(1)Dipartimento: Development and Engineering
Società: nabla Email: gnocera@nabla.studio Orcid: https://orcid.org/0009-0007-9871-0316
(2)Dipartimento: Operations Società: nabla Email: giulio@nabla.studio
(3)Dipartimento: Department of Engineering. Società: University of Messina. Email: fdevita@unime.it
Orcid: https://orcid.org/0000-0002-6709-8001
Abstract: L’Intelligenza Artificiale (IA) rappresenta una risorsa tecnologica che sta rivoluzionando il modo in cui noi ci interfacciamo con il mondo circostante. Al giorno d’oggi, sono numerosi i servizi che fanno uso di algoritmi di apprendimento automatico per semplificare alcune delle operazioni che svolgiamo quotidianamente. In tali sistemi, i dati ricoprono un ruolo cruciale, soprattutto nel processo di addestramento di qualunque modello di IA, tanto da poterne influenzare il funzionamento. In virtù di ciò, è bene prestare particolare attenzione alla fase di raccolta di questi, per riuscire a costruire set di dati privi di condizionamento che garantiscano il funzionamento equo e corretto di un sistema. Infatti, poiché tali strumenti possono avere delle conseguenze – anche a lungo termine – sulla vita delle persone, l’impiego di dati distorti potrebbe sollevare importanti questioni etiche. In questo contesto, risultano fondamentali la costruzione e l’impiego di regolamenti e normative che accrescano la coscienza dell’utilizzatore finale, garantendo inoltre la sicurezza e l’efficacia dell’IA senza però agire da ostacolo al progresso tecnologico. Nel presente articolo, viene delineata l’importanza dell’analisi degli aspetti etici nelle fasi di progettazione e sviluppo di sistemi dotati di IA, con una particolare attenzione alle implicazioni sociali che questa tecnologia può avere.
Keywords:Intelligenza Artificiale, Etica, Responsabilità
L’Intelligenza Artificiale (IA) sta diventando una risorsa tecnologica sempre più importante per l’umanità. Proprio nell’ultimo decennio, grazie alla sua continua integrazione con i sistemi esistenti, sta rivoluzionando il mondo in cui viviamo con lo scopo di migliorare la qualità della vita delle persone. Infatti, nonostante non sia sempre così evidente, molte delle applicazioni e dei servizi usati giornalmente da milioni di utenti, fanno uso di algoritmi di IA.
I motori di ricerca, come Google, sfruttano questa tecnologia per fornire ai propri utenti una migliore esperienza di ricerca personalizzando i risultati in tempo reale; gli assistenti virtuali come Siri, Alexa e Google Assistant sfruttano i modelli di apprendimento automatico per comprendere il linguaggio umano e rendere più naturali alcune attività quotidiane, come la ricerca di indicazioni stradali o l’interazione con gli elettrodomestici; nell’industria dell’intrattenimento, aziende come Netflix e Spotify utilizzano l’IA per individuare e suggerire contenuti adatti ad ognuno dei loro utenti. Alcune case automobilistiche, come Tesla e Volvo, fanno uso di tecniche di apprendimento automatico per migliorare la sicurezza dei mezzi di trasporto e per sviluppare auto a guida autonoma. Inoltre, l’IA ha dimostrato di essere un valido alleato anche in campo medico dove, attraverso algoritmi di apprendimento automatico, è possibile velocizzare le diagnosi di alcune malattie e ottenere un importante supporto nella ricerca di nuovi trattamenti. Questi esempi di applicazione, dimostrano quanto l’IA permei la nostra vita in modi spesso impercettibili, migliorando la qualità di servizi e tecnologie.
Tuttavia, proprio l’intensificarsi dell’uso dell’IA nei servizi di tutti i giorni solleva importanti questioni etiche, dal momento che questa ha un impatto diretto sulla vita delle persone. Basti pensare al fatto che i servizi dotati di IA potrebbero essere utilizzati anche per la realizzazione di contenuti che dovrebbero essere frutto del lavoro umano, come le attività di ricerca che portano alla stesura di articoli scientifici, o la risoluzione di esercizi d’esame scolastici e universitari.
Inoltre, l’IA potrebbe anche essere usata per prendere decisioni riguardo all’assunzione di personale, alla selezione di candidati per programmi di prestito o per la detenzione di persone sospettate di crimini, ossia in processi decisionali che potrebbero avere effetti duraturi sulla vita umana. In questi ultimi casi, infatti, se le regole di programmazione dell’IA non tengono conto della diversità, della giustizia e della non-discriminazione, possono emergere problemi di etica. Poiché, infatti, il modello potrebbe essere influenzato da pregiudizi e stereotipi che derivano dal set di dati che viene utilizzato durante la fase di learning o addestramento, ciò potrebbe portare a un’implementazione ingiusta e discriminante. Di conseguenza, i ricercatori e i professionisti del settore stanno lavorando per garantire che l’IA venga sviluppata e utilizzata in modo etico e responsabile.In un contesto simile, l’obiettivo di questo lavoro è quello di approfondire il rapporto che intercorre tra etica e IA. In particolare, nel capitolo 2 viene fornita una breve panoramica su alcuni degli eventi più significativi che hanno tracciato la storia dell’IA, dalla sua nascita, fino ai giorni nostri. Il capitolo 3 delinea l’importanza dell’etica dei sistemi che fanno uso di IA, evidenziando alcuni casi in cui l’impiego di tali sistemi intelligenti ha provocato comportamenti poco etici. Successivamente, nel capitolo 4 viene analizzata l’importanza che i dati hanno in tutti i sistemi dotati di IA, mettendo in risalto quali sono i problemi che un set di dati poco rappresentativo può causare se impiegato durante le fasi di addestramento. Il capitolo 5 invece si concentra su come vengono gestite le responsabilità delle azioni che coinvolgono un sistema dotato di IA, considerando lo stato dell’arte e quali sono le necessità attuali e future. Infine, all’interno del capitolo 6, viene riproposta una sintesi degli argomenti trattati e viene evidenziata una possibile strada da perseguire per migliorare il rapporto di convivenza, ormai sempre più presente, tra l’uomo e le macchine, cosiddette, intelligenti2.
Negli anni 40′, alcuni gruppi di matematici e scienziati come Shannon, Wiener e McCulloch, approfondendo lo studio della teoria dell’informazione e della cibernetica, segnarono l’inzio di un periodo di grande fermento scientifico che preparò la comunità alla comparsa dell’IA come disciplina scientifica, avvenuta negli anni Cinquanta. Dal 1950, infatti, si susseguirono una serie di eventi legati allo sviluppo di macchine intelligenti, i cui principali vengono riportati di seguito.
Proprio nel 1950, Claude Shannon, descrisse il primo programma per computer in grado di giocare a scacchi (Shannon 1988) e presentò Theseus[1], un topo meccanico in grado di esplorare un labirinto, trovare la via d’uscita e usare l’esperienza acquisita per risolvere casi in cui il labirinto venisse modificato. Nello stesso anno, Isaac Asimov propose il suo “I, Robot” (Asimov 2013), nel quale discuteva di una possibile coesistenza pacifica tra esseri umani e robot autonomi attraverso l’aiuto delle sue tre leggi della robotica, fornendo le basi per le future discussioni relative all’etica dei robot e dell’IA. Alan Turing – considerato uno dei padri dell’informatica moderna – presentò, nel suo celebre articolo “Computing machinery and intelligence” (Turing 1950), un test secondo il quale una macchina poteva essere considerata intelligente se il suo comportamento fosse indistinguibile da quello di una persona, quando osservato da un essere umano.
