Detection&Prevention Anticorruzione e Artificial Intelligence (A.I.)

Capiamo cosa è l’A.I., tra confusioni terminologiche e scenari futuribili, come funziona e qual è il suo attuale livello di maturità.

Il mondo sta cambiando ad un ritmo impressionante ed esponenziale: capire le implicazioni dell’A.I. sulla società e capire dove siamo oggi è indispensabile per adattarci al cambiamento.

Secondo l’indice di Transparency International, il fenomeno della corruzione vede il nostro Paese al 53esimo posto nella classifica globale; quindi c’è ancora molto da fare, e il tentativo di coadiuvare la lotta al fenomeno della corruzione, sia in Italia che nel resto del mondo, avviene anche attraverso l’utilizzo di nuove tecnologie, come l’Intelligenza Artificiale.

In tal senso il Global Anti-Corruption & Integrity Forum 2019 dell’OCSE, evento organizzato dall’ Organizzazione per la cooperazione e lo sviluppo economico, quest’anno sarà focalizzato su rischi e opportunità delle nuove tecnologie.

Nei dibattiti odierni in cui si parla di Intelligenza Artificiale si mescolano spesso i concetti di A.I., Machine Learning, Deep Learning, reti neurali, robotica, automazione etc., utilizzandoli spesso ed erroneamente come sinonimi.

Quindi, per prima cosa, è necessario tentare di darne una definizione e cercare così di tracciare un primo contesto in cui orientarci.

Cosa è l’Artificial Intelligence (A.I.)?

L’intelligenza artificiale è l’abilità di un sistema tecnologico di acquisire conoscenza e capacità decisionale, rappresentarla ed elaborarla per sviluppare un’abilità autonoma che gli consenta di risolvere i problemi di un ambiente complesso secondo una logica razionale tipicamente umana.

Nel settore informatico l’A.I., mediante l’uso di algoritmi, si occupa di realizzare delle macchine (hardware e software) in grado di risolvere i problemi e compiere azioni in autonomia, senza alcun bisogno dell’uomo, in specifici domini ed ambiti applicativi.

È una disciplina che ha interessato studiosi e scienziati già dagli anni ’50, ma che trova oggi un nuovo riscontro di interesse dovuto agli enormi progressi in campo tecnologico, relativi soprattutto all’analisi dei dati (Analytics) in tempo reale e alle aumentate capacità di calcolo con hardware molto potenti.

Dobbiamo fare una distinzione tra i vari tipi di A.I. per capire con quale tipo di essa interagiamo attualmente:

• A.I. “Debole” – anche conosciuta come Artificial Narrow Intelligence (ANI) – è programmata per eseguire un singolo compito, una singola attività all’interno di un campo specifico, e può eseguire il compito attingendo alle informazioni da un set di dati specifico: in questo modo opera all’interno di un intervallo predeterminato e predefinito, anche se ha la possibilità di partecipare ad un’attività in tempo reale.
  Non raggiunge le reali capacità intellettuali umane, in quanto non è né cosciente né senziente, ed è il tipo di A.I. che esiste e ci circonda oggi (fa da assistente vocale, traduce, controlla il tempo, gioca a scacchi, analizza dati etc.)
  È considerata A.I. debole – ad esempio – l’auto a guida autonoma, composta da più sistemi ANI, e i sistemi utilizzati nel settore sanitario che analizzano enormi quantità di dati in poco tempo aiutando i medici a prendere delle decisioni.
  È un’intelligenza che, quindi, non può pensare da sola; l’enorme vantaggio di questo tipo di A.I. è quindi quello di migliorare la produttività in base ad una velocità rapidissima di elaborazione dati.
  Attualmente, l’intelligenza artificiale ha raggiunto soltanto questo livello ristretto: è quella che esiste ad oggi e con cui ci interfacciamo.

• A.I. “Forte” – anche conosciuta come Artificial General Intelligence (AGI) – può eseguire qualsiasi compito intellettuale svolto da un essere umano, quindi essere cosciente, senziente, sentire emozioni ed esprimere giudizi, pianificare, apprendere ed integrare le conoscenze, possedere doti umane come la creatività.
  La sperimentazione della coscienza da parte delle macchine per agire come un essere umano non è ancora avvenuta.

• A.I. “Superintelligente”– anche conosciuta come Artificial Super Intelligence (ASI) – il filosofo di Oxford Nick Bostrom definisce la superintelligenza come “Qualsiasi intelletto che superi di gran lunga le prestazioni cognitive degli esseri umani in praticamente tutti i domini di interesse”.
  Questo è il tipo di intelligenza che preoccupa scienziati e filosofi rispetto a una possibile estinzione dell’umanità.

Machine Learning e Deep Learning, invece, sono termini relativi al modello di apprendimento con cui l’A.I. diventa capace di svolgere delle funzioni o dei compiti.

Il Machine Learning è un sistema di apprendimento automatico, in cui gli algoritmi apprendono alimentati da una enorme quantità di dati, esempi, ragionamenti ed esperienza, per poi elaborare una decisione.

Ad esempio si alimenta un algoritmo attraverso molti dati sulle transazioni finanziarie, dicendogli quali sono quelle fraudolente, e si lascia che elabori ciò che indica la frode, in modo che possa individuare – o anche prevedere – la frode in futuro.

