IA Connessionista vs IA Simbolica
Immagina di dover insegnare a distinguere un gatto da un cane:
- Approccio simbolico: Creeresti una base di conoscenza con regole come: “Se ha baffi lunghi E fa le fusa ALLORA è un gatto”; “Se abbaia E scodinzola ALLORA è un cane”.
- Approccio Connessionista: Mostreresti alla rete migliaia di foto di gatti e cani, e lei “imparerebbe” da sola le caratteristiche distintive, anche quelle che tu non sapresti descrivere a parole facilmente.
| Caratteristica | IA Simbolica (GOFAI) | IA Connessionista | | :--------------------- | :---------------------------------------------------- | :----------------------------------------------------- | | Ispirazione | Logica formale, filosofia della mente, linguistica | Neuroscienze, struttura del cervello | | Unità base | Simboli, regole, fatti (es. “Socrate è un uomo”) | Neuroni artificiali, pesi delle connessioni | | Rappresentazione della conoscenza | Esplicita, strutturata (es. alberi logici, reti semantiche) | Distribuita, implicita nei pesi delle connessioni | | Processo decisionale | Inferenza logica, ricerca attraverso spazi di stati | Propagazione di attivazioni attraverso la rete | | Apprendimento | Principalmente basato su regole predefinite, aggiunta di nuova conoscenza simbolica | Apprendimento dai dati (es. backpropagation), aggiustamento dei pesi | | Trasparenza | Generalmente alta (“White box”), i passaggi logici sono tracciabili | Generalmente bassa (“Black box”), difficile interpretare i pesi | | Gestione dell’incertezza e del rumore | Può essere difficile, richiede logiche specializzate (es. logica fuzzy) | Generalmente più robusta, intrinsecamente capace di gestire dati rumorosi | | Necessità di dati | Meno dipendente da grandi dataset per l’apprendimento di base (più dalla conoscenza pre-programmata) | Richiede grandi quantità di dati per l’addestramento | | Esempi di task | Sistemi esperti, problem solving, pianificazione, comprensione del linguaggio naturale (inizialmente) | Riconoscimento di pattern (immagini, voce), traduzione automatica, veicoli a guida autonoma | | Punti di forza | Ragionamento esplicito, spiegabilità, gestione di conoscenza astratta | Apprendimento da dati complessi, robustezza al rumore, generalizzazione | | Debolezze | Fragilità di fronte a input imprevisti, difficoltà ad apprendere da dati grezzi, “collo di bottiglia della conoscenza” (difficoltà a codificare tutta la conoscenza umana) | Opacità, necessità di grandi dataset, a volte può dare risposte “strane” o inaspettate |
Definizione di Connessionismo (IA)
Il Connessionismo è un approccio all’Intelligenza artificiale che propone un nuovo modello per la costruzione e programmazione hardware e software atti a iper-semplificare il funzionamento del cervello biologico. Il principio connessionista centrale è che i fenomeni mentali possono essere descritti da reti interconnesse di unità semplici e spesso uniformi.
I suoi punti fondamentali sono:
- Basato su reti neurali artificiali che si ispirano alla struttura e al funzionamento del cervello umano.
- La memoria e l’apprendimento emergono in modo automatico dall’addestramento della rete modificando i “pesi” delle connessioni tra le unità neurali, generalmente rappresentate come una matrice
. - I pesi vengono regolati in base a una regola di apprendimento o a un algoritmo come come l’apprendimento hebbiano. No regole predefinite.
- L’informazione è distribuita in tutta la rete.
Molti sistemi moderni combinano elementi simbolici e connessionisti, utilizzando reti neurali per l’apprendimento e modelli simbolici per la spiegazione e il ragionamento ad esempio integrando deep learning con basi di conoscenza strutturate.