Negli anni successivi al test di Turing, iniziarono a delinearsi i primi campi di ricerca legati all’IA e alle macchine pensanti e, nel 1956, McCarthy introdusse l’espressione “intelligenza artificiale” durante la conferenza di Dartmouth (McCarthy et al. 1955). A tale convegno, parteciparono alcuni dei più eminenti scienziati, ingegneri, matematici e psicologi dell’epoca. Tra questi, Allen Newell, Cliff Shaw, e Herbert Simon presentarono il “LogicTheorist” (Newell et al. 1956), ossia il primo programma di IA, progettato per imitare le capacità di problemsolving di un essere umano. A differenza degli approcci moderni all’IA, che si basano sul cosiddetto learning from experience, il LogicTheorist si basava sull'”IA simbolica”, ossia la branca dominante dell’IA tra gli anni 50′ e 70′. Questo approccio, basato sulla manipolazione di simboli e regole dove le conoscenze vengono esplicitamente codificate, ha delle limitazioni legate alla gestione di situazioni incerte o imprecise e nell’apprendimento automatico.
Grazie all’importanza degli argomenti trattati, il seminario di Dartmouth è oggi considerato l’evento fondante nella storia dell’IA (Crevier 1993). In tale conferenza, infatti, vennero discussi molti dei concetti che sono ancora oggi oggetto di ricerca, come reti neurali ed elaborazione del linguaggio naturale. Nello stesso periodo, Arthur Samuel, presentò il primo software capace di giocare a dama (Samuel 2000), di imparare e quindi di adattare la propria strategia, introducendo così il concetto di “apprendimento per rinforzo” (Sutton 1997). All’inizio degli anni Sessanta, vennero sviluppate anche le prime reti neurali artificiali tra cui spiccava l’algoritmo del Percettrone di Rosenblatt e Pitts(McCulloch et al. 1943), in grado di riconoscere le immagini e imparare la differenza tra le forme geometriche.
Gli entusiasmanti successi raggiunti tra gli anni Cinquanta e Sessanta raccolsero ingenti investimenti ma, allo stesso tempo, provocarono un’ondata di eccessiva fiducia e di aspettative irrealistiche. E proprio queste previsioni esagerate e il divario con i risultati deludenti ottenuti negli anni ’70 e ’80, portarono a quello che successivamente venne denominato l’AI Winter (l’inverno dell’IA) (Crevier 1993), ossia un periodo di delusione e mancanza di interesse che, causò un forte declino delle attività di ricerca fino agli anni Novanta. In questi vent’anni, si alternarono periodi di eccitazione e di delusione che guidarono i ricercatori ad un cambio di paradigma avvenuto verso la fine degli anni Ottanta. In particolare, ci si concentrò sul fatto che gli esseri umani imparano anche attraverso prove ed errori, ossia attraverso l’esperienza e, a partire da questi ragionamenti, si risvegliò l’interesse per le reti neurali artificiali. Grossi contributi sono rappresentati: dallo sviluppo dell’algoritmo di backpropagation, da parte di Rumelhart, Hinton e Williams (Rumelhart et al. 1986), che permetteva di ottimizzare l’addestramento di tali reti; dalla presentazione delle reti neurali convoluzionali, da parte di Le Cun (LeCun et al. 1989), tra le cui prime implementazioni è possibile individuare il riconoscimento di caratteri e numeri[2]; dagli studi sul Deeplearning cominciati nel 2010, e che grazie a Bengio, Hinton e Le Cun (LeCun et al. 2015), hanno portato a algoritmi in grado di risolvere problemi sempre più complessi.
Contemporaneamente, l’avanzare della miniaturizzazione, lo sviluppo di dispositivi elettronici sempre più efficienti dal punto di vista energetico e l’espansione della rete Internet, hanno garantito l’evoluzione di quello che oggi viene chiamato Internet of Things (IoT) – l’Internet delle Cose – configurato come una grande distribuzione di dispositivi in grado di raccogliere ed elaborare dati.
A partire dagli anni 2000, l’IA ha visto una crescita esponenziale grazie ai progressi nella potenza di calcolo, rappresentata in parte dalla tecnologia Cloud e alla disponibilità di grandi quantità di dati in quella che chiamiamo l’epoca dei big data. Questo contesto ha consentito lo sviluppo di applicazioni come i sistemi di assistenza virtuale, le auto a guida autonoma e l’analisi predittiva, permettendo all’IA di essere applicata con successo in molte aree, tra cui la medicina, l’agricoltura, la finanza e la cybersecurity.
Nel 2011, ad esempio, Google avviò un progetto chiamato Google Brain[3], nel quale viene utilizzata una rete neurale artificiale a più strati per migliorare la capacità dell’omonimo motore di ricerca Google. Nello stesso anno, Watson, il sistema di IA sviluppato da IBM, partecipò al quiz televisivo Jeopardy!(Best 2013) contro alcuni dei migliori giocatori del programma e, vincendo, dimostrò che l’IA poteva essere utilizzata non solo per la ricerca, ma anche per rispondere a domande complesse in modo efficace. Facebook avviò, nel 2014, un progetto di ricerca sull’IA, chiamato DeepFace, producendo come risultato un algoritmo di riconoscimento facciale in grado di identificare gli individui con una precisione del 97,35%[4]. Tuttavia, l’IA attuale viene ancora definita principalmente di tipo debole, ossia si limita a svolgere compiti specifici e ben definiti senza mostrare alcuna forma di autonomia o di intelligenza generalizzata.
Alla fine del 2015, un gruppo di scienziati e imprenditori tra cui ElonMusk e Sam Altman, fondò OpenAI[5], una società senza scopo di lucro con sede a San Francisco. Questa, ha lo scopo di collaborare con diverse organizzazioni e aziende, come Microsoft e Amazon, per promuovere la ricerca e lo sviluppo dell’IA, dedicando una particolare attenzione ai rischi esistenziali derivanti dalla cosiddetta intelligenza artificiale generale – anche detta IA forte, che dovrebbe essere in grado di emulare il ragionamento umano per risolvere problemi generali – rendendo i suoi brevetti e le sue ricerche aperti al pubblico.
Successivamente alla trasformazione di OpenAI da società senza scopo di lucro a società “capped-profit“, al fine di attrarre nuovi capitali e collaborazioni, tra il 2021 e il 2022 vengono presentati al pubblico applicativi in grado di generare immagini e intrattenere conversazioni. Più nello specifico, la ricerca sulle tecnologie conversazionali ha portato OpenAI alla creazione di ChatGPT[6], uno strumento che fa uso di deeplearning per generare risposte in modo simile a come lo farebbe un essere umano. Tale modello è stato allenato su enormi quantità di dati di testo, diventando uno dei più avanzati modelli di conversazione basati sull’IA.
Nonostante la potenza di calcolo raggiunta, molti esperti ritengono che l’IA forte, ossia un sistema in grado di raggiungere e superare il livello di intelligenza umana, sia ancora un obiettivo lontano. Tuttavia, così come dimostrano le ultime versioni di applicativi come ChatGPT, la ricerca e lo sviluppo di nuove tecniche di apprendimento automatico stanno spingendo l’IA sempre più vicina a questo obiettivo.
L’enciclopedia Treccani definisce l’etica come quella parte della filosofia che si occupa di studiare “la volontà e le azioni dell’uomo come essere libero e razionale, capace di dare a sé stesso un insieme di valori e di norme da rispettare […] e non investe solo l’ambito soggettivo delle scelte personali, ma riguarda anche la vita collettiva”[7]. In altre parole, l’etica si occupa di valutare i comportamenti umani e le decisioni delle persone alla luce dei valori che ritiene fondamentali, come la giustizia, la verità, la libertà, il rispetto della dignità umana, il benessere degli individui e delle comunità, ossia distinguerli in buoni, giusti, leciti, rispetto ai comportamenti ritenuti ingiusti, illeciti, sconvenienti o cattivi. In generale, cerca di rispondere a domande come “Cosa è giusto o sbagliato?”, “Cosa dovrei fare?”, “Come dovrei comportarmi?”, fornendo un quadro di riferimento, che possa aiutare le persone a prendere decisioni più consapevoli e responsabili.
