L’antropomorfismo è la tendenza della specie umana ad attribuire aspetto, emozioni e intenzioni umani a figure non umane. La personificazione con forme e caratteristiche umane può essere attribuita a esseri immaginari, animali, cose e anche a concetti astratti, come le nazioni, o forze naturali, come la stagioni e il tempo. Secondo alcuni studiosi si tratta di una tendenza innata della psicologia umana.

La personificazione e l’attribuzione dell’antropomorfismo sono fenomeni antichi che si sviluppano come mezzi artistici e di narrazione. La maggior parte delle culture umane presenta racconti tradizionali con animali antropomorfizzati come personaggi. Ancora oggi tantissime persone attribuiscono emozioni umane e tratti comportamentali agli animali selvatici e a quelli addomesticati.

Nel campo dell’Intelligenza Artificiale l’antropomorfismo si manifesta nella tendenza ad attribuire a una IA, in particolare a un chatbot, qualità o caratteristiche simili a quelle umane. Si tratta di un topos comune nella fantascienza, in cui un computer o un robot artificialmente intelligente spesso prova comunque spontaneamente tali emozioni: accade, ad esempio, in Matrix con l’agente Smith – che è “disgustato” dall’umanità – o con Rick Deckard in Blade Runner – personaggio che non solo si confronta con androidi “difettosi” che provano emozioni, come Rachel e Roy Batty, ma che forse è egli stesso un androide.

In ogni caso l’uso consapevole di una metafora antropomorfa nell’informatica non è intrinsecamente inopportuno, poiché ci può aiutare a far comprendere meglio quali processi avvengono all’interno della macchina. Ad esempio, la maggior parte della terminologia tecnologica deriva da metafore antropomorfiche: i computer possono “leggere”, “scrivere” o “essere infettati da un virus”. Tuttavia un uso inappropriato di queste metafore, magari a scopo sensazionalistico, può generare false convinzioni sul comportamento dei computer.

L’intelligenza artificiale (in sigla IA o AI, dall’inglese Artificial Intelligence) è una disciplina che studia se e come si possano riprodurre i processi mentali attraverso un computer. (fonte)

L’IA cerca di:

• • avvicinare il funzionamento dei computer alle capacità della nostra intelligenza;
  • ipotizza e studia i meccanismi utilizzati dalla mente umana attraverso le simulazioni informatiche.

La nascita degli studi sull’intelligenza artificiale è segnata da un lavoro fondamentale di Alan Turing, Computing Machinery and Intelligence, pubblicato nel 1950. In questo documento Turing si chiede «le macchine possono pensare?». Da questa domanda ipotizza un test, oggi noto come “Test di Turing”, in cui un interrogatore umano cerca di distinguere tra la risposta di un computer e quella di un essere umano. Questo test è stato sottoposto a molte revisioni dopo la sua pubblicazione, resta una parte importante della storia dell’IA e delle scienze umane, in particolare della linguistica e della filosofia.

Negli ultimi decenni sono emerse nuove definizioni di intelligenza artificiale, tra cui ricordiamo quella data da John McCarthy nel paper What is Artificial Intelligence del 2004: «È la scienza e l’ingegneria della creazione di macchine intelligenti, in particolare di programmi informatici intelligenti. È legata all’analogo compito di usare i computer per comprendere l’intelligenza umana, ma l’IA non deve limitarsi a metodi biologicamente osservabili».

Su Logogramma abbiamo anche scritto di Intelligenze Artificiali nella storia e nella finzione.

Nei numerosi campi che si occupano di interattività, tra cui la scienza dell’informazione e l’informatica, non c’è univocità nel definire il significato di interattività”. La maggior parte delle definizioni fa riferimento all’interazione tra esseri umani, oppure tra gli utenti e differenti macchine attraverso un’interfaccia utente.

Nel contesto della comunicazione tra un essere umano e un artefatto, possiamo affermare che con questo vocabolo indichiamo, nel rapporto uomo-macchina, ciò che accade quando l’utente trasmette un’informazione al sistema che sta utilizzando e ottiene una risposta dal dispositivo (spesso indicata come feedback). Quindi l’interattività si riferisce al comportamento dell’artefatto come sperimentato dall’umano.

