Risposta breve: la tecnologia AI è un insieme di metodi che consentono ai computer di apprendere dai dati, rilevare modelli, comprendere o generare linguaggio e supportare le decisioni. In genere, comporta l'addestramento di un modello su esempi e la sua successiva applicazione per fare previsioni o creare contenuti; con l'evoluzione del mondo, richiede un monitoraggio continuo e un aggiornamento periodico.
Punti chiave:
Definizione: i sistemi di intelligenza artificiale deducono previsioni, raccomandazioni o decisioni da input complessi.
Capacità fondamentali: apprendimento, riconoscimento di modelli, linguaggio, percezione e supporto decisionale costituiscono le basi.
Stack tecnologico: ML, deep learning, NLP, visione, RL e intelligenza artificiale generativa spesso lavorano in combinazione.
Ciclo di vita: formazione, convalida, distribuzione e monitoraggio per individuare eventuali scostamenti e decadimento delle prestazioni.
Governance: utilizzare controlli di pregiudizio, supervisione umana, controlli sulla privacy/sicurezza e una chiara responsabilità.
Articoli che potrebbero interessarti dopo questo:
🔗 Come testare i modelli di intelligenza artificiale
Metodi pratici per valutare accuratezza, distorsione, robustezza e prestazioni.
🔗 Cosa significa AI?
Una spiegazione semplice del significato dell'intelligenza artificiale e dei luoghi comuni più comuni.
🔗 Come usare l'intelligenza artificiale per la creazione di contenuti
Utilizza l'intelligenza artificiale per fare brainstorming, elaborare bozze, modificare e adattare i contenuti.
🔗 L'intelligenza artificiale è sopravvalutata?
Uno sguardo equilibrato alle promesse, ai limiti e ai risultati concreti dell'intelligenza artificiale.
Cos'è la tecnologia AI 🧠
La tecnologia dell'IA (Intelligenza Artificiale) è un insieme ampio di metodi e strumenti che consentono alle macchine di eseguire comportamenti "intelligenti", come ad esempio:
-
Imparare dai dati (invece di essere programmati esplicitamente per ogni scenario)
-
Riconoscere modelli (volti, frodi, segnali medici, tendenze)
-
Comprensione o generazione del linguaggio (chatbot, traduzione, riassunti)
-
Pianificazione e processo decisionale (routing, raccomandazioni, robotica)
-
Percezione (visione, riconoscimento vocale, interpretazione dei sensori)
Se si desidera un fondamento più o meno "ufficiale", l'inquadramento dell'OCSE è un utile punto di riferimento: considera un sistema di IA come qualcosa in grado di dedurre dagli input per produrre output come previsioni, raccomandazioni o decisioni che influenzano gli ambienti. In altre parole: prende in esame una realtà complessa → produce un output basato su una "migliore ipotesi" → influenza ciò che accade in seguito. [1]
Non mentirò: "IA" è un termine generico. Sotto di esso si trovano molti sottocampi, e la gente li chiama tutti casualmente "IA", anche quando sono solo statistiche fantasiose con un cappuccio.
Tecnologia AI in parole povere (senza giri di parole) 😄
Immagina di gestire una caffetteria e di iniziare a monitorare gli ordini.
All'inizio, si fa un'ipotesi: "Sembra che ultimamente la gente desideri di più il latte d'avena?".
Poi si guardano i dati e si arriva alla conclusione: "A quanto pare, il consumo di latte d'avena aumenta vertiginosamente nei fine settimana".
Ora immagina un sistema che:
-
osserva quegli ordini,
-
trova schemi che non avevi notato,
-
prevede cosa venderai domani,
-
e suggerisce la quantità di inventario da acquistare..
Questa capacità di individuazione di modelli + previsione + supporto alle decisioni è la versione quotidiana della tecnologia dell'intelligenza artificiale. È come dare al tuo software un paio di occhi decenti e un quaderno un po' ossessivo.
A volte è come regalare un pappagallo che ha imparato a parlare benissimo. Utile, ma... non sempre saggio. Ne parleremo più avanti.
I principali elementi costitutivi della tecnologia AI 🧩
L'intelligenza artificiale non è un'unica cosa. È un insieme di approcci che spesso lavorano insieme:
Apprendimento automatico (ML)
I sistemi apprendono le relazioni dai dati anziché da regole fisse.
