Intelligenza Artificiale: gli elementi chiave

L'Intelligenza Artificiale (IA) è stato senza dubbio l'argomento più caldo del 2019 e non ci lascerà di certo nel 2020. La stessa Unione Europea ha riconosciuto l'importanza strategica dell'Intelligenza Artificiale e ha iniziato a sviluppare un approccio europeo all'IA attraverso l’implementazione di numerose misure, che includono il finanziamento del programma Horizon 2020 e la creazione del Gruppo di esperti di alto livello sull'Intelligenza Artificiale (Artificial Intelligence High Level Expert Group – HILEG). ^[1]

Ciò che sembra essere ancora più diffuso, tuttavia, è l’utilizzo improprio di queste due parole soprattutto da parte di soggetti “profani”, ossia non ingegneri o informatici, che operano in ambito legale e/o sanitario.

Questo articolo mira a fare luce su alcuni concetti chiave relativi all’Intelligenza Artificiale che serviranno da base per intraprendere un’analisi giuridica dei profili connessi all’utilizzo dell’IA in ambito sanitario.

Gli aspetti giuridici che verranno analizzati nel corso di questa rubrica sono molteplici: si parlerà del rapporto tra Intelligenza Artificiale e il rispetto dei principi relativi al trattamento dei dati personali sanciti nel GDPR e ulteriori norme di settore, di trasparenza ed explainability, di AI e processo decisionale automatizzato (art. 22 GDPR) nonché dei profili riguardanti l’IA come dispositivo medico alla luce del regolamento europeo 2017/745-MDR, ed infine si analizzeranno i profili relativi alla responsabilità sanitaria nell'utilizzo dell'intelligenza artificiale.

Iniziamo facendo un po' di chiarezza nelle definizioni.

Intelligenza Artificiale

Una delle problematiche principali relative all’IA, dal punto di vista giuridico, è che non vi è consenso relativamente alla sua definizione nel mondo scientifico. Inoltre c’è confusione su quando si stia effettivamente parlando di Intelligenza Artificiale e su quando invece si ha a che fare con mera fantascienza. A questo proposito, l'Università di Helsinki, insieme a Reaktor, ha lanciato nel 2018 un corso universitario gratuito online con l'obiettivo di educare l'1% dei cittadini europei all'Intelligenza Artificiale entro il 2021.^[2]

Come evidenziato nel corso, una causa di questa confusione è data dal fatto che attività che sono semplici per un essere umano sono in realtà difficili da riprodurre tramite un’Intelligenza Artificiale. Se pensiamo ad esempio ad una semplice task come guardarsi intorno per trovare un oggetto da raccogliere, questa è in realtà il risultato di una serie di operazioni complesse in sequenza: utilizzare la vista per analizzare ciò che ci circonda, individuare un oggetto che sia adatto ad essere raccolto, pianificare la traiettoria giusta, contrarre i muscoli giusti per effettuare il movimento e applicare la giusta misura di forza richiesta per tenere l’oggetto tra le dita. Allo stesso modo, operazioni che richiedono ad un essere umano esperienza ed allenamento, come risolvere un’equazione complicata o giocare una partita di scacchi, sono attività molto adatte ad un computer, il quale segue regole determinate ed è in grado di testare alternative ad una velocità sorprendente.

Secondo l’AI HLEG, 

"I sistemi di intelligenza artificiale (AI) sono sistemi software (ed eventualmente anche hardware) progettati dagli esseri umani che, dato un obiettivo complesso, agiscono nella dimensione fisica o digitale percependo il loro ambiente attraverso l'acquisizione di dati, interpretando i dati strutturati o non strutturati raccolti, ragionando sulla conoscenza, o elaborando le informazioni derivate da questi dati, e decidendo la migliore azione o le migliori azioni da intraprendere per raggiungere l'obiettivo dato. I sistemi di intelligenza artificiale possono utilizzare regole simboliche o imparare un modello numerico, e possono anche adattare il loro comportamento analizzando come l'ambiente è influenzato dalle loro azioni precedenti.”^[3]

L'HILEG fa riferimento a "sistemi" di Intelligenza Artificiale, poiché solitamente l'Intelligenza Artificiale è incorporata come componente di sistemi più complessi. Si possono avere sistemi dotati di Intelligenza Artificiale puramente software-based, che operano nel mondo virtuale (ad es. assistenti vocali, diagnostica per immagini, motori di ricerca) e sistemi che sono invece integrati in componenti hardware (ad es. droni, robot).[4]

I sistemi di IA sono autonomi, il che significa che possono eseguire compiti senza una costante guida da parte dell'utente e adattabili poiché possono migliorare le loro prestazioni imparando dalle esperienze passate.