Possiamo dire che esistono diversi punti di vista sull’interattività. In una “definizione più ampia” possiamo individuare tre differenti “livelli”:

1. 1. Non interattivo, quando un messaggio non è collegato a messaggi precedenti
   2. Reattivo, quando un messaggio è correlato solo a un messaggio immediatamente precedente
   3. Interattivo, quando un messaggio è collegato a un certo numero di messaggi precedenti e alla relazione tra di essi.

Vi sono inoltre numerosi studi che distinguono tra interazione e interattività. Secondo alcuni studiosi dovremmo infatti parlare della seconda come «la qualità o la condizione dell’interazione» (fonte).

L’interattività va in ogni caso distinta da altri aspetti del dispositivo, come il suo aspetto visivo, il suo funzionamento interno e il significato dei segni che potrebbe mediare. Questa deriva soprattutto dall’uso reale e diretto, non mediato da terzi. Ciò per la natura cinestesica dell’esperienza interattiva. Un esempio non informatico: la differenza tra guardare qualcuno guidare o disegnare e farlo direttamente. Solo attraverso l’esperienza diretta si può sperimentare e comprendere tecniche, metodi, pratiche che contraddistinguono il dispositivo.

L’interazione uomo-macchina è un campo di ricerca dell’informatica che si concentra sulle interfacce tra persone e computer. Chi studia questo campo osserva i modi in cui gli esseri umani interagiscono con i dispositivi elettronici per progettare tecnologie che consentono nuove forme di interattività. L’interazione uomo-macchina passa per un mezzo che la consente, solitamente definito interfaccia o UI (dall’inglese user interface).

L’interazione uomo-macchina si pone all’intersezione tra informatica, scienze comportamentali, design, studi sui media e altre materie. Il termine si è diffuso a partire dagli anni ’70: si ritiene che il primo autore a utilizzarlo sia stato James H. Charlisle in Evaluating the impact of office automation on top management communication (fonte). L’autore desiderava sottolineare la differenza tra altri strumenti, limitati a usi specifici e limitati, i dispositivi informatici abbiano maggiori possibilità di utilizzo. Queste possibilità comportano un dialogo aperto e continuativo tra l’utente e il computer. Perciò, spesso, l’interazione uomo-computer è paragonata all’interazione uomo-uomo: un’analogia cruciale per le considerazioni teoriche in questo campo, come nel NLP.

Bisogna ricordare come i modi in cui usiamo i computer sono stati modellati su un rapporto uomo-macchina attraverso strumenti di comunicazione espliciti e ristretti, come i terminali di testo e i loro hardware. Ma, negli ultimi cinquant’anni, si è lavorato molto per rendere l’interazione tra un sistemi informatici ed esseri umani più vicina al linguaggio naturale umano.

Un Large Language Model (LMM) è un modello linguistico costituito da una rete neurale con molti parametri, addestrata su grandi quantità di testo non etichettato utilizzando il SSL (self-supervised learning).

Rappresentano uno degli ambiti della ricerca sull’elaborazione del linguaggio naturale. La loro funzione di base è di prevedere la parola successiva in una sequenza, sebbene questi modelli abbiano sorpreso gli esperti imparando nuove abilità.

Al momento non esiste una definizione formale di LMM. Si ricorre a questa definizione quando si ha a che fare con modelli di deep learning con un numero di parametri dell’ordine di miliardi o più, raccolti in un certo periodo di tempo. In generale gli LLM sono modelli generici, che possono svolgere diversi compiti.

Le principali applicazioni dei Large Language Model sono: i motori di ricerca, l’elaborazione del linguaggio naturale, la sanità, la robotica e la generazione di codice. Tra le principali problematiche degli LLM troviamo la loro costituzione e il loro mantenimento, che possono essere difficili e costosi. Anche la loro implementazione, data la grandezza, richiede competenze tecniche elevate. Infine vi sono dei fenomeni, come le cosiddette “allucinazioni”, che sono ancora in fase emergente e solo parzialmente studiate.

I LLM sono diventati particolarmente famosi con il lancio della beta pubblica di ChatGPT, un’IA chatbot sviluppata da OpenAI e rilasciata pubblicamente nel novembre 2022. ChatGPT si basa sulle famiglie di large language model proprietari GPT-3.5 e GPT-4, opportunatamente revisionate con tecniche di apprendimento supervisionato e rinforzo.