Esempi: filtri antispam, previsione dei prezzi, previsione del tasso di abbandono.
Apprendimento profondo
Un sottoinsieme di ML che utilizza reti neurali con molti livelli (adatte a dati complessi come immagini e audio).
Esempi: conversione da voce a testo, etichettatura delle immagini, alcuni sistemi di raccomandazione.
Elaborazione del linguaggio naturale (NLP)
Tecnologie che aiutano le macchine a interagire con il linguaggio umano.
Esempi: ricerca, chatbot, analisi del sentiment, estrazione di documenti.
Visione artificiale
Intelligenza artificiale che interpreta input visivi.
Esempi: rilevamento di difetti nelle fabbriche, supporto all'imaging, navigazione.
Apprendimento per rinforzo (RL)
Apprendimento per tentativi ed errori, utilizzando ricompense e penalità.
Esempi: addestramento robotico, agenti di gioco, ottimizzazione delle risorse.
IA generativa
Modelli che generano nuovi contenuti: testo, immagini, musica, codice.
Esempi: assistenti alla scrittura, bozzetti di design, strumenti di riepilogo.
Se si desidera un luogo in cui organizzare molta ricerca moderna sull'intelligenza artificiale e discussioni pubbliche (senza immediatamente sciogliere il cervello), Stanford HAI è un solido centro di riferimento. [5]
Un rapido modello mentale "come funziona" (addestramento vs. utilizzo) 🔧
La maggior parte dell'intelligenza artificiale moderna si compone di due grandi fasi:
-
Addestramento: il modello apprende modelli da numerosi esempi.
-
Inferenza: il modello addestrato riceve un nuovo input e produce un output (previsione/classificazione/testo generato, ecc.).
Un'immagine pratica, non troppo matematica:
-
Raccogli dati (testo, immagini, transazioni, segnali dei sensori)
-
Dargli forma (etichette per l'apprendimento supervisionato o struttura per approcci auto-/semi-supervisionati)
-
Addestrare (ottimizzare il modello in modo che funzioni meglio negli esempi)
-
Convalida su dati mai visti prima (per individuare l'overfitting)
-
Distribuire
-
Monitorare (perché la realtà cambia e i modelli non si aggiornano magicamente)
Idea chiave: molti sistemi di intelligenza artificiale non "capiscono" come gli umani. Imparano relazioni statistiche. Ecco perché l'intelligenza artificiale può essere bravissima nel riconoscimento di schemi e fallire nel buon senso. È come uno chef geniale che a volte dimentica che i piatti esistono.
Tabella comparativa: opzioni comuni della tecnologia AI (e a cosa servono) 📊
Ecco un modo pratico per pensare ai "tipi" di tecnologia AI. Non è perfetto, ma è utile.
| Tipo di tecnologia AI | Ideale per (pubblico) | Prezzo-ish | Perché funziona (velocemente) |
|---|---|---|---|
| Automazione basata su regole | Piccoli team operativi, flussi di lavoro ripetitivi | Basso | Semplice logica se-allora, affidabile... ma fragile quando la vita diventa imprevedibile |
| Apprendimento automatico classico | Analisti, team di prodotto, previsioni | Medio | Apprende modelli da dati strutturati, ottimo per "tabelle + tendenze" |
| Apprendimento profondo | Team di visione/audio, percezione complessa | Abbastanza alto | Ottimo per input complessi, ma necessita di dati + elaborazione (e pazienza) |
| PNL (analisi del linguaggio) | Team di supporto, ricercatori, conformità | Medio | Estrae significato/entità/intento; può ancora fraintendere il sarcasmo 😬 |
| IA generativa | Marketing, scrittura, codifica, ideazione | Varia | Crea contenuti velocemente; la qualità dipende da spunti + guardrail... e sì, occasionalmente qualche sciocchezza sicura |
| Apprendimento per rinforzo | Robotica, nerd dell'ottimizzazione (detto con amore) | Alto | Impara strategie esplorando; potente ma la formazione può essere costosa |
| Intelligenza artificiale al limite | IoT, fabbriche, dispositivi sanitari | Medio | Esegue modelli sul dispositivo per velocità e privacy, riducendo la dipendenza dal cloud |
| Sistemi ibridi (IA + regole + esseri umani) | Imprese, flussi di lavoro ad alto rischio | Medio-alto | Pratico: gli esseri umani hanno ancora momenti di "aspetta, cosa?" |
Sì, il tavolo è un po' irregolare, così è la vita. Le scelte tecnologiche dell'intelligenza artificiale si sovrappongono come cuffie in un cassetto.