Il significato di Intelligenza Artificiale non si esaurisce qui. Indica infatti anche una particolare branca dell’informatica che, al suo interno, include numerosi approcci e tecniche come ad esempio il machine learning e la robotica.

Algoritmo

È la “cellula” dell’Intelligenza Artificiale. Tecnicamente, è definito come una sequenza finita di operazioni o istruzioni che a partire da un set iniziale di dati (input) ottiene un risultato (output) che soddisfa una serie di requisiti preassegnati. Come affermato nel recentissimo Statuto Etico e Giuridico dell’Intelligenza Artificiale redatto dalla Fondazione Leonardo, posto che l’algoritmo è un’operazione matematica ed è predicibile, è proprio la definizione dei requisiti l’elemento essenziale in cui si ha l’intervento di un operatore umano.

Di conseguenza, sarà nel definire i vincoli e gli obiettivi dell’algoritmo che si avranno i maggiori risvolti etici e giuridici.^[5] 

Machine learning

Attraverso tecniche di machine learning un algoritmo è capace di utilizzare metodi statistici per individuare dei patterns nei dati e di apprendere da questi, migliorando la propria performance. Ciò comporta che l’algoritmo sarà progettato in modo che il suo comportamento possa evolvere nel tempo, prendendo decisioni su come realizzare il risultato richiesto.

Supervised/unsupervised Machine learning

Con il concetto di supervised learning si fa riferimento alla situazione in cui un algoritmo viene addestrato sulla base di dati di input già classificati dall'uomo. L'algoritmo definirà quindi delle regole di classificazione sulla base di esempi che costituiscono casi validati. L'apprendimento supervisionato implica che i supervisori insegnino alla macchina l'output che deve produrre. I supervisori sanno già quale dovrebbe essere il valore di uscita per i campioni forniti alla macchina per l'addestramento.

Un esempio di algoritmi con apprendimento supervisionato sono i software nella diagnostica per immagini: sulla base delle istruzioni fornite dai medici (una certa alterazione anatomica comporta la diagnosi di una specifica malattia) sono addestrati a classificare se un paziente ha o meno quella malattia basandosi sull’analisi di un’immagine nuova, non utilizzata come input.

Al contrario, l'apprendimento non supervisionato implica che dati di input non etichettati vengano forniti ad algoritmi che poi produrranno una loro classificazione basata su un pattern o su una variabile da questi identificata.

In questo campo, come si evince, è di massima importanza la qualità del dato che viene utilizzato per “allenare” l’algoritmo. Qualsiasi tipo di bias nella classificazione dei dati, infatti, porterebbe l’IA a produrre un risultato discriminatorio, seguendo il famoso principio denominato GIGO: Garbage In, Garbage Out.

Si intravedono, in questo campo, le problematiche relative all’etica del dato, al rispetto da parte di un sistema di IA dei principi fondamentali dell’individuo e relativi alla data protection sanciti nel GDPR, come ad esempio il principio della data protection by design e by default. Tali temi, come preannunciato, saranno oggetti di focus specifici.

Deep learning

Si tratta di una sottoclasse del machine learning che si avvale di algoritmi che analizzano i dati attraverso molteplici strati di elaborazioni complesse. Ciò significa che l'output di ogni strato viene utilizzato come input per lo strato successivo. Si ispira all'elaborazione delle informazioni visive nel cervello da parte della retina.

Artificial neural networks

È un tipo di architettura di machine learning che simula la struttura del cervello umano in modo semplificato.

Sebbene non esaustivo, speriamo che questo brevissimo glossario funga da strumento utile a comprendere concetti molto complessi come quelli attinenti all’Intelligenza Artificiale e che sia da supporto per l’analisi giuridica più approfondita che seguirà nelle prossime settimane.


Note:

[1] Per un elenco delle misure fino ad ora adottate dall’UE vedi: https://ec.europa.eu/digital-single-market/en/artificial-intelligence.

[2] Per accedere al corso: https://www.elementsofai.com/. Il corso sarà tradotto in tutte le lingue dell’UE entro il 2020.

[3] Disponibile (in inglese) presso: https://ec.europa.eu/newsroom/dae/document.cfm?doc_id=56341.

[4] Artificial Intelligence for Europe, Communication from the Commission to the European Parliament, the European Council, the Council, the European Economic and Social Committee and the Committee of the Regions on Artificial Intelligence for Europe, p.1. Disponibile presso: https://ec.europa.eu/newsroom/dae/document.cfm?doc_id=51625.

[5] Disponibile presso: https://fondazioneleonardo-dm.com/site/assets/files/2450/fle1_booklet_conferenza_ita_gar_301019.pdf

Rubrica "Sanità Digitale e Intelligenza Artificiale"

Leggi gli altri articoli presenti nella nostra rubrica dedicata.

VAI ALLA RUBRICA