Nel suo intervento Marco Aldinucci si è soffermato su diversi temi inerenti l’IA, anche esplicativi delle tecnologie in atto.

Ad esempio il Machine Learning (ML), una branca dell’intelligenza artificiale attiva da oltre mezzo secolo, anche se la capacità dei metodi basati su ML nel risolvere problemi di interesse applicativo in modo efficiente è emersa solo recentemente. Una buona parte di questo successo è dovuto agli avanzamenti nell’ambito del Deep Learning (DL), un paradigma di apprendimento che utilizza le reti neurali profonde (Deep Neural Networks – DNN) che si sono dimostrate eccezionalmente efficaci in diversi ambiti applicativi, come la visione artificiale e il riconoscimento del parlato.
Le DNN sono un tipo di reti neurali artificiali (Artificial Neural Networks – ANN) con numerosi strati di neuroni artificiali collegati fra loro. Esistono diversi approcci per l’addestramento delle ANN/DNN, fra i quali supervised learning, unsupervised learning e reinforcement learning.

Le ragioni del sostanziale miglioramento delle prestazioni delle DNN sono da attribuire alla combinazione di diverse innovazioni che hanno permesso di aumentare la capacità di analizzare e generalizzare grandi insiemi di esempi. Fra queste innovazioni:
● l’incremento dei dati in forma digitale disponibili in tutti gli ambiti applicativi, e quindi degli esempi necessari per il procedimento di apprendimento automatico;
● l’ottimizzazione dei metodi di addestramento delle reti neurali;
● l’utilizzo di acceleratori per il calcolo parallelo come le GPU e più in generale dei sistemi di calcolo ad alte prestazioni in grado accelerare in modo eccezionale la velocità nel processare gli esempi e quindi aumentare il numero di esempi che possono essere processati in tempo utile per addestrare una singola rete neurale (misurabile in ore, giorni o anche mesi di calcolo).

Con il termine High-Performance Computing (HPC), a sua volta, si descrive la classe di architetture, di applicazioni e di strumenti per il loro sviluppo, che esprime prestazioni di calcolo molto superiori allo standard di mercato.
L’Italia è un paese che investe molto in HPC. Nel 2020, ad esempio, è stata la quarta nazione al mondo per potenza di calcolo installata (dopo Stati Uniti, Cina e Giappone).

Zohr, scoperto da Eni nel 2015 al largo della costa egiziana, è probabilmente l’esempio più evidente del valore abilitante dei sistemi HPC per i settori industriali fortemente competitivi che hanno nella loro catena del valore l’efficienza nell’analizzare e simulare sistemi complessi in tempo utile, in questo specifico caso l’orografia del sottosuolo. L’individuazione di un possibile campo petrolifero richiede una grande potenza di calcolo perché il problema di ricostruire l’orografia del sottosuolo a molti km sottoterra mediante segnali radio (come un'ecografia) è tecnicamente complesso, ma anche perché il tempo disponibile per ogni compagnia per esercitare un’opzione di sfruttamento è generalmente piuttosto limitato. Per esercitare una scelta corretta prima di iniziare a perforare si deve poter disporre delle migliori previsioni possibili, la cui qualità dipende dall’integrale della potenza di calcolo nel tempo. Da cui la necessità di poter disporre di una enorme potenza di calcolo. Negli ultimi 15 anni, Eni ha investito in HPC installando una sequenza di supercalcolatori da HPC1 all’odierno HPC-5 con ciclo di vita medio di 2-3 anni per ogni installazione.