In Intelligenza Artificiale sono stati ottenuti recentemente importanti risultati. Caratteristica di tali successi è la specializzazione di tecniche per problemi specifici, mentre meno attenzione è stata data al “general problem solving”. L’ intervento umano infatti è ancora necessario nella comprensione di un problema, nella scelta di una tecnica risolutiva, e nella modellazione del problema in strutture dati opportune.
ASIA-GiM si propone di studiare i meccanismi cognitivi e di decision making tipicamente umani che sono coinvolti nella risoluzione di problemi, e di sviluppare un modello computazionale per tali processi, verso la realizzazione di agenti software intelligenti ed autonomi, capaci di risolvere un problema a partire da una sua definizione in linguaggio naturale e diagrammi. Il dominio applicativo sarà quello dei giochi matematici, che richiedono per la loro risoluzione capacità tipicamente umane quali creatività, comprensione, analisi, astrazione, e ragionamento.
Pertanto, ASIA-GiM è un progetto altamente interdisciplinare, dove aspetti di psicologia cognitiva e di Intelligenza Artificiale devono essere “mischiati” per giungere a tecniche innovative nella comprensione e risoluzione di problemi. Dal punto di vista metodologico quindi ASIA-GiM sarà basato sui seguenti passi:
Identificazione e modellazione degli aspetti cognitivi coinvolti nel processo di “problem solving”. Se è vero che in ambito della IA sono stati riscontrati enormi successi nella risoluzione di problemi complessi (e ritenuti esclusivo appannaggio dell’intelligenza umana), è altrettanto vero che nella risoluzione di questi problemi resta ancora necessario e ineludibile un intervento umano, che compia delle scelte su quali tecniche di IA utilizzare, e che codifichi il problema in termini opportuni per i sistemi di elaborazione. Sistemi completamente autonomi nella risoluzione di problemi dovranno quindi farsi carico di tale fase di comprensione del problema. Studiare, comprendere e modellare come l’intelligenza umana analizza un problema, ne riconosce le caratteristiche, e ne determina un approccio per la soluzione, sarà quindi un passo fondamentale verso l’autonomia dei sistemi di IA. L’intervento umano risulta poi fondamentale anche nell’elicitazione della conoscenza nascosta nella descrizione di un problema, e nell’individuazione delle informazioni inutili e ignorabili. Si consideri ad esempio il seguente problema:
“Un impiegato di banca distratto cambia l’assegno della Sig.ra Rossi, ma inverte gli Euro con i centesimi di Euro e le consegna la somma sbagliata. La Sig.ra Rossi, dopo aver comprato un quotidiano del costo di 50 centesimi, osserva che le è rimasta una somma pari a tre volte l’ammontare specificato nell’assegno. Quale era l’importo dell’assegno?”
In questo esempio il fatto che la signora si chiami Bianchi o Rossi è ininfluente ai fini del problema; altrettanto inutile è sapere che la signora ha acquistato un quotidiano: il problema sarebbe identico se avesse acquistato un caffè o un cioccolatino.
Attività come comprensione di testi e figure, identificazione di possibili sotto-problemi ed eventuale decomposizione del problema originario, selezione di una tecnica risolutiva (modello + algoritmo), identificazione di informazioni non esplicite, rappresentazione del problema nel modello scelto, e infine risoluzione del problema, sono tutte necessarie, e pertanto, sono oggetto di analisi in ASIA-GiM.
Tecniche di apprendimento automatico e di ragionamento simbolico applicate agli aspetti cognitivi. Gli ottimi risultati ottenuti recentemente nelle tecniche di apprendimento automatico suggeriscono la valutazione di queste metodologie per catturare parte del processo cognitivo di problem solving. L’uso di tecniche di apprendimento comporta l’identificazione e la preparazione di un insieme di dati di “training”: un passaggio importante quindi per ASIA-GiM è la creazione di un database di giochi matematici, con eventuali annotazioni caratterizzanti gli aspetti cognitivi coinvolti nei singoli giochi matematici.
Tecniche di rappresentazione della conoscenza e di ragionamento simbolico saranno utilizzate per catturare gli aspetti razionali coinvolti nei processi di problem solving.
Problem Solving interattivo. La piena autonomia di sistemi di IA nella risoluzione di giochi matematici è un obiettivo a lungo termine. Una direzione di ricerca molto interessante è quindi rappresentata da processi di problem solving dove permane un certo livello di interazione tra utente umano e intelligenza artificiale. Gli aspetti soggetti a tale interazione, e le modalità di tale interazione, rappresentano esse stesse un importante aspetto di ricerca che può portare, nel breve e medio termine, a importanti risultati. Il livello di interazione necessario, poi, può essere preso a riferimento come indicatore di quanto i risultati della ricerca, rispetto all’obiettivo della completa autonomia, si stiano effettivamente avvicinando a tale goal.