Anche se le specifiche variano a seconda delle tecniche di AI, il principio fondamentale riguarda i dati. I sistemi di AI apprendono e migliorano grazie all'esposizione a grandi quantità di dati, identificando modelli e relazioni che potrebbero sfuggire agli esseri umani.

Questo processo di apprendimento spesso coinvolge algoritmi, che sono insiemi di regole o istruzioni che guidano l'analisi e il processo decisionale dell'AI. Nel machine learning, un sottoinsieme popolare dell'AI, gli algoritmi vengono addestrati su dati etichettati o non etichettati per fare previsioni o classificare le informazioni. 

Il deep learning, un'ulteriore specializzazione, utilizza reti neurali artificiali con più livelli per elaborare le informazioni, imitando la struttura e la funzione del cervello umano. Attraverso l'apprendimento e l'adattamento continui, i sistemi di AI diventano sempre più abili nell'esecuzione di attività specifiche, dal riconoscimento delle immagini alla traduzione delle lingue e altro ancora.

Vuoi sapere come iniziare con l'AI? Segui l'introduzione gratuita per principianti all'AI generativa.

L'intelligenza artificiale può essere organizzata in diversi modi, a seconda delle fasi di sviluppo o delle azioni in esecuzione. 

Ad esempio, sono comunemente riconosciute quattro fasi dello sviluppo dell'AI.

1. Macchine reattive: AI limitata che reagisce solo a diversi tipi di stimoli in base a regole preprogrammate. Non utilizza la memoria e quindi non può apprendere con nuovi dati. Deep Blue di IBM, che nel 1997 ha battuto il campione degli scacchi Garry Kasparov, rappresentava un esempio di macchina reattiva.
2. Memoria limitata: la maggior parte dell'AI moderna è considerata a memoria limitata. Può utilizzare la memoria per migliorare nel tempo grazie all'addestramento basato sui nuovi dati, solitamente attraverso una rete neurale artificiale o un altro modello di addestramento. Il deep learning, un sottoinsieme di machine learning, è considerato un'intelligenza artificiale con memoria limitata.
3. Teoria della mente: l'AI con teoria della mente non esiste al momento, ma sono in corso ricerche sulle sue possibilità. Descrive l'AI in grado di emulare la mente umana e ha capacità decisionali pari a quelle di una persona, ad esempio sa riconoscere e ricordare emozioni e sa reagire in situazioni sociali come farebbe una persona. 
4. Consapevolezza di sé: un livello sopra l'AI con teoria della mente, l'AI basata sul concetto di consapevolezza di sé descrive una macchina mitica che è consapevole della propria esistenza e ha le capacità intellettuali ed emotive di un essere umano. Come per l'AI con teoria della mente, l'AI basata sul concetto di consapevolezza di sé al momento non esiste.

Un metodo più utile per categorizzare in modo ampio i tipi di intelligenza artificiale è suddividerli per ciò che è in grado di fare la macchina. Tutto quello che chiamiamo intelligenza artificiale attualmente rientra nella cosiddetta intelligenza artificiale "limitata", in quanto è in grado di eseguire solamente insiemi limitati di azioni, a seconda della programmazione e dell'addestramento. Ad esempio, un algoritmo di AI utilizzato per la classificazione degli oggetti non sarà in grado di eseguire l'elaborazione del linguaggio naturale. La Ricerca Google è una forma di AI limitata, così come l'analisi predittiva o gli assistenti virtuali.

L'intelligenza artificiale generale (AGI) è la capacità di una macchina di "sentire, pensare e agire" proprio come un essere umano. L'AGI non esiste attualmente. Il livello successivo sarebbe la superintelligenza artificiale (ASI), grazie alla quale la macchina sarebbe in grado di funzionare in maniera totalmente superiore a un essere umano. 

Quando le aziende parlano di AI, spesso parlano di "dati di addestramento". Ma cosa significa? Ricorda che l'intelligenza artificiale a memoria limitata è l'AI che migliora nel tempo grazie all'addestramento con nuovi dati. Il machine learning è un sottoinsieme di intelligenza artificiale che utilizza gli algoritmi per addestrare i dati al fine di ottenere risultati.

Nei casi più ampi, spesso vengono usati tre tipi di modelli di apprendimento nel machine learning:

L'apprendimento supervisionato è un modello di machine learning che mappa un input specifico a un output utilizzando dati di addestramento etichettati (dati strutturati). In parole semplici, per addestrare l'algoritmo a riconoscere le immagini dei gatti, bisogna alimentarlo con immagini etichettate come gatti.