Per questo motivo, e poiché l’IA è una tecnologia che può avere impatti significativi e duraturi sulla società e sui diritti umani, è importante considerare gli aspetti etici che riguardano il suo rapporto con gli uomini. In questo contesto, si definisce la cosiddetta “etica dell’IA”, la quale si concentra su come progettare, sviluppare e utilizzare l’IA in maniera responsabile, equa e trasparente, considerando inoltre, le questioni relative alle responsabilità e alla gestione dell’IA stessa, tra cui:
- l’equità e la giustizia, poiché l’IA potrebbe in alcuni casi e attraverso alcune decisioni, perpetuare e amplificare le disuguaglianze sociali ed economiche;
- la trasparenza delle scelte prese dalle macchine, dato che spesso tali decisioni sono il risultato dell’esecuzione di algoritmi complessi;
- la definizione di responsabilità nel caso di danni o errori per le azioni delle macchine dotate di algoritmi intelligenti;
- l’impatto sui posti di lavoro, dato che se da un lato le attività meccaniche sono sempre più automatizzate, dall’altro si stanno formando nuovi settori che richiedono competenze tecniche e di gestione avanzate.
Inoltre, dal momento che tale tecnologia sta diventando sempre più diffusa in molti settori, dalla medicina alla finanza, alle attività di selezione del personale, è importante considerare la circostanza specifica in cui l’IA viene utilizzata e quindi, le diverse prospettive e gli interessi in gioco. Ad esempio, l’uso di algoritmi intelligenti in ambito medico può sollevare questioni etiche diverse da quelle che emergono nell’ambito della finanza o del recruitment. Infatti, proprio dall’impiego dell’IA nei processi decisionali di tutti i giorni, nel tempo è stato possibile individuare comportamenti poco etici e, in alcuni casi, comportamenti eticamente scorretti come risultato delle operazioni di algoritmi intelligenti.
Uno dei primi casi noti in cui l’IA ha dimostrato discriminazione razziale risale al 2015, quando Google si trovò a dover affrontare critiche per il suo algoritmo intelligente di riconoscimento delle immagini che “etichettò erroneamente una coppia nera come gorilla”[8].
Questo problema sollevò numerose preoccupazioni riguardo al razzismo nell’IA e portò Google – la società di sviluppo che realizzava e forniva il servizio – a chiedere scusa pubblicamente come responsabile, in quanto fosse l’azienda che aveva creato e pubblicato il software. Nello specifico, la causa del problema era legata alle operazioni di training del modello, ossia alla carenza di diversità nel set di dati utilizzato per l’addestramento dell’algoritmo di apprendimento automatico, poiché l’insieme dei dati utilizzato conteneva una maggiore quantità di immagini di persone di pelle chiara rispetto a quelle di persone di colore.
Un’altra notizia di discriminazione causata da algoritmi di IA venne diffusa da Reuters, la quale rese pubblica la decisione di Amazon di interrompere un progetto pilota su un sistema di pre-selezione del personale che faceva uso di algoritmi di IA a causa di problemi legati alla discriminazione di donne e minoranze (Vincent 2018). L’algoritmo, addestrato su dati storici dei dipendenti – che erano composti principalmente da uomini – tendeva a declassare sistematicamente i CV dei candidati di sesso femminile e quelli con nomi tipici delle minoranze etniche, mostrando così un pregiudizio sulla scelta. Tuttavia, i casi di discriminazione di genere o di razza dovuti all’IA non sono limitati all’ambito della selezione e reclutamento del personale o alla classificazione delle immagini. In ambito finanziario, ad esempio, il lancio della Apple Card – una carta di credito virtuale, integrata con l’appWallet dell’iPhone utilizzabile per acquisti in tutto il mondo – che faceva uso di un algoritmo di credit scoring dotato di IA, fece sì che alcune donne ricevessero limiti di credito inferiori rispetto a quelli ottenuti da uomini con lo stesso livello di reddito e di credito.
Negli ultimi anni, inoltre, l’uso di algoritmi di IA nei sistemi giuridici sta diventando sempre più comune. Un esempio è il suo utilizzo nei processi decisionali che riguardano le detenzioni preventive, e che solleva numerose preoccupazioni riguardo all’imparzialità degli algoritmi e alla possibilità che possano discriminare alcune categorie di persone. Ad esempio, uno studio del 2016 (Mattu et al. 2016) dimostrò come l’algoritmo COMPAS, utilizzato per prevedere il rischio di recidiva dei detenuti, pur non utilizzando la razza in sé come attributo per valutare la condizione del detenuto, utilizzasse molti fattori ad essa correlati, e restituisse punteggi di rischio più elevati per gli imputati neri (Vyas et al. 2020). Inoltre, è importante sottolineare che alcuni algoritmi di IA lavorano in modalità black-box, ossia producono risultati senza che siano completamente chiari e trasparenti la logica e il processo decisionale dietro le scelte. Ovviamente, questa caratteristica diventa particolarmente rilevante nell’ambito della giustizia (Bathaee 2018), dove l’uso di questi algoritmi ha sollevato preoccupazioni riguardo alla trasparenza, all’imparzialità e alla violazione dei diritti umani.
Microsoft, nel 2016, lanciò Tay, un chatbot – un programma che utilizza l’IA per simulare una conversazione con un utente attraverso una chat – su Twitter, il cui obiettivo era quello di apprendere dalle conversazioni degli utenti attraverso una tecnica chiamata continuouslearning (Hancell 2023). Tuttavia, Tay iniziò a inviare messaggi offensivi e inappropriati a causa dell’influenza di alcuni utenti malintenzionati, il che portò Microsoft a disattivare il chatbot nel giro di 24 ore (Perez 2016). Tale problema generò apprensioni riguardo alla capacità delle IA di apprendere e imitare il comportamento umano compreso, di fatti, anche il comportamento offensivo e discriminatorio, ed evidenziò la necessità di una maggiore regolamentazione e di attenzione etica nell’implementazione delle IA. In questo caso, infatti, il modello non era stato programmato per distinguere comportamenti accettabili da quelli inaccettabili.
Samantha Cole, invece, scrisse e pubblicò un articolo (Cole 2017) su Motherboard nel 2017 che evidenziava alcuni casi di utilizzo dell’IA per la creazione di video falsi noti come “DeepFake“. In questa tecnica di IA, vengono utilizzate procedure di apprendimento automatico basate su reti neurali per creare video o immagini manipolate che sembrano reali. Nello specifico, l’autrice spiegò come la tecnologia venne utilizzata da utente di Reddit chiamato “Deepfakes“, il quale inserì nei corpi di varie attrici di film pornografici i volti di celebrità come GalGadot, Maisie Williams e Taylor Swift, ottenendo come risultato diversi video osceni, che sembravano interpretati dalle celebrità. In un contesto simile però, risultò ancora più pericoloso (Cerdanet al. 2019) il fatto che per realizzarli, l’utente fece uso solamente del suo computer e di un algoritmo di apprendimento automatico, che chiunque è in grado di scaricare da Internet. Proprio questa facilità nella realizzazione sollevò notevoli preoccupazioni, in quanto, i video realizzati con la tecnica del “DeepFake” non sono solamente legati all’industria a luci rosse, ma nel tempo sono stati utilizzati anche per creare falsi discorsi politici e per diffondere notizie false, che possono avere gravi conseguenze sulle persone coinvolte.
Anche in campo medico, l’utilizzo di algoritmi di IA ha sollevato preoccupazioni legate a problemi etici. Un esempio è rappresentato dal lavoro di ricerca portato avanti da Raj et al. (Raj et al. 2019), in cui l’obiettivo fu quello di creare algoritmi di apprendimento automatico in grado di prevedere la mortalità dei pazienti in terapia intensiva dopo una lesione cerebrale traumatica. Il sistema realizzato, fu in grado di fornire dei risultati con un’accuratezza superiore all’80% nella predizione della mortalità a 30 giorni. In questo caso, sebbene l’algoritmo venne sviluppato con l’obiettivo di migliorare la cura dei pazienti, questa scoperta sollevò preoccupazioni riguardo all’utilizzo di tecnologie dotate di IA per la decisione di fine vita, in quanto, tali predizioni potrebbero influenzare la scelta sulle cure da fornire.
