IA CLASSICA

L'IA classica si basa su regole predefinite, scritte dagli esperti, per prendere decisioni. È un tipo di IA "deterministica", dove ogni azione della macchina è prevista da una serie di regole esplicite, come "se questa condizione è vera, allora fai questo". Questo approccio è efficace per compiti ben definiti, ma ha dei limiti: non può adattarsi a situazioni nuove senza l'intervento umano, e diventerebbe complessa da gestire man mano che cresce la quantità di regole. 

IA MODERNA

L'IA moderna, invece, si basa sull'apprendimento automatico, dove la macchina impara dai dati senza bisogno di regole predefinite. Grazie a tecniche come il deep learning, che utilizza reti neurali artificiali, l'IA può riconoscere pattern nei dati e migliorare nel tempo, adattandosi a nuove situazioni. Questo approccio è molto più potente e flessibile, ed è alla base di tecnologie come il riconoscimento vocale o la guida autonoma. 

L'evoluzione dell'intelligenza artificiale nel mondo dei giochi ha avuto una svolta epocale nel 1997, quando il supercomputer Deep Blue di IBM sconfisse il campione mondiale di scacchi Garry Kasparov. Questo evento segnò la prima volta in cui una macchina superò un essere umano in un match a tempo regolamentare, dimostrando le potenzialità dell'IA nella risoluzione di problemi complessi.

L'AI Conversazionale si riferisce a tecnologie, come chatbot o agenti virtuali, con cui gli utenti possono parlare. Queste tecnologie utilizzano grandi volumi di dati, il machine learning e l'elaborazione del linguaggio naturale per aiutare a imitare le interazioni umane, riconoscere input vocali e testuali e tradurne i significati in varie lingue. Si divide in 4 fasi:

1) Generazione dell'input:
• Gli utenti forniscono input tramite un sito Web o un'app; il formato dell'input può essere vocale o testuale.
2) Analisi dell'input:
• Se l'input è basato su testo, la soluzione dell'app di AI Conversazionale utilizzerà la comprensione del linguaggio naturale (natural language understanding, NLU) per decifrare il significato dell'input e ricavarne l'intenzione. Tuttavia, se l'input è basato sul parlato, utilizzerà una combinazione di riconoscimento vocale automatico (automatic speech recognition, ASR) e l'NLU per analizzare i dati.
3) Gestione del dialogo:
• Durante questa fase, NLG (Natural Language Generation), un componente di NLP, formulerà una risposta
  
4) Apprendimento per rafforzamento:
• Infine, gli algoritmi di machine learning perfezionano le risposte nel tempo per garantire l'accuratezza

L'NLP si compone di quattro fasi: generazione dell'input, analisi dell'input, generazione dell'output e apprendimento per rafforzamento. Dati non strutturati trasformati in un formato leggibile da un computer, che vengono poi analizzati per generare una risposta adeguata. Gli algoritmi di ML sottostanti migliorano nel tempo, attraverso l'apprendimento, la qualità della risposta.

VEICOLI AUTONOMI

I veicoli autonomi, noti anche come auto a guida autonoma, sono mezzi in grado di muoversi e prendere decisioni sulla strada senza l'intervento diretto di un conducente umano. Utilizzano una combinazione di sensori (come telecamere, radar e LiDAR), GPS e algoritmi di intelligenza artificiale per percepire l'ambiente circostante, pianificare il percorso e reagire in tempo reale a ostacoli e situazioni stradali.

L'idea di veicoli autonomi risale a molti decenni fa, ma i primi prototipi funzionanti sono comparsi negli anni '80 con progetti sperimentali in ambito universitario (come il progetto Navlab della Carnegie Mellon University). È però negli ultimi dieci anni, grazie all'evoluzione dell'IA e dei sistemi di sensori, che la guida autonoma ha fatto passi da gigante verso l'uso commerciale.

Un esempio recente e molto noto di veicolo autonomo è Waymo, la società di Alphabet (Google), che nel 2023 ha avviato un servizio di robotaxi completamente senza conducente a Los Angeles e San Francisco. I veicoli utilizzano intelligenza artificiale, radar e telecamere per muoversi in sicurezza nel traffico urbano, offrendo corse su richiesta senza bisogno di un autista umano a bordo. 

FACE ID

Face ID è una tecnologia di riconoscimento facciale che permette di identificare un individuo attraverso l'analisi delle caratteristiche uniche del suo volto. Utilizza sensori avanzati, come una fotocamera a infrarossi e un proiettore di punti, per creare una mappa dettagliata del viso dell'utente e confrontarla con i dati registrati in precedenza, consentendo l'autenticazione in modo rapido e sicuro.

Il concetto di riconoscimento facciale risale agli anni '60, ma è stato reso veramente pratico e diffuso solo negli ultimi decenni, grazie ai progressi nei campi dell'elaborazione delle immagini e dell'intelligenza artificiale. Face ID di Apple, introdotto nel 2017 con l'iPhone X, è uno degli esempi più noti di utilizzo commerciale di questa tecnologia. Utilizzando una tecnologia di mappatura 3D del viso, Face ID è in grado di sbloccare il dispositivo, autorizzare pagamenti e altre operazioni con un semplice sguardo. Grazie all'apprendimento automatico, il sistema si adatta anche ai cambiamenti nel volto dell'utente nel tempo.

MEDICINA PREDITTIVA

La medicina predittiva rappresenta una delle frontiere più avanzate della medicina moderna, utilizzando l'intelligenza artificiale per analizzare enormi quantità di dati sanitari e prevedere l'insorgenza di malattie prima che si manifestino clinicamente. Questo approccio si basa sull'analisi di cartelle cliniche elettroniche, immagini mediche, dati genetici, stile di vita e fattori ambientali per identificare segnali precoci di patologie. Un esempio rilevante è il sistema di Google Health, che impiega il deep learning per analizzare immagini radiologiche come mammografie e radiografie, riuscendo a rilevare segni di tumori con una precisione che supera quella degli specialisti umani. L'IA è in grado di esaminare milioni di immagini e dati, riconoscendo pattern che potrebbero sfuggire all'occhio umano.

Inoltre, la medicina predittiva non si limita solo alla diagnosi precoce; essa contribuisce a personalizzare i trattamenti sulla base delle caratteristiche specifiche di ogni paziente. L'intelligenza artificiale può anche monitorare in tempo reale la salute dei pazienti, suggerendo interventi preventivi o aggiustamenti terapeutici, migliorando così i risultati complessivi.