L'apprendimento non supervisionato è un modello di machine learning che apprende pattern in base a dati senza etichetta (dati non strutturati). A differenza dell'apprendimento supervisionato, il risultato finale non è noto in anticipo. Al contrario, l'algoritmo apprende dai dati, classificandoli in gruppi in base agli attributi. Ad esempio, l'apprendimento non supervisionato è utile per la corrispondenza dei pattern e la modellazione descrittiva. 

Oltre all'apprendimento supervisionato e non supervisionato, viene utilizzato spesso un approccio misto chiamato apprendimento semi-supervisionato in cui sono etichettati solo alcuni dati. Nell'apprendimento semi-supervisionato è noto un risultato finale, ma l'algoritmo deve capire come organizzare e strutturare i dati per raggiungere i risultati desiderati.

L'apprendimento per rinforzo è un modello di machine learning che può essere ampiamente descritto come "apprendimento tramite pratica". Un "agente" impara a eseguire una determinata attività per tentativi ed errori (un ciclo di feedback) finché le sue prestazioni non rientrano in un intervallo desiderato. L'agente riceve un premio quando esegue correttamente l'attività e una penalità quando le prestazioni sono inadeguate. Un esempio di apprendimento per rinforzo è l'insegnamento di come prendere una palla a una mano robotica. 

Un tipo comune di modello di addestramento nell'AI è una rete neurale artificiale, un modello vagamente basato sulla mente umana. 

Una rete neurale è un sistema di neuroni artificiali, a volte chiamati percettroni, ovvero dei nodi computazionali utilizzati per classificare e analizzare i dati. I dati vengono inseriti nel primo livello di una rete neurale in cui ogni percettrone prende una decisione e poi trasmette le informazioni a più nodi nel livello successivo. L'addestramento di modelli con più di tre livelli viene definito "rete neurale profonda" o "deep learning". Alcune reti neurali moderne hanno centinaia o migliaia di livelli. L'output dei percettroni finali esegue l'attività impostata sulla rete neurale, ad esempio classificare un oggetto o trovare pattern nei dati. 

Alcuni dei tipi più comuni di reti neurali artificiali che potresti riscontrare sono:

Le reti neurali feed-forward (FF) sono una delle forme più vecchie di reti neurali, in cui i dati passano in un solo verso tra i livelli di neuroni artificiali fino a raggiungere l'output. Al giorno d'oggi, la maggior parte delle reti neurali feed-forward è considerata una rete "feed-forward profonda" con più livelli (e più livelli "nascosti"). Le reti neurali feed-forward sono in genere abbinate a un algoritmo di correzione degli errori detto di "retropropagazione", che, in termini semplici, parte dal risultato ottenuto della rete neurale e ritorna all'inizio, individuando gli errori per migliorare l'accuratezza della rete neurale. Molte reti neurali semplici, ma potenti, sono di tipo feed-forward profonda.

Le reti neurali ricorrenti (RNN) si differenziano dalle reti neurali feed-forward in quanto di solito utilizzano dati di serie temporali o che prevedono sequenze. A differenza delle reti neurali feed-forward, che utilizzano i pesi in ciascun nodo della rete, le reti neurali ricorrenti hanno "memoria" di ciò che è accaduto nel livello precedente, in base all'output del livello corrente. Ad esempio, quando si esegue l'elaborazione del linguaggio naturale, le RNN possono "tenere presente" altre parole utilizzate in una frase. Le RNN vengono spesso utilizzate per il riconoscimento vocale, la traduzione e la creazione di didascalie per le immagini. 

La memoria lunga a breve termine (LSTM) è una forma avanzata di RNN che può utilizzare la memoria per "ricordare" ciò che è accaduto nei livelli precedenti. La differenza tra RNN e LSTM è che la LSTM è in grado di ricordare cosa è successo diversi livelli prima grazie all'uso di "cellule di memoria". La LSTM viene spesso utilizzata per il riconoscimento vocale e le previsioni. 

Le reti neurali convoluzionali (CNN) includono alcune delle reti neurali più comuni nell'intelligenza artificiale moderna. Più comunemente utilizzate nel riconoscimento delle immagini, le CNN utilizzano numerosi livelli distinti (uno convoluzionale, quindi uno di pooling) che filtrano parti diverse di un'immagine prima di ricomporla (nel livello completamente connesso). I primi livelli convoluzionali potrebbero cercare semplici caratteristiche di un'immagine, come colori e bordi, prima di cercare caratteristiche più complesse in livelli successivi.

Le reti generative avversarie (GAN) sono due reti neurali che competono tra loro in un gioco che alla fine migliora l'accuratezza del risultato. Una rete (il generatore) crea esempi che l'altra rete (il discriminatore) tenta di dimostrare che siano veri o falsi. Le GAN sono state utilizzate per creare immagini realistiche e persino opere d'arte.