In ambito sociale, invece, la diffusione di algoritmi intelligenti ha suscitato reazioni diverse, che oscillano tra l’entusiasmo di chi la vede come uno strumento potenziale per aumentare l’efficienza e l’innovazione, e la preoccupazione di chi invece è preoccupato per il possibile impatto sulla perdita di posti di lavoro. In particolare, nel 2023 l’Università del Queensland e Kpmg Australia hanno condotto un sondaggio (Gillespie et al. 2023) intervistando oltre 17,000 persone provenienti da 17 Paesi diversi. Da qui, sebbene sia risultato che oltre due terzi degli intervistati si sentano ottimisti sui benefici che l’IA può portare alla società, il 42% (circa due persone su cinque) si preoccupa che l’IA possa sostituire posti di lavoro nel proprio settore. La quantità di piattaforme alimentate da algoritmi di IA messe a disposizione online, cresce molto rapidamente, e strumenti come ChatGPT sono in grado di fornire un grosso supporto in numerose attività, come la raccolta e l’analisi dei dati, la ricerca di fonti e il supporto nelle attività di copywriting.
Nonostante ciò, però, sebbene anche l’amministratore delegato di OpenAI, Sam Altman abbia dichiarato (Altman 2022) che non è consigliabile fare affidamento su ChatGPT per questioni importanti, in quanto rappresenta solo una forma embrionale di progresso e ci sono ancora molti aspetti da sviluppare per garantirne la solidità e la veridicità, diversi utenti si sono dimostrati estremamente entusiasti dei risultati già ottenuti. Alcuni hanno descritto su vari social network i passi che hanno seguito per sviluppare applicativi per smartphone senza avere alcuna esperienza in linguaggi di programmazione specifici (Pigford 2023). Allo stesso tempo, ResumeBuilder.com ha effettuato un sondaggio[9] su un campione di 1,000 aziende americane, in cui circa la metà ha affermato di aver sostituito alcuni dei loro dipendenti con ChatGPT.
Il sistema è stato progettato con l’obiettivo di conversare in maniera semplice con tutti gli esseri umani e, infatti, uno dei suoi punti di forza consiste nella facilità di utilizzo e di interazione, ossia tramite una chat attraverso la quale l’utente può chiedere al modello di rispondere a delle domande, scrivere codice o testi, o ancora risolvere problemi di debug.
Proprio l’efficacia di Generative Pretrained Transformer 3 (GPT-3) – il modello di IA sviluppato da OpenAI, alla base di ChatGPT – nel produrre risultati per la maggior parte di questi compiti, permette di comprendere l’entusiasmo della comunità. Inoltre, la capacità di ricordare le conversazioni passate, e il suo modo di correggere quello che viene evidenziato come un errore, aumenta nell’utente la tentazione di supporre che la macchina comprenda quello che sta scrivendo. Tuttavia, come evidenziato da Floridi – professore ordinario di filosofia ed etica dell’informazione presso l’Università di Oxford – in un’intervista (Marchetti 2023), ovviamente lo strumento non è dotato di una reale intelligenza e soprattutto non è in grado di comprendere. È “semplicemente” in grado di produrre frasi che risultano probabili dato l’insieme di informazioni fornito durante la fase di addestramento[10]. Proprio il suo funzionamento, infatti è il motivo per cui a volte i suoi output possono essere imprecisi, non veritieri e alcune volte fuorvianti[11]. Inoltre, dal momento che la sua fase di addestramento si è conclusa a fine 2021, non è in grado di conoscere tutto ciò che è accaduto dopo. In particolare, il modello, equipaggiato con 175 miliardi di parametri, è stato addestrato su grandi quantità di dati provenienti da Internet e scritti da esseri umani, ed è per questo motivo che le risposte che fornisce possono sembrare umane.
4. L’importanza dei dati nell’IA
L’addestramento di modelli di IA complessi, che fanno uso di algoritmi di deeplearning – una tecnologia di IA basata su reti neurali “profonde”, ossia a più livelli, e sull’apprendimento automatico – avviene attraverso la somministrazione di grandi quantità di dati e lo sfruttamento di una grossa potenza di calcolo. Un esempio è GPT3, che è stato allenato con oltre 570GB di dati (Brown et al. 2020), dopo un filtraggio su un dataset di partenza contenente oltre 45TB di dati. Questo dataset è composto da dati che provengono da diverse fonti, come libri, articoli di giornale, articoli scientifici, brevetti, conversazioni online, e così via.
Lo scopo della fase di training di un modello di IA è quello di utilizzare i dati raccolti per strutturare un modello matematico in modo da predire gli output corretti per nuovi input che l’algoritmo non ha mai visto prima. Nello specifico caso di GPT-3, i dati sono stati usati per procedere con un allenamento di tipo supervisionato – un tipo di apprendimento automatico in cui un algoritmo viene addestrato su un insieme di dati in ingresso per i quali viene anche fornito il risultato desiderato corrispondente – il cui obiettivo è quello di permettere al modello di predire la parola successiva in una data frase o di generare un testo in maniera autonoma. Durante l’addestramento, il modello ha esplorato le relazioni esistenti tra le parole all’interno dei dati forniti in ingresso cercando di identificare i pattern e le regolarità nel testo, il che gli ha consentito di apprendere una vasta gamma di conoscenze linguistiche e culturali.
Alcuni altri esempi sono i modelli di deeplearning basati su reti neurali convoluzionali e usati per il riconoscimento delle immagini, come “Amazon Rekognition“, sviluppato da Amazon, o “Inception-v3“, sviluppato da Google. Questi algoritmi sono in grado di classificare gli oggetti presenti nelle foto, rilevare volti umani o analizzare le espressioni facciali. Anche in questo caso, le abilità di generalizzazione dei modelli – ossia la capacità di riconoscere una vasta gamma di oggetti in modo accurato – derivano dal fatto che questi sono addestrati su un grande dataset di immagini. Nel caso di “Inception-v3“, il dataset è chiamato ImageNet e contiene oltre 14 milioni di figure etichettate in più di 20,000 categorie, che hanno permesso successivamente al modello di riconoscere degli schemi o degli elementi per immagini in ingresso che il modello non aveva ancora visto.
In generale, è proprio il principio di funzionamento dell’apprendimento automatico a richiedere che i modelli deeplearning facciano uso di grandi dataset durante la fase di addestramento. Che vengano utilizzati per riconoscere le malattie delle piante attraverso le foto scattate alle foglie (De Vita et al. 2020), per valutare il merito creditizio di un utente (Wanget al. 2022), o ancora per tradurre tra più lingue (Johnson et al. 2017), in tutti questi modelli, i dati hanno un ruolo di grande importanza, tanto che il direttore della ricerca di Google, Peter Norvig, nel 2009 scrisse (Halevy et al. 2009) che “i modelli di machine learning più semplici ma addestrati su grandi quantità di dati tendono ad avere una maggiore precisione rispetto a modelli più complessi addestrati su un numero inferiore di dati”.
Tuttavia, la quantità dei dati non basta per ottenere buoni risultati. Un altro fattore critico è rappresentato dalla qualità dei dati. Infatti, affinché il modello di IA abbia una buona probabilità di apprendere correttamente le associazioni e di compiere previsioni precise e generalizzate, risulta fondamentale che i dati siano di alta qualità, rappresentativi del problema da risolvere e correttamente etichettati. Per questo motivo, quando un modello viene allenato con dati di scarsa qualità, ad esempio contenenti errori, informazioni incomplete o non rappresentativi del problema da risolvere, questo presenta limitazioni nella creazione di collegamenti tra le variabili di ingresso e quelle di uscita che possono portare a previsioni imprecise o addirittura errate.
Ad esempio, nel caso in cui i dati utilizzati per addestrare i modelli siano raccolti in modo non omogeneo, contengano fattori che possono essere soggetti a pregiudizi, come la razza, o non possano essere considerati un campione rappresentativo della società, c’è il rischio che i risultati forniti dal modello siano distorti. Nel tempo, infatti è stato dimostrato (Grote et al.2022) come alcuni modelli di machine learning, utilizzati per le diagnosi mediche, abbiano avuto prestazioni inferiori quando vennero usati per predire risultati riguardanti le donne o le minoranze etniche. Addirittura, nel lavoro di ricerca portato avanti da Obermeyer et Al. (Obermeyer et al. 2019), gli autori stimarono che un errore di calcolo nel sistema abbia ridotto di oltre la metà il numero di pazienti afroamericani che avrebbero dovuto poter partecipare a programmi di assistenza medica.