Perché fallisce l’esperimento “Zero trust” in Cina

In tema di anticorruzione, potenze come la Cina hanno sviluppato una sistema di intelligenza artificiale in grado di scovare, attraverso l’analisi dei dati, segni di corruzione a livello istituzionale.

Il sistema cinese di A.I. “Zero Trust”, attivo dal 2012, individua atti di corruzione attraverso l’elaborazione di dati come l’analisi di movimenti bancari, registri di proprietà ed anche dati satellitari.

Il problema è che, anche se individua un comportamento colpevole, l’algoritmo non riesce a spiegare quello che ha elaborato. Resta quindi un potentissimo esempio di A.I., ma non è ancora in grado di esplicitare il processo che lo ha portato a quella conclusione.

“Zero Trust” presenta così problemi di utilizzo, problemi che hanno motivato – secondo quanto dichiarano i funzionari locali – la sua attuale dismissione, anche se l’esperimento resta espressione di un sofisticato sistema di apprendimento automatico.

“Una macchina apprende con l’esperienza se la sua performance a svolgere un compito migliora nel corso del tempo dopo averlo svolto più volte” (Tom Michael Mitchell).

Autoapprendere significa, per un computer, essere capace di assimilare nuove informazioni e migliorare la performance di conseguenza.

Dato che questo sistema di autoapprendimento non funzionava molto bene per compiti come il riconoscimento di immagini o l’estrazione di significato dal testo, si è andati verso lo sviluppo del Deep Learning.

Deep learning – l’apprendimento profondo – è un sottoinsieme dell’apprendimento automatico, che utilizza reti neurali a più livelli per risolvere i problemi più difficili per i computer.

Riguarda l’utilizzo di reti neurali con più neuroni, livelli e interconnettività, nel tentativo di imitazione del funzionamento del cervello umano.

L’idea di utilizzare i neuroni artificiali (i neuroni, collegati dalle sinapsi, sono i principali elementi del cervello) era in circolazione da decenni. Le reti neurali simulate nel software sono state utilizzate per risolvere alcuni problemi complessi che altri algoritmi non potrebbero affrontare.

Prima che una macchina possa determinare la sua prossima azione ha bisogno, ad esempio, di sapere cosa c’è intorno, essere in grado di riconoscere tutti gli oggetti appartenenti a un dato ambiente e stabilire connessioni tra loro: cosa ancora impossibile con le tecniche di apprendimento automatico standard, ma è quello cui puntano, invece, quelle basate sull’apprendimento profondo.

I cervelli umani hanno circa 86 miliardi di neuroni e una interconnessione molto complessa rispetto a reti neurali con 100 o anche 1000 neuroni, collegati in modo relativamente semplice, e restano così ancora impossibili da emulare.

Con il termine Cognitive Computing – l’informatica di tipo cognitivo – si intendono, poi, tutte le piattaforme tecnologiche basate sulle discipline scientifiche dell’A.I. (tra cui Machine Learning e Deep Learning) e il Signal Processing (la capacità di elaborare i segnali) che sono in grado di apprendere autonomamente, ragionare, comprendere, elaborare e utilizzare il linguaggio naturale dell’uomo, comprese le capacità visive e dialettiche (Nlp – Natural Language Processing), per contestualizzare le informazioni e fornire risultati offrendo come risultato finale un’indicazione basata su punteggi e correlazioni, non solo un binario sì/no.

L’ A.I. in generale svolge, quindi, una ricerca verso due filoni complementari, che sono:

1) avvicinare il funzionamento dei computer alle capacità dell’intelligenza umana, riproducendo quindi i processi mentali più complessi mediante l’uso di un computer, ma con i vantaggi di rapidità di una macchina. Il che risulta utile nell’attività di crime detection;

2) usare le simulazioni informatiche per fare ipotesi sui meccanismi utilizzati dalla mente umana. Utile, quindi, nell’attività di crime prevention.

In merito a quest’ultima possibilità di prevenzione dei comportamenti fraudolenti, i ricercatori della Higher School of Economics (HSE) e dell’Università di Valladolid hanno dimostrato che è possibile predire in anticipo casi di corruzione, analizzando i dati contenuti in archivio relativi alle circostanze storiche, economiche e socio-politiche che hanno condotto più facilmente alla corruzione. Da qui la possibile predizione della probabilità di atti criminali.

Si va quindi verso lo sviluppo di sistemi di AI che cercano di superare i limiti di quella di tipo “Zero Trust” cinese, che siano anche in grado di spiegare quello che viene dedotto attraverso l’elaborazione dei dati.

Per raggiungere questi risultati si implementano, ad oggi, altre tecnologie come ad esempio la Blockchain, che consente registrazioni immutabili di tutti i dati, tracciabilità delle transazioni e sicurezza basata su tecniche crittografiche, di tutti i processi utilizzati dalle intelligenze artificiali per arrivare all’output richiesto.

L’obiettivo resta quello di non limitarsi ad ottenere un’indicazione/soluzione da parte della macchina, ma spiegarne anche il processo motivazionale, interagendo in modo consapevole con i dati ed elaborando anche sistemi previsionali di eventuali atti criminali, in modo tale che crime detection e crime prevention rispondano a sempre più elevati criteri di affidabilità.

Articolo a cura di Maria Cristina Leone