La linguistica è lo studio scientifico del linguaggio umano. È definita uno studio scientifico perché comporta un’analisi completa, sistematica, oggettiva e precisa di tutti gli aspetti del linguaggio – cognitivi, sociali, ambientali, biologici e strutturali.

La linguistica è considerata una scienza applicata e un campo accademico di studio generale nell’ambito delle scienze umane e sociali. Le aree tradizionali dell’analisi linguistica sono:

• • la sintassi: le regole che governano la struttura delle frasi),

• • la semantica: il significato,

• • la morfologia: la struttura delle parole,

• • la fonetica, i suoni del discorso e i gesti equivalenti nelle lingue dei segni

• • la fonologia, il sistema sonoro astratto di una particolare lingua

• • la pragmatica, come il contesto sociale contribuisce al significato

Diverse sottodiscipline, come la biolinguistica e la psicolinguistica fanno da ponte tra molte di queste divisioni.

La linguistica comprende molti rami e sottocampi che abbracciano sia la teoria che le applicazioni pratiche. La cosiddetta linguistica teorica (compresa la linguistica descrittiva tradizionale) si occupa di comprendere la natura universale e fondamentale del linguaggio e di sviluppare un quadro teorico generale per descriverlo. Mentre la linguistica applicata cerca di utilizzare i risultati scientifici dello studio del linguaggio per scopi pratici, come lo sviluppo di metodi per migliorare la formazione e l’alfabetizzazione.

I fenomeni linguistici possono essere studiati da diverse prospettive:

• • sincronicamente o diacronicamente,

• • nei monolingui o nei plurilingui, tra i bambini o tra gli adulti,

• • in termini di apprendimento o di acquisizione, come oggetti astratti o come strutture cognitive, attraverso testi scritti o attraverso l’elicitazione orale,

• • attraverso la raccolta meccanica dei dati o il lavoro pratico sul campo.

La linguistica è emersa dal campo della filologia, per questo le due materie possono trattare campi correlati e sottodiscipline affini. A essa si ricollegano anche la filosofia del linguaggio, la stilistica, la retorica, la semiotica, la lessicografia e la traduzione.

Secondo de Saussure (cfr. Treccani) i compiti primari della linguistica sono:

• • descrivere il maggior numero possibile di lingue storico-naturali e famiglie di lingue nella loro funzionalità in un dato momento e nel loro divenire attraverso il tempo. Tale descrizione deve prevedere sia un punto di vista interno, psico-sociologico, culturale, storico che, in generale, esterno,

• • individuare i fattori normalmente in gioco nel funzionamento e nel divenire di tutte le lingue,

• • definire e delimitare i propri metodi di indagine, le proprie nozioni fondamentali.

una singola lettera o un suono.

Un logogramma indica un’idea o un oggetto specifico, invece di rappresentare un suono o una sillaba come accade con le lettere dell’alfabeto. I logogrammi sono utilizzati in diverse forme di scrittura, come i geroglifici egizi e i caratteri cinesi. Wikipedia cita come esempio «il carattere cinese “人” è un logogramma che rappresenta la parola “persona”». Allo stesso modo, il geroglifico egizio “𓅱𓄿𓁦” rappresenta la parola “faraone”.

I logogrammi sono ricorrenti nelle lingue che utilizzano molti ideogrammi e hanno un gran numero di parole omofone, poiché aiutano a distinguere le parole in base al loro significato piuttosto che alla loro pronuncia.

In una lingua scritta, un logogramma, un logografo o un lessigrafo è un carattere scritto che rappresenta una parola o un morfema. I caratteri cinesi, molti caratteri geroglifici e cuneiformi sono dei logogrammi. L’uso dei logogrammi nella scrittura è chiamato logografia e un sistema di scrittura basato sui logogrammi è chiamato logografia o sistema logografico. Tutte le logografie conosciute hanno una componente fonetica, generalmente basata sul principio del rebus.

Gli alfabeti e i sillabari si distinguono dalle logografie in quanto utilizzano singoli caratteri scritti per rappresentare direttamente i suoni. Tali caratteri in linguistica sono chiamati fonogrammi. A differenza dei logogrammi, i fonogrammi non hanno un significato intrinseco. La scrittura della lingua in questo modo è chiamata scrittura fonematica o scrittura ortografica.