Pertanto, al fine di ridurre – o ancora meglio evitare – il rischio di bias nella produzione di risultati o di generare risposte errate o discriminatorie, i dati utilizzati per l’allenamento dei modelli di IA devono essere accurati, completi, sufficienti in numero, e privi di pregiudizi. Proprio per questo motivo, una fase molto importante durante lo sviluppo di algoritmi di IA è rappresentata dalla fase di analisi, ricerca o costruzione dell’insieme dei dati. Infatti, sebbene il numero di dataset disponibili online[12] cresca continuamente, in base alla specifica implementazione da realizzare, potrebbe essere necessario costruirne uno ad hoc che tenga conto di tutte le particolarità del sistema.
In questi casi, si effettuano una prima analisi del problema e la definizione degli input e output del sistema (ad esempio, delle immagini in ingresso e un numero in uscita, corrispondente ad una classificazione, o ancora un gruppo di numeri in ingresso e un valore numerico in uscita). Successivamente, si procede con la raccolta e la selezione dei dati che verranno forniti al sistema e, nel caso si voglia procedere con la tecnica dell’addestramento supervisionato, è indispensabile “etichettare” i dati selezionati, ossia associare a questi, il valore di uscita corrispondente che si vorrebbe ottenere dal modello.
Considerando le fasi di creazione e modellazione del dataset, uno degli aspetti chiave del processo è rappresentato dalla selezione delle fonti dei dati. Infatti, è opportuno verificare se è possibile attingere a dati pubblici già presenti, o se è necessario raccogliere dei nuovi campioni. In quest’ultimo caso, bisogna poter essere in grado di effettuare la raccolta in tempi ragionevoli. Inoltre, in base al tipo di dato raccolto, risulta fondamentale sottolineare l’importanza della privacy relativa alle informazioni collezionate, in quanto occorre garantire che tali dati siano utilizzati in modo etico e rispettando i diritti degli utenti.
Un esempio fra tutti è rappresentato dall’ambito sanitario, dove il fatto stesso che i dati sanitari siano ricchi di informazioni ritenute sensibili, ha evidenziato nel tempo la necessità di regolamentarne l’utilizzo per limitare i potenziali rischi legati alla possibile “mancanza di privacy, riservatezza e protezione dei dati per i pazienti e i cittadini” (Directorate-General for ParliamentaryResearch Services (EuropeanParliament) et al. 2022). Infatti, sebbene le pratiche di anonimizzazione dei dati permettano di rimuovere le informazioni sensibili dai dati sanitari, spesso ci si trova a dover gestire dei compromessi: se i dati sono anonimizzati al punto che da non fornire alcuna informazione utile sui pazienti, si rischia di perdere informazioni fondamentali per il modello; viceversa, quando l’utilità dei dati – e quindi le informazioni contenute al loro interno – è alta, cresce il rischio di reidentificazione (Sepas et al. 2022).
Il problema della privacy, però, non riguarda solo i dati sanitari. Un altro caso che ha sollevato una notevole polemica riguardo la raccolta e la gestione dei dati per le attività di addestramento di algoritmi di IA ha riguardato Bard, il chatbot dotato di IA realizzato da Google. Anche questo modello, come ChatGPT è dotato di IA generativa – ossia IA che fa uso di modelli di apprendimento automatico per creare risultati completamente nuovi a partire dalla combinazione di un dataset di addestramento – e, proprio come il suo competitor realizzato da OpenAI, sebbene sia in grado di replicare in maniera “realistica”, spesso sbaglia nel contenuto del risultato fornito. La polemica è stata sollevata nel 2023 da un tweet (Crawford 2023) della ricercatrice Kate Crawford, la quale riportava la risposta fornita dal modello alla domanda “Da dove vengono i dataset di Bard?”. Il software, infatti, indicava che tra le sorgenti dei dati ci sarebbero anche alcuni prodotti di Google, come Gmail – uno dei client di posta elettronica più popolari al mondo. La risposta, che non è stata ben accolta dai vari utenti di Gmail, è stata subito smentita dal profilo Twitter ufficiale di Google Workspace, il quale ha anche sottolineato che Bard è ancora un esperimento e, in quanto tale, può commettere degli errori.
In questo contesto, a garanzia della privacy degli utenti, esistono regolamentazioni disponibili nei vari paesi. In Europa, ad esempio, è in vigore il Regolamento generale sulla protezione dei dati (General Data ProtectionRegulation, GDPR), che disciplina la gestione dei dati personali dei cittadini dell’Unione europea. Nel caso specifico dell’Italia, esiste inoltre il Garante della Privacy, ossia un’autorità amministrativa che ha tra i suoi compiti quello di assicurare il rispetto della regolamentazione nel trattamento dei dati personali. Questa figura vigila su piattaforme, servizi e grandi società che hanno a che fare con grosse moli di dati personali e, qualora rilevasse aspetti poco chiari, può arrivare decidere di decretare la limitazione del trattamento dei dati degli utenti italiani nei confronti di una o più società, così come è avvenuto con ChatGPT il 31 Marzo 2023[13]. Tale scelta ha portato OpenAI a sospendere temporaneamente il servizio per tutti gli utenti le cui connessioni avvengono dall’Italia e, di conseguenza, ha diviso in due gruppi la comunità digitale: quello degli utenti in accordo con la decisione presa dal Garante, contrari ad un utilizzo poco trasparente e regolamentato dei propri dati personali da parte di OpenAI (Bernieri 2023); e quello ostile a tale soluzione, che avrebbe preferito poter continuare ad utilizzare il servizio e che vede tale blocco come “un blocco al progresso dell’Italia, che viene esclusa dall’utilizzo di questa tecnologia” (Cremonesi 2023).
5. La responsabilità etica dell’IA
Come precedentemente analizzato, l’IA può essere sfruttata per migliorare la qualità della vita delle persone, proteggere l’ambiente e promuovere la giustizia sociale. È in grado di fornire il supporto necessario allo sviluppo di nuove tecnologie che possono essere impiegate in ambiti che vanno dall’intrattenimento, all’industria automobilistica, passando per le applicazioni in campo sanitario.
Tuttavia, una sua implementazione sbagliata, potrebbe perpetuare le disuguaglianze, causare violazioni della privacy, permettere la manipolazione delle opinioni, causare danni e, in alcuni casi anche la morte.
Infatti, sebbene uno studio (Luttrell et al. 2015) abbia stimato che se il 90% delle automobili negli Stati Uniti fosse a guida autonoma, ogni anno potrebbero essere salvate 25,000 vite, esistono diversi casi di incidenti mortali che hanno coinvolto tali tipi di veicoli. Nello specifico, l’autorità che regola i trasporti negli Stati Uniti, la National Highway Traffic Safety Administration (NHTSA), ha pubblicato un report[14] all’interno del quale ha segnalato che 392 incidenti avvenuti tra il 1 luglio 2021 e il 15 maggio 2022 hanno coinvolto automobili con tecnologia avanzata di assistenza alla guida, tra i quali ci sono stati 6 decessi.
Il primo caso attestato di un incidente simile, è avvenuto il 18 Marzo 2018 in Arizona, quando una macchina a guida autonoma ha investito e ucciso una donna che stava attraversando a piedi una strada a quattro corsie (Levin et al. 2018). In questa specifica circostanza, Rafaela Vasquez, il back-up driver – la persona al posto di guida con la capacità di riprendere il controllo del veicolo in caso di emergenza, per garantire la sicurezza durante la fase di test di un’auto a guida autonoma – è stata accusata di omicidio colposo per la sua “negligenza nella funzione di lavoro assegnatale di intervenire in una situazione pericolosa”[15], in quanto è stato documentato che la donna fosse intenta a guardare il programma The Voice dal suo smartphone nei minuti precedenti l’incidente, secondo un rapporto della polizia.
