• Paolo Benanti

Come apprendono le macchine?

Alla fine di questo anno proviamo a rispondere a un quesito spesso dato per scontato su questo blog: che vuol dire che le macchine apprendono? Più volte abbiamo commentato le notizie su quella tecnologia che sembra sempre di più assumere, per molti nostri contemporanei, toni messianici: l'intelligenza artificiale. Per evitare fraintendimenti ecco un'approfondimento



L'AI fa apparire meglio nei selfie, previene la cecità e può persino trasformare l'acqua in birra più gustosa. I giganti della tecnologia e i governi affermano che viviamo in un'epoca d'oro dell'AI. Ma è fondamentale la comprensione di cosa parliamo per evitare amare delusione. Come può una tecnologia saper fare queste cose?


La verità è che la maggior parte delle volte che si sente il termine intelligenza artificiale, la specifica tecnologia su cui ci si fonda si chiama machine learning. Nonostante il nome, apprendimento automatico, questa tecnologia si basa fortemente sull'insegnamento umano.


Nel ventesimo secolo, i programmatori di computer gestivano l'elettronica facendo leva su righe di codice che specificavano esattamente cosa la macchina doveva fare. L'apprendimento automatico sposta parte di questo lavoro lontano dagli umani, costringendo il computer a capire le cose da solo.



I recenti progressi nel software che analizza immagini mediche forniscono un buon esempio di quanto stiamo cercando di dire. I programmi di visione artificiale erano soliti affidarsi a persone che specificavano quali caratteristiche avrebbero dovuto cercare, ad esempio forme rivelatrici o ombre che indicavano un osso rotto su una radiografia. Funzionava, ma non così bene.


L'apprendimento automatico può ora ottenere risultati molto migliori, rivaleggiando con la precisione dei medici umani. Invece di specificare ciò che il loro software dovrebbe cercare, i programmatori lo "addestrano" con una raccolta di immagini di esempio. Le aziende che lavorano sull'apprendimento automatico per l'assistenza sanitaria, come Google, creano vaste raccolte di immagini mediche etichettate dai medici. Gli algoritmi di apprendimento automatico sono scatenati su questi insiemi di dati visivi, alla ricerca di schemi statistici per capire quali caratteristiche di un'immagine suggeriscano che meriti la particolare etichetta o diagnosi che le è stata data.


Questa ricetta di base funziona anche con altri tipi di dati come testo e audio. È per questo che non vediamo più molte email di spam, ed è il modo in cui Alexa di Amazon è in grado di comprendere i comandi urlati da una parte all'altra della stanza.


Nuovi computer, vecchi trucchi



L'apprendimento automatico sembra moderno, ma è una delle idee più antiche dell'informatica. Nel 1959, un computer che riempiva la stanza chiamato Perceptron costituì una pietra miliare nell'intelligenza artificiale quando imparò a distinguere forme come triangoli e quadrati.


Perceptron è stato costruito su un approccio al machine learning chiamato reti neurali artificiali. Questo sistema alimenta anche la maggior parte dei progetti di intelligenza artificiale che sembrano stupirci oggi. Le reti neurali nel cloud o persino nei nostri telefoni che permettono il funzionamento di assistenti virtuali e di strani filtri fotografici.


Le reti neurali vecchie e nuove si basano sulla matematica ispirata da semplici modelli di funzionamento dei neuroni nel cervello. Alexa non fu inventata nel 1959 perché non molto tempo dopo il debutto del Perceptron, i ricercatori abbandonarono per lo più le reti neurali: non era chiaro come potessero essere ridimensionati per affrontare problemi più grandi. La tecnica ha trascorso decenni come un interesse marginale nell'informatica.


Nel 2012, la piccola comunità che stava ancora lavorando sull'approccio della rete neurale all'apprendimento automatico ha mostrato nuovi risultati rivoluzionari sul riconoscimento vocale e delle immagini. L'apprendimento automatico è stato improvvisamente la cosa più calda in tecnologia. Quest'anno, tre ricercatori che hanno portato a questa rivoluzione hanno vinto il Turing Award, l'equivalente del premio Nobel per l'informatica.


L'apprendimento automatico non è intelligente



La rinascita delle reti neurali ha reso l'apprendimento automatico parte della vita quotidiana. Tutti i piani delle grandi aziende tecnologiche per il futuro dipendono da esso, se le ambizioni di Alphabet di prevedere l'insufficienza renale prima che si manifesti o il tentativo di Amazon di realizzare negozi senza casse.


Tutto ciò è veramente eccitante. I computer stanno diventando più capaci di interagire e comprendere il mondo e noi. Ma non lasciamoci trascinare troppo da questo hype: l'apprendimento automatico non rende i computer qualcosa di simile alle persone.


È vero che i robot alimentati dall'apprendimento automatico possono giocare a difficili giochi da tavolo e videogiochi meglio dell'essere umano più abile. Tuttavia richiedono un'attenta costruzione e il loro modo statistico di apprendere rende i loro talenti ristretti e poco flessibili. Gli umani possono pensare al mondo usando concetti astratti e possono remixarli per adattarsi a nuove situazioni. L'apprendimento automatico semplicemente non può.


Quella rigidità limita ciò che l'AI è stata in grado di fare per noi. È uno dei motivi per cui le auto a guida autonoma faticano e falliscono con situazioni di traffico impreviste. Le abilità strettamente orientate all'apprendimento automatico possono anche produrre sorprese divertenti o brutte.


I robot di gioco basati sull'apprendimento automatico hanno trovato il modo di hackerare le simulazioni in cui venivano testati. Il software di elaborazione di immagini e testo a volte impara a ripetere o amplificare gli stereotipi sociali su etnie e genere. Le macchine possono imparare, ma hanno ancora bisogno di istruzioni accurate da parte degli umani.