Cosa rende un buon sistema di tecnologia AI? ✅
Questa è la parte che la gente salta perché non è così brillante. Ma in pratica, è lì che risiede il successo.
Un “buon” sistema di tecnologia AI solitamente ha:
-
Un compito chiaro da svolgere
, "Aiutare a smistare le richieste di assistenza", è sempre meglio di "diventare più intelligente". -
Qualità dei dati decente.
Se inserisci spazzatura, otterrai spazzatura... e a volte otterrai spazzatura con sicurezza 😂 -
Risultati misurabili
Precisione, tasso di errore, tempo risparmiato, costi ridotti, maggiore soddisfazione dell'utente. -
Controlli di bias ed equità (specialmente in caso di utilizzo ad alto rischio)
Se ha un impatto sulla vita delle persone, lo si testa seriamente e si considera la gestione del rischio come un processo continuo, non come una semplice spunta da spuntare una volta per tutte. Il framework di gestione del rischio dell'IA del NIST è uno dei manuali pubblici più chiari per questo tipo di approccio "costruisci + misura + governa". [2] -
Supervisione umana dove conta
Non perché gli esseri umani siano perfetti (lol), ma perché la responsabilità è importante. -
Monitoraggio dopo il lancio
. I modelli si discostano. Il comportamento degli utenti cambia. La realtà non si cura dei dati di addestramento.
Un rapido “esempio composito” (basato su distribuzioni molto tipiche)
Un team di supporto implementa un sistema di instradamento dei ticket basato sull'apprendimento automatico. Prima settimana: un successo clamoroso. Ottava settimana: il lancio di un nuovo prodotto cambia gli argomenti dei ticket e l'instradamento peggiora silenziosamente. La soluzione non è "più IA", ma monitoraggio, riaddestramento dei trigger e un percorso di fallback umano. L'infrastruttura meno appariscente salva la situazione.
Sicurezza + privacy: non facoltativi, non una nota a piè di pagina 🔒
Se la tua intelligenza artificiale tocca dati personali, sei nel territorio delle "regole da adulti".
In genere, si desidera: controlli di accesso, minimizzazione dei dati, conservazione accurata, chiari limiti di scopo e rigorosi test di sicurezza, oltre a maggiore cautela laddove le decisioni automatizzate influiscano sulle persone. Le linee guida dell'ICO del Regno Unito su intelligenza artificiale e protezione dei dati rappresentano una risorsa pratica, di livello normativo, per riflettere su equità, trasparenza e implementazione in linea con il GDPR. [3]
I rischi e i limiti (ovvero la parte che le persone imparano a proprie spese) ⚠️
La tecnologia AI non è automaticamente affidabile. Errori comuni:
-
Distorsione e risultati ingiusti
Se i dati di addestramento riflettono la disuguaglianza, i modelli possono ripeterla o amplificarla. -
Allucinazioni (per l'IA generativa)
Alcuni modelli generano risposte che sembrano corrette ma non lo sono. Non si tratta esattamente di "mentire", è più simile a una commedia d'improvvisazione con sicurezza. -
Vulnerabilità della sicurezza
Attacchi avversari, iniezione immediata, avvelenamento dei dati: sì, la situazione diventa surreale. -
Eccessiva dipendenza:
gli esseri umani smettono di mettere in discussione i risultati e gli errori passano inosservati. -
Deriva del modello.
Il mondo cambia. Il modello no, a meno che non lo si mantenga aggiornato.
Se si desidera una prospettiva costante di “etica + governance + standard”, il lavoro dell’IEEE sull’etica dei sistemi autonomi e intelligenti è un punto di riferimento importante per il modo in cui la progettazione responsabile viene discussa a livello istituzionale. [4]
Come scegliere la tecnologia di intelligenza artificiale più adatta al tuo caso d'uso 🧭
Se stai valutando la tecnologia AI (per un'azienda, un progetto o semplicemente per curiosità), inizia da qui:
-
Definisci il risultato
Quale decisione o compito migliora? Quali parametri cambiano? -
Verifica la realtà dei tuoi dati.