Con l’obiettivo di standardizzare le soluzioni di autonomia delle auto, e definire le responsabilità nei vari scenari, la Society of Automotive Engineers (SAE) – un ente di normazione nel campo dell’industria aerospaziale, automobilistica e veicolistica – ha creato una scala[16] di sei livelli, specificando e definendo i gradi di autonomia delle vetture, nella quale gli ultimi due corrispondono a sistemi completamente autonomi, in cui la presenza umana non è neppure necessaria. Proprio in situazioni simili, in cui le macchine possono operare scelte autonome, potrebbe non essere possibile trovare una figura umana direttamente responsabile dell’incidente. In questi casi, qualora ci fossero problemi legati alla realizzazione fisica dell’automobile, sarebbe possibile contestare la responsabilità dei difetti direttamente al costruttore. Similarmente, la responsabilità per danni causati da errori di programmazione tali per cui non è stato previsto ciò che si sarebbe dovuto prevedere, sarebbe imputabile al programmatore (Cappellini 2019). Ma cosa accadrebbe in casi non direttamente legati ai danni da prodotto? Poiché, infatti, durante il suo funzionamento, un’autovettura a guida autonoma può trovarsi in situazioni impreviste, questa deve essere in grado di agire cercando di ridurre al minimo i danni. Per farlo, questi sistemi, devono procedere con delle scelte che sono frutto di valutazioni e impostazioni fornite alla macchina dai progettisti.
Con in mente queste problematiche e al fine di esplorare meglio tale “dilemma morale” nell’ambito della guida autonoma, nel 2018 un gruppo di ricercatori provenienti dal Massachusetts Institute of Technology (MIT), da Harvard e da altre università pubblicò un lavoro dal titolo “The Moral Machine Experiment” sulla rivista Nature (Awad et al. 2018). In questo lavoro, Awad et Al. descrissero il risultato di un sondaggio effettuato su una piattaforma attraverso la quale raccolsero più di 40 milioni di risposte da milioni di persone che vivevano in 233 paesi e territori diversi. Tale sondaggio, prospettava ai vari partecipanti degli scenari in cui gli utenti erano obbligati a effettuare una scelta morale su chi salvare in caso di incidente tra diversi gruppi di persone, come ad esempio tra un gruppo di pedoni e il conducente dell’auto, tra un gruppo di persone anziane e uno di bambini, o tra un gruppo di persone obese e uno di persone magre. Gli autori constatarono che, in generale, le persone preferivano salvare il maggior numero di vite possibile, in qualunque contesto, anche a costo di sacrificare il conducente. Inoltre, lo studio evidenziò alcune differenze culturali e individuali nelle preferenze etiche, ad esempio in base all’età, al sesso e al livello di istruzione.
Risulta, quindi abbastanza evidente, che l’adozione massiccia di sistemi di IA metta a dura prova i concetti di responsabilità tradizionale. Si consideri, ad esempio, uno scenario in cui un paziente si sottoponga ad un intervento chirurgico e subisca un danno a causa di un robot dotato di un algoritmo di IA che lavora in modalità black-box. Nel corso del tempo sono state proposte diverse idee per affrontare tale questione. Tra queste, vi è la possibile concessione di uno status giuridico al dispositivo e riservargli un patrimonio per consentirgli di risarcire i danni causati, oppure un riconoscimento giuridico parziale in cui il dispositivo di IA si assuma la responsabilità diretta per le azioni dannose e, allo stesso tempo si continuerebbero a considerare i programmatori e gli utenti indirettamente responsabili in base al danno specifico. Un’altra opzione avanzata è quella di implementare un sistema assicurativo obbligatorio simile all’assicurazione di responsabilità civile (Colletti 2021).
In ogni caso, tali proposte condividono il fatto che gli attuali modelli di gestione delle responsabilità non sono preparati a questo tipo di interazione, dato che le norme che li regolano sono state concepite in un’epoca in cui le lesioni e gli errori erano causati da umani o da macchine gestite direttamente dagli umani. Poiché l’integrazione di sistemi di IA può prevedere scenari in cui la lesione avviene senza alcun intervento umano, tali modelli devono essere adeguati. Infatti, così come l’utente è responsabile per un utilizzo improprio di un sistema dotato di AI, i programmatori e i costruttori sono responsabili per dei problemi legati alla progettazione o all’implementazione. Più generalmente, l’obiettivo è quello di riuscire a distribuire in maniera corretta ed equa le responsabilità al punto da garantire la sicurezza e l’efficacia dell’IA, ma allo stesso tempo non agire da barriera all’innovazione e al progresso tecnologico (Parikh et al.2022).
Con lo scopo di garantire un uso etico dell’IA, l’Unione Europea ha sviluppato e pubblicato una serie di linee guida sotto forma di codice etico che includono raccomandazioni per lo sviluppo e l’implementazione di sistemi abilitati all’IA. Successivamente, nel 2021 ha proposto una legge chiamata “AI Act“, all’interno della quale fornisce una definizione di IA, e presenta un approccio basato sul rischio che divide gli impieghi dell’IA in quattro livelli[17]:
- Rischio minimo o nessun rischio: impiego consentito senza restrizioni, come filtri anti-spam o videogiochi dotati di IA;
- Rischio limitato: impiego consentito ma soggetto a obblighi di informazione/trasparenza, come chatbot;
- Rischio alto: impiego consentito a condizione che siano rispettati determinati requisiti e si sia ottenuta la valutazione di conformità ex-ante, come veicoli a guida autonoma o dispositivi medici;
- Rischio inaccettabile: proibito, come sistemi di social scoring.
Tale regolamentazione contiene, inoltre, alcune norme relative all’IA forte, anche conosciuta come Artificial General Intelligence (AGI) e rappresenta “la prima iniziativa, a livello mondiale, che fornisce un quadro giuridico per l’Intelligenza Artificiale (IA)”[18]. L’AI Act costituisce quindi una solida base per garantire che lo sviluppo dell’IA nell’UE sia etico, legale, socialmente equo e sostenibile dal punto di vista ambientale con lo scopo di contribuire al miglioramento dell’economia, della società e dell’ambiente.
Un altro aspetto sociale, particolarmente importante, e precedentemente accennato, riguarda la possibilità che alcuni sistemi dotati di IA possano sostituire i lavoratori e quindi eliminare numerosi posti di lavoro. Sebbene questa pratica sia comune già dal periodo della prima dell’industrializzazione e quindi dal momento in cui le macchine hanno permesso di automatizzare alcuni processi, oggi, grazie all’avvento dell’IA, il processo si sta estendendo anche al settore dei servizi, dove ad esempio chatbot e assistenti virtuali riescono a sostituire i “colleghi umani” del servizio clienti (Frank et al. 2019). Questo scenario, rende abbastanza evidente il fatto che la perdita del lavoro non abbia un impatto esclusivamente finanziario sulla popolazione. Spesso, infatti, ciò ha delle conseguenze significative anche sulla salute mentale e sul benessere di una persona, perché l’incertezza, che potrebbe derivare anche dalla possibile difficoltà di reinserimento nel mondo del lavoro, può portare a fenomeni di stress, ansia e depressione.
In questo contesto, i governi hanno l’onere di sostenere i lavoratori tramite programmi di sostegno e di riqualificazione, e attraverso la regolamentazione dell’uso dell’IA nei settori in cui la perdita di posti di lavoro potrebbe essere più grave. Infine, anche i singoli individui possono adottare misure proattive per proteggere il proprio futuro professionale, ad esempio sviluppando competenze molto richieste, che possano aiutare il loro reinserimento nel mondo del lavoro.
In questo contesto di forte espansione dell’IA, nel 2023, oltre 50 mila persone hanno firmato una lettera aperta[19] con la quale hanno chiesto una pausa allo sviluppo di sistemi di IA più potenti di GPT-4 – il modello successivo di GPT-3 e, dichiarato da OpenAI molto più potente della versione precedente – al fine di consentire la definizione di regole che garantiscano il loro controllo. Tra i firmatari, sono presenti alcune delle figure di spicco del mondo digitale come il premio Touring Yoshua Bengio, l’imprenditore Elon Musk e il co-fondatore di Apple Steve Wozniak. L’appello esorta tutti i laboratori di IA a fermare lo sviluppo di tali sistemi per almeno sei mesi e chiede ai governi di imporre una moratoria per le aziende che rifiutano di adeguarsi.