Un ulteriore esempio di logogrammi è il linguaggio alieno immaginato nel racconto fantascientifico Storia della tua vita da Ted Chiang (Story of Your Life, pubblicato per la prima volta nel volume antologico Starlight 2, Tor Books, New York 1998) e nell’adattamento cinematografico Arrival (Denis Villeneuve, Paramount Pictures, USA 2016).

Il Natural Language Processing (NLP) è un campo interdisciplinare della linguistica, dell’informatica e dell’intelligenza artificiale. Si occupa di dare ai computer la capacità di comprendere il linguaggio umano naturale, in modo che possano elaborarlo, analizzarlo e utilizzarlo per diverse applicazioni.

Il Natural Language Processing combina la linguistica computazionale con modelli statistici, di apprendimento automatico e di apprendimento profondo. La comprensione delle interazioni tra computer e linguaggio umano contribuisce a elaborare e analizzare grandi quantità di informazioni. L’obiettivo dell’NLP è di sviluppare algoritmi e tecniche che consentano ai computer di comprendere il significato del linguaggio umano, indipendentemente dalla lingua o dal dialetto utilizzato. Significa che i computer devono essere in grado di elaborare il linguaggio umano nella sua interezza, compresa la semantica, la sintassi, la morfologia e la pragmatica.

Il Natural Language Processing è alla base di programmi informatici che traducono testi, rispondono a comandi vocali e riassumono documenti rapidamente, anche in tempo reale. I casi più comuni di interazione con l’NLP sono:

• • sistemi GPS a comando vocale,

• • assistenti digitali,

• • software di dettatura speech-to-text,

• • chatbot per il servizio clienti

Ma l’NLP svolge un ruolo sempre più importante anche nelle aziende. Infatti aiuta a snellire le operazioni commerciali, contribuisce ad aumentare la produttività dei dipendenti e a semplificare i processi aziendali mission-critical.

Le sfide attuali dell’elaborazione del linguaggio naturale riguardano soprattutto il riconoscimento vocale, la comprensione del linguaggio naturale e la generazione del linguaggio naturale.

In conclusione, il Natural Language Processing (NLP) è una disciplina dell’Intelligenza Artificiale che si occupa di far comprendere ai computer il linguaggio umano naturale, in modo che possano elaborarlo, analizzarlo e utilizzarlo per diverse applicazioni.

Una rete neurale è un sistema di calcolo che si ispira al comportamento del cervello umano. Ciò consente ai programmi informatici di riconoscere modelli e risolvere problemi comuni nell’ambito dell’Intelligenza Artificiale, del machine learning e del deep learning.

Le reti neurali – o, per meglio dire, le reti neurali artificiali – si basano su un inseme di nodi interconnessi in una struttura stratificata, che ricordano vagamente i neuroni nel cervello umano. Ogni connessione trasmette un segnale agli altri nodi. Ogni neurone artificiale riceve ed elabora i segnali che ricevere e può inviarne agli altri nodi collegati. Le connessioni tra i vari nodi sono dette, in inglese, edge.

Si crea così un sistema adattivo, che in informatica è usato per imparare dagli errori commessi e migliorare continuamente. In questo modo è possibile assolvere a compiti complessi con sempre maggiore precisione.

Esistono svariati tipi di reti neurali:

• Il percettrone è il “modello base” di rete neurale. Fu proposto nel 1958 dallo psicologo americano Frank Rosenblatt in diversi studi, confluiti nella pubblicazione del volume Principles of neurodynamics (Spartan Books, Washington DC 1962);
• Le reti neurali feedforward o percettroni multilvello (o MLP, multi-layer perceptron). I dati di queste reti sono la base per la computer vision, del Natural Language Processing e di altre reti neurali;
• Le reti neurali convolutive (convolutional neural network) sono di solito utilizzate per il riconoscimento delle immagini, il riconoscimento dei modelli e/o la computer vision. Ricorrono ai principi dall’algebra lineare e, in particolare, alla moltiplicazione della matrice;
• Le reti neurali ricorrenti (recurrent neural network) sono contraddistinte dai loro loop di feedback. In altre parole, si tratta di algoritmi che utilizzano serie di dati temporali per fare delle previsioni su risultati futuri.