Hai abbastanza dati? Sono puliti? Sono distorti? Chi ne è il proprietario? -
Scegli l'approccio più semplice che funziona
. A volte le regole battono il machine learning. A volte il machine learning classico batte il deep learning.
L'eccessiva complessità è una tassa che paghi per sempre. -
Pianificare l'implementazione, non solo una demo
Integrazione, latenza, monitoraggio, riqualificazione, autorizzazioni. -
Aggiungere protezioni
Revisione umana per situazioni ad alto rischio, registrazione e spiegabilità laddove necessario. -
Testa con utenti reali.
Gli utenti faranno cose che i tuoi designer non avrebbero mai immaginato. Ogni singola volta.
Lo dico senza mezzi termini: il miglior progetto di tecnologia AI è spesso per il 30% modellismo e per il 70% impianti idraulici. Non è affascinante. È molto concreto.
Breve riassunto e nota conclusiva 🧁
L'intelligenza artificiale è la cassetta degli attrezzi che aiuta le macchine ad apprendere dai dati, riconoscere schemi, comprendere il linguaggio, percepire il mondo e prendere decisioni, a volte persino generando nuovi contenuti. Include apprendimento automatico, apprendimento profondo, elaborazione del linguaggio naturale, visione artificiale, apprendimento per rinforzo e intelligenza artificiale generativa.
Se c'è una cosa da ricordare è questa: la tecnologia AI è potente, ma non è automaticamente affidabile. I risultati migliori si ottengono con obiettivi chiari, dati di qualità, test accurati e monitoraggio continuo. Oltre a una sana dose di scetticismo, come quando si leggono recensioni di ristoranti un po' troppo entusiastiche 😬
Esempio concreto: creazione di un assistente basato sull'intelligenza artificiale per la gestione dei ticket di supporto 🎫
Scenario
Immaginate una piccola azienda SaaS che riceve dai 180 ai 220 ticket di assistenza clienti ogni settimana. Il team è composto da tre addetti all'assistenza e la maggior parte del tempo non viene spesa rispondendo ai ticket, bensì smistandoli.
Alcuni ticket riguardano problemi di fatturazione. Altri sono segnalazioni di bug. Altri ancora sono domande del tipo "come faccio a reimpostare la mia password?". Alcuni, infine, sono problemi urgenti di accesso all'account che non dovrebbero rimanere in coda per mezza giornata.
Un semplice assistente di smistamento basato sull'intelligenza artificiale potrebbe essere d'aiuto leggendo i nuovi ticket, classificandoli, suggerendo un livello di priorità, redigendo un breve riepilogo interno e inoltrandoli alla persona competente. Non sostituisce il team di supporto, ma elimina semplicemente il lavoro ripetitivo di smistamento iniziale.
Di cosa ha bisogno l'assistente
Per rendere questo utile, il team avrebbe bisogno di:
Categorie di assistenza clienti, come Fatturazione, Bug, Accesso all'account, Richiesta di funzionalità e Domanda generale
Regole di priorità, ad esempio: "Account bloccato + cliente pagante = alta priorità"
Alcuni esempi di biglietti precedenti correttamente etichettati
Un elenco di cose che l'IA non deve fare, come emettere rimborsi, promettere soluzioni o modificare le impostazioni dell'account
Una fase di revisione umana per i ticket urgenti, legali, di fatturazione o relativi alla sicurezza
Un modo semplice per verificare se il percorso dell'IA è stato accettato o corretto dal team di supporto
Esempio di istruzione
Potresti dare all'assistente un'istruzione di questo tipo:
Leggi il ticket di assistenza clienti e classificalo in una categoria: Fatturazione, Bug, Accesso all'account, Richiesta di funzionalità o Domanda generale. Assegna una priorità Bassa, Media o Alta utilizzando le regole di supporto aziendali. Scrivi un riepilogo interno di una frase. Non promettere rimborsi, soluzioni, tempistiche o eccezioni alle policy. Se il ticket menziona un account bloccato, un pagamento non andato a buon fine, un problema di sicurezza o un cliente insoddisfatto, segnalalo per una revisione umana.
Esempio di biglietto:
"Ho pagato per il piano Pro ieri, ma il mio account risulta ancora gratuito. Devo risolvere questo problema prima di una chiamata da un cliente questo pomeriggio."