Durante questo periodo, gli sforzi dovrebbero essere concentrati sullo sviluppo di protocolli di sicurezza e sistemi di governance dell’IA per garantire che i sistemi di IA siano accurati, sicuri, affidabili ed equi.
Il crescente impiego di sistemi dotati di IA solleva importanti questioni etiche che riguardano alcuni fondamentali valori sociali come la privacy, la sicurezza, la responsabilità e l’equità. Infatti, sebbene i benefici che si riescono a trarre dall’integrazione di tale tecnologia nei vari ambiti – dalla medicina alla formazione – siano molteplici, poiché le sue applicazioni possono avere delle conseguenze anche a lungo termine sulla popolazione, è necessario puntare i riflettori sulle modalità di sviluppo e di utilizzo di questi sistemi.
In un contesto simile, infatti gioca un ruolo importante la consapevolezza degli utilizzatori di tali piattaforme poiché, soprattutto in algoritmi che fanno uso di continuous learning, sono responsabili dei feedback forniti al sistema. Risulta, oltretutto, essenziale curare con la massima attenzione i processi di raccolta dei dati, al fine di ridurre o eliminare bias e discriminazioni di alcun tipo considerando però, allo stesso tempo, fondamentale tutelare gli utenti e i loro dati personali.
È quindi importante che i ricercatori, gli sviluppatori e gli utenti di sistemi dotati di IA collaborino per assicurare che questa tecnologia sia utilizzata in modo responsabile ed etico. Questo richiede, oltre che una maggiore coscienza, anche il continuo miglioramento e il rispetto di regolamenti e normative che permettano di garantire la sicurezza e l’efficacia dell’IA senza però agire da ostacolo al progresso tecnologico.
Altman Sam [@sama]. (2022). «ChatGPT Is Incredibly Limited, but Good Enough at Some Things to Create a Misleading Impression of Greatness. It’s a Mistake to Be Relying on It for Anything Important Right Now. It’s a Preview of Progress; We Have Lots of Work to Do on Robustness and Truthfulness.» Tweet. Twitter. https://twitter.com/sama/status/1601731295792414720.
Asimov Isaac. (2013). I, Robot. This paperback edition published by HarperVoyager 2013. London: HarperVoyager.
Awad Edmond, Sohan Dsouza, Richard Kim, Jonathan Schulz, Joseph Henrich, Azim Shariff, Jean-François Bonnefon, e Iyad Rahwan. (2018). «The Moral Machine Experiment». Nature 563 (7729): 59–64. https://doi.org/10.1038/s41586-018-0637-6.
BathaeeYavar. (2018). «The Artificial Intelligence Black Box and the Failure of Intent and Causation» 31.
Bernieri Christian – DPO [@prevenzione]. (2023). «Attenzione… qui abbiamo un problema: il @GPDP_IT fa il suo dovere e pone domande, chiede spiegazioni, vietando trattamenti illeciti di dati personali. Il tutto senza inventare nulla ma applicando leggi ben note a tutti. @OpenAI esclude l’Italia dall’accesso ai suoi servizi,…». Tweet. Twitter. https://twitter.com/prevenzione/status/1642034490410246147.
Best Jo. (2013). «IBM Watson: The inside Story of How the Jeopardy-Winning Supercomputer Was Born, and What It Wants to Do Next». TechRepublic. 9 settembre 2013. https://www.techrepublic.com/article/ibm-watson-the-inside-story-of-how-the-jeopardy-winning-supercomputer-was-born-and-what-it-wants-to-do-next/.
Brown Tom B., Benjamin Mann, Nick Ryder, Melanie Subbiah, Jared Kaplan, Prafulla Dhariwal, Arvind Neelakantan, et al. (2020). «Language Models are Few-Shot Learners». arXiv. http://arxiv.org/abs/2005.14165.
Cappellini Alberto. (2019). «MACHINA DELINQUERE NON POTEST? * BREVI APPUNTI SU INTELLIGENZA ARTIFICIALE E RESPONSABILITÀ PENALE».
Cerdan Victor, e Graciela Padilla-Castillo. (2019). «Historia del fake audiovisual: deepfake y la mujer en un imaginario falsificado y perverso». Historia y Comunicación Social 24 (settembre). https://doi.org/10.5209/hics.66293.
Cole Samantha. (2017). «AI-Assisted Fake Porn Is Here and We’re All Fucked». Vice (blog). 11 dicembre 2017. https://www.vice.com/en/article/gydydm/gal-gadot-fake-ai-porn.
Colletti Elisa. (2021). «INTELLIGENZA ARTIFICIALE E ATTIVITÀ SANITARIA. PROFILI GIURIDICI DELL’UTILIZZO DELLA ROBOTICA IN MEDICINA».
Crawford Kate [@katecrawford]. (2023). «Umm, Anyone a Little Concerned That Bard Is Saying Its Training Dataset Includes… Gmail? I’m Assuming That’s Flat out Wrong, Otherwise Google Is Crossing Some Serious Legal Boundaries. Https://T.Co/0muhrFeZEA». Tweet. Twitter. https://twitter.com/katecrawford/status/1638238113276346368.
Cremonesi Paolo. (2023). «Il Garante della privacy ha bloccato ChatGPT in Italia.» 2023. https://www.linkedin.com/posts/paolocremonesi_il-garante-della-privacy-ha-bloccato-chatgpt-activity-7047826026084626432-HXLO/?utm_source=share&utm_medium=member_desktop.
Crevier Daniel. (1993). AI: The Tumultuous History of the Search for Artificial Intelligence.
De Vita Fabrizio, Giorgio Nocera, Dario Bruneo, Valeria Tomaselli, Davide Giacalone, e Sajal K. Das. (2020). «Quantitative Analysis of Deep Leaf: a Plant Disease Detector on the Smart Edge». In 2020 IEEE International Conference on Smart Computing (SMARTCOMP), 49–56. https://doi.org/10.1109/SMARTCOMP50058.2020.00027.
Directorate-General for Parliamentary Research Services (European Parliament), Karim Lekadir, Gianluca Quaglio, Anna Tselioudis Garmendia, e Catherine Gallin. (2022). Artificial Intelligence in Healthcare: Applications, Risks, and Ethical and Societal Impacts. LU: Publications Office of the European Union. https://data.europa.eu/doi/10.2861/568473.
Frank Morgan R., David Autor, James E. Bessen, Erik Brynjolfsson, Manuel Cebrian, David J. Deming, Maryann Feldman, et al. (2019). «Toward understanding the impact of artificial intelligence on labor». Proceedings of the National Academy of Sciences 116 (14): 6531–39. https://doi.org/10.1073/pnas.1900949116.
Gillespie Nicole, Steven Lockey, Caitlin Curtis, Javad Pool, e Ali Akbari. (2023). «Trust in Artificial Intelligence: A Global Study». Brisbane, Australia: The University of Queensland; KPMG Australia. https://doi.org/10.14264/00d3c94.
Grote Thomas, Geoff Keeling. (2022). «Enabling Fairness in Healthcare Through Machine Learning». Ethics and Information Technology 24 (3): 39. https://doi.org/10.1007/s10676-022-09658-7.
Halevy Alon, Peter Norvig, e Fernando Pereira. (2009). «The Unreasonable Effectiveness of Data». IEEE Intelligent Systems 24 (2): 8–12. https://doi.org/10.1109/MIS.2009.36.
Hancell Greg. (2023). «(14) Continuous Learning is a must… | LinkedIn». 2023. https://www.linkedin.com/pulse/continuous-learning-must-greg-hancell/.
Johnson Melvin, Mike Schuster, Quoc V. Le, Maxim Krikun, Yonghui Wu, Zhifeng Chen, Nikhil Thorat, et al. (2017). «Google’s Multilingual Neural Machine Translation System: Enabling Zero-Shot Translation». arXiv. http://arxiv.org/abs/1611.04558.
