fatto con l’utilizzo delle reti neurali, reti costituite da neuroni artificiali che lavorano in parallelo e si basano su dati statistici. Per capire cosa sia una rete neurale bisogna capire il funzionamento del Perceptron, il primo neurone artificiale creato tra il 1950 ed il 1960. Un perceptron prende in input diversi segnali binari e produce un solo output:

A ogni segnale in input è associato un peso w che permette di dare un valore aggiunto ai vari dati in input. L’output è determinato da una semplice funzione:

Cambiando i pesi e il valore soglia (threshold) si ottengono differenti modelli decisionali. Quello che si desidera da tali modelli è che a un piccolo cambiamento nel peso dell’input corrisponda un piccolo cambiamento dell’output. Tuttavia questa caratteristica non è ottenibile con i perceptron e bisogna ricorrere ai neuroni sigmoid. Questo tipo di neuroni, così come i perceptron, ha diversi input, ognuno dei quali può assumere un valore compreso tra 0 e 1. Ad ogni input è associato un peso e ha un valore soglia. La differenza sostanziale con i perceptron è che i valori restituiti dai sigmoid sono compresi tra 0 e 1.

Elemento caratterizzante delle reti neurali è il machine learning, ossia l’apprendimento automatico, che può essere definito in maniera semplificata nel seguente modo:  

“un programma apprende se c’è un miglioramento delle prestazioni  dopo un compito svolto”.

Arthur Samuel, uno dei pionieri dell’AI, ha definito il machine learning come il campo di studio che dà ai computer la capacità di imparare senza essere espressamente programmati.

Quello che accade è che ogni qualvolta un sistema basato su reti neurali viene utilizzato, il sistema “impara” e migliora, bilanciando i pesi in modo tale da minimizzare l’errore.

Supponiamo che l’informazione x0 venga processata. Se il segnale è abbastanza forte il neurone passa nello stato attivo, ossia il peso della connessione w0x0 è tale che il neurone attraverso la funzione di attivazione processa il dato in input e produce il relativo output.

Attivando alcuni neuroni e non altri e rafforzando le connessioni tra i neuroni, bilanciando i pesi in modo da minimizzare l’errore, il sistema apprende  ciò che è importante e ciò che non lo è.

Un esempio di applicazione delle reti neurali è dato dal Google Neural Machine Translation (GNMT), il sistema sviluppato da Google e introdotto a Novembre 2016 per migliorare la precisione e la velocità di Google Translate, noto servizio di traduzione e lettura istantaneo.