Risultati soddisfacenti:
Categoria: Fatturazione
Priorità: Alta
Riepilogo: Il cliente ha pagato per il piano Pro ma visualizza ancora il piano gratuito e necessita dell'accesso prima di una chiamata con un cliente oggi.
Revisione umana: Sì - problema di pagamento/accesso con tempi ristretti.
Output scadente:
"Siamo spiacenti, il tuo account è stato aggiornato."
Quella risposta errata è rischiosa perché l'IA sta fingendo di compiere un'azione che potrebbe non essere autorizzata a compiere.
Come testarlo
Prima di utilizzare l'assistente su ticket reali, testalo con 30-50 ticket precedenti in cui la categoria e la priorità corrette sono già note.
Un valido set di test potrebbe includere:
10 semplici domande "come fare"
10 ticket di fatturazione o di accesso al piano
10 segnalazioni di bug
5 messaggi di clienti arrabbiati o urgenti
5 biglietti aggrovigliati che menzionano due problemi contemporaneamente
Tieni d'occhio tre cose:
Ha scelto la categoria giusta?
Ha scelto la priorità giusta?
Il sistema ha correttamente segnalato i ticket a rischio per la revisione umana?
Il team dovrebbe inoltre testare input insoliti, come messaggi molto brevi, sarcasmo, screenshot senza testo, reclami vaghi e clienti che utilizzano nomi di prodotti errati.
Risultato
Risultato illustrativo: basato sulla misurazione dei tempi di 40 ticket campione prima e dopo l'utilizzo del flusso di lavoro.
Tempo di triage manuale: 3 minuti per ticket
Tempo di triage assistito dall'IA: 45 secondi per ticket, inclusa la revisione umana
Tempo stimato risparmiato su 200 ticket a settimana: 7,5 ore
Obiettivo di accuratezza del routing prima del lancio: almeno l'85% sul set di test
Obiettivo di cattura della revisione umana: 100% dei ticket relativi a fatturazione, accesso all'account, sicurezza o reclami urgenti
Questi numeri non rappresentano un parametro di riferimento universale. Sono una stima esemplificativa che un team potrebbe verificare cronometrando i ticket in tempo reale, contando le classificazioni corrette e analizzando i registri di supporto settimanali.
Cosa può andare storto?
L'assistente potrebbe sottovalutare la priorità di un cliente arrabbiato perché il messaggio non utilizza termini che esprimano chiaramente urgenza.
Potrebbe classificare un bug di fatturazione solo come "Fatturazione" quando in realtà richiede anche l'intervento del team di prodotto.
Potrebbe generare un riepilogo troppo ottimistico che tralascia un dettaglio importante nascosto verso la fine del biglietto.
Potrebbe basarsi su regole di supporto obsolete qualora i prezzi, le politiche di rimborso o le procedure di escalation subissero delle modifiche.
L'errore più grande è lasciare che l'IA instradi i ticket silenziosamente, senza misurare le correzioni. Se gli operatori continuano a correggere lo stesso errore dell'IA, questo diventa un dato di addestramento per il miglioramento, e non qualcosa da ignorare.
Da portare via in modo pratico
È qui che la tecnologia IA diventa preziosa nella pratica: non come un cervello magico, ma come un flusso di lavoro controllato. Assegnatele un compito specifico, regole chiare, esempi di prova, obiettivi misurabili e un percorso di riserva umano. Questa combinazione è solitamente molto più affidabile che chiedere all'IA di "gestire l'assistenza" e sperare nel meglio.
Domande frequenti
Cos'è la tecnologia AI in termini semplici?
La tecnologia di intelligenza artificiale è un insieme di metodi che aiutano i computer ad apprendere dai dati e a produrre output pratici come previsioni, raccomandazioni o contenuti generati. Anziché essere programmati con regole fisse per ogni situazione, i modelli vengono addestrati su esempi e poi applicati a nuovi input. Nelle distribuzioni di produzione, l'intelligenza artificiale necessita di un monitoraggio continuo perché i dati che incontra possono variare nel tempo.
Come funziona in pratica la tecnologia AI (addestramento vs inferenza)?