LeCun Y., B. Boser, J. S. Denker, D. Henderson, R. E. Howard, W. Hubbard, e L. D. Jackel. (1989). «Backpropagation Applied to Handwritten Zip Code Recognition». Neural Computation 1 (4): 541–51. https://doi.org/10.1162/neco.1989.1.4.541.
LeCun Yann, Yoshua Bengio, e Geoffrey Hinton. (2015). «Deep Learning». Nature 521 (7553): 436–44. https://doi.org/10.1038/nature14539.
Levin Sam, e Julia Carrie Wong. (2018). «Self-Driving Uber Kills Arizona Woman in First Fatal Crash Involving Pedestrian». The Guardian, 19 marzo 2018, sez. Technology. https://www.theguardian.com/technology/2018/mar/19/uber-self-driving-car-kills-woman-arizona-tempe.
Luttrell Kevin, Michael Weaver, e Mitchel Harris. (2015). «The Effect of Autonomous Vehicles on Trauma and Health Care». Journal of Trauma and Acute Care Surgery 79 (4): 678–82. https://doi.org/10.1097/TA.0000000000000816.
Marchetti Dario, reg. (2023). Il miracolo di ChatGPT è scrivere testi che per un umano richiederebbero intelligenza senza averne. https://www.rainews.it/video/2023/02/il-miracolo-di-chatgpt–scrivere-testi-che-per-un-umano-richiederebbero-intelligenza-senza-averne-b4f858a2-8667-40ef-86ce-8cb4cabb0534.html.
Mattu Julia Angwin, Jeff Larson,Lauren Kirchner,Surya. (2016). «Machine Bias». ProPublica. 2016. https://www.propublica.org/article/machine-bias-risk-assessments-in-criminal-sentencing.
McCarthy J, M L Minsky, N Rochester, e C E Shannon. (1955). «A PROPOSAL FOR THE DARTMOUTH SUMMER RESEARCH PROJECT ON ARTIFICIAL INTELLIGENCE», agosto.
McCulloch Warren S., e Walter Pitts. (1943). «A Logical Calculus of the Ideas Immanent in Nervous Activity». The Bulletin of Mathematical Biophysics 5 (4): 115–33. https://doi.org/10.1007/BF02478259.
Newell A., e H. Simon. (1956). «The logic theory machine–A complex information processing system». IRE Transactions on Information Theory 2 (3): 61–79. https://doi.org/10.1109/TIT.1956.1056797.
Obermeyer Ziad, Brian Powers, Christine Vogeli, e Sendhil Mullainathan. (2019). «Dissecting Racial Bias in an Algorithm Used to Manage the Health of Populations». Science 366 (6464): 447–53. https://doi.org/10.1126/science.aax2342.
Parikh George Maliha, Ravi B. (2022). «Who Is Liable When AI Kills?» Scientific American. 2022. https://www.scientificamerican.com/article/who-is-liable-when-ai-kills/.
Perez Sarah. (2016). «Microsoft Silences Its New A.I. Bot Tay, after Twitter Users Teach It Racism [Updated]». TechCrunch (blog). 24 marzo 2016. https://techcrunch.com/2016/03/24/microsoft-silences-its-new-a-i-bot-tay-after-twitter-users-teach-it-racism/.
Pigford Josh [@Shpigford]. (2023). «✨ AI Challenge: I’m Going to Build an IOS Game Using Only GPT-4 (and Probably Midjourney for Some Design Elements). I Have Basically Zero Experience Building IOS Apps. I’ve Tried to Learn the Traditional Way and Failed Every Time. May the Odds Be Ever in My Favor.» Tweet. Twitter. https://twitter.com/Shpigford/status/1637303300671275008.
Raj Rahul, Teemu Luostarinen, Eetu Pursiainen, Jussi P. Posti, Riikka S. K. Takala, Stepani Bendel, Teijo Konttila, e Miikka Korja. (2019). «Machine Learning-Based Dynamic Mortality Prediction after Traumatic Brain Injury». Scientific Reports 9 (1): 17672. https://doi.org/10.1038/s41598-019-53889-6.
Rumelhart David E., Geoffrey E. Hinton, e Ronald J. Williams. (1986). «Learning Representations by Back-Propagating Errors». Nature 323 (6088): 533–36. https://doi.org/10.1038/323533a0.
Samuel A. L. (2000). «Some studies in machine learning using the game of checkers». IBM Journal of Research and Development 44 (1.2): 206–26. https://doi.org/10.1147/rd.441.0206.
Sepas Ali, Ali Haider Bangash, Omar Alraoui, Khaled El Emam, e Alaa El-Hussuna. (2022). «Algorithms to anonymize structured medical and healthcare data: A systematic review». Frontiers in Bioinformatics 2. https://www.frontiersin.org/articles/10.3389/fbinf.2022.984807.
Shannon Claude E. (1988). «Programming a Computer for Playing Chess». In Computer Chess Compendium, a cura di David Levy, 2–13. New York, NY: Springer New York. https://doi.org/10.1007/978-1-4757-1968-0_1.
Sutton Richard. (1997). «11.2 Samuel’s Checkers Player». 30 maggio 1997. http://incompleteideas.net/book/11/node3.html.
Turing A. M. (1950). «I.—COMPUTING MACHINERY AND INTELLIGENCE». Mind LIX (236): 433–60. https://doi.org/10.1093/mind/LIX.236.433.
Vincent James. (2018). «Amazon Reportedly Scraps Internal AI Recruiting Tool That Was Biased against Women». The Verge. 10 ottobre 2018. https://www.theverge.com/2018/10/10/17958784/ai-recruiting-tool-bias-amazon-report.
Vyas Darshali A., Leo G. Eisenstein, e David S. Jones. (2020). «Hidden in Plain Sight — Reconsidering the Use of Race Correction in Clinical Algorithms». A cura di Debra Malina. New England Journal of Medicine 383 (9): 874–82. https://doi.org/10.1056/NEJMms2004740.
Wang Chongren, e Zhuoyi Xiao. (2022). «A Deep Learning Approach for Credit Scoring Using Feature Embedded Transformer». Applied Sciences 12 (21): 10995. https://doi.org/10.3390/app122110995.
- https://www.youtube.com/watch?v=_9_AEVQ_p74 ↑
- https://www.thats-ai.org/en-GB/units/a-brief-history-of-ai ↑
- https://www.geeksforgeeks.org/what-is-google-brain/ ↑
- https://research.facebook.com/publications/deepface-closing-the-gap-to-human-level-performance-in-face-verification/ ↑
- https://openai.com/ ↑
- https://openai.com/blog/chatgpt ↑
- https://www.treccani.it/enciclopedia/etica_(Enciclopedia-dei-ragazzi) ↑
- https://www.bbc.com/news/technology-33347866 ↑
- https://www.resumebuilder.com/1-in-4-companies-have-already-replaced-workers-with-chatgpt/ ↑
- https://www.alphagalileo.org/en-gb/Item-Display/ItemId/230890 ↑
- https://help.openai.com/en/articles/6783457-chatgpt-general-faq ↑
- https://en.wikipedia.org/wiki/List_of_datasets_for_machine-learning_research ↑
- https://www.agi.it/innovazione/news/2023-04-01/chatgpt_stop_in_italia_openai_garante_privacy-20770966/ ↑
- https://www.nhtsa.gov/sites/nhtsa.gov/files/2022-06/ADAS-L2-SGO-Report-June-2022.pdf ↑
- https://www.azcentral.com/story/news/local/tempe-breaking/2018/06/21/uber-self-driving-car-crash-tempe-police-elaine-herzberg/724344002/ ↑
- https://www.sae.org/site/blog/sae-j3016-update ↑
- https://www.adalovelaceinstitute.org/resource/eu-ai-act-explainer/ ↑
- https://edps.europa.eu/press-publications/press-news/press-releases/2021/artificial-intelligence-act-welcomed-initiative ↑
- https://futureoflife.org/open-letter/pause-giant-ai-experiments/ ↑