La maggior parte delle tecnologie di intelligenza artificiale si articola in due fasi principali: addestramento e inferenza. Durante l'addestramento, un modello apprende pattern da un set di dati, spesso ottimizzando le sue prestazioni su esempi noti. Durante l'inferenza, il modello addestrato accetta un nuovo input e produce un output come una classificazione, una previsione o un testo generato. Dopo l'implementazione, le prestazioni possono peggiorare, quindi è importante monitorare e riqualificare i trigger.
Qual è la differenza tra apprendimento automatico, apprendimento profondo e intelligenza artificiale?
IA è il termine generico per indicare il comportamento di una macchina "intelligente", mentre l'apprendimento automatico è un approccio comune all'interno dell'IA che apprende relazioni dai dati. Il deep learning è un sottoinsieme dell'apprendimento automatico che utilizza reti neurali multistrato e tende a funzionare bene su input rumorosi e non strutturati come immagini o audio. Molti sistemi combinano approcci diversi anziché basarsi su una singola tecnica.
Per quali tipi di problemi è più indicata la tecnologia dell'intelligenza artificiale?
La tecnologia AI è particolarmente efficace nel riconoscimento di pattern, nelle previsioni, nelle attività linguistiche e nel supporto decisionale. Esempi comuni includono il rilevamento dello spam, la previsione del tasso di abbandono, l'instradamento dei ticket di supporto, la conversione da voce a testo e il rilevamento visivo dei difetti. L'AI generativa viene spesso utilizzata per la stesura di bozze, la sintesi o l'ideazione, mentre l'apprendimento per rinforzo può aiutare a risolvere problemi di ottimizzazione e ad addestrare gli agenti tramite ricompense e penalità.
Perché i modelli di intelligenza artificiale si spostano e come si può prevenire il decadimento delle prestazioni?
La deriva del modello si verifica quando le condizioni cambiano (nuovi comportamenti degli utenti, nuovi prodotti, nuovi modelli di frode, linguaggio mutevole) mentre il modello rimane addestrato su dati più vecchi. Per ridurre il decadimento delle prestazioni, i team in genere monitorano le metriche chiave dopo il lancio, impostano soglie per gli avvisi e pianificano revisioni periodiche. Quando viene rilevata una deriva, la riqualificazione, gli aggiornamenti dei dati e i percorsi di fallback umani contribuiscono a mantenere i risultati affidabili.
Come si sceglie la tecnologia di intelligenza artificiale più adatta a uno specifico caso d'uso?
Inizia definendo il risultato e la metrica che desideri migliorare, quindi valuta la qualità dei dati, i rischi di bias e la proprietà. Un approccio comune consiste nello scegliere il metodo più semplice che possa soddisfare i requisiti: a volte le regole superano il ML, e il ML classico può superare il deep learning per dati strutturati "tabelle + trend". Pianifica integrazione, latenza, autorizzazioni, monitoraggio e riaddestramento, non solo una demo.
Quali sono i maggiori rischi e limiti della tecnologia AI?
I sistemi di intelligenza artificiale possono produrre risultati distorti o ingiusti quando i dati di addestramento riflettono disuguaglianze sociali. L'intelligenza artificiale generativa può anche "allucinare", producendo risultati apparentemente sicuri ma inaffidabili. Esistono anche rischi per la sicurezza, tra cui l'iniezione tempestiva e il data poisoning, e i team possono fare eccessivo affidamento sui risultati. Governance, test e supervisione umana costanti sono fondamentali, soprattutto nei flussi di lavoro ad alto rischio.
Cosa significa “governance” nella pratica della tecnologia AI?
Governance significa stabilire controlli su come l'IA viene sviluppata, implementata e gestita, in modo che la responsabilità rimanga chiara. In pratica, questo include controlli di bias, controlli sulla privacy e sulla sicurezza, supervisione umana laddove gli impatti siano elevati e registrazione per verificabilità. Significa anche trattare la gestione del rischio come un'attività del ciclo di vita: formazione, convalida, implementazione e quindi monitoraggio e aggiornamenti continui al variare delle condizioni.
Riferimenti
-
OCSE - Definizione/inquadramento dei sistemi di intelligenza artificiale
-
NIST - Quadro di gestione del rischio dell'intelligenza artificiale (AI RMF 1.0) PDF
-
UK ICO - Linee guida sull'intelligenza artificiale e sulla protezione dei dati
-
IEEE Standards Association - Iniziativa globale sull'etica dei sistemi autonomi e intelligenti