Le Scienze - 08.2019

38 Le Scienze 6 12 agosto 2019

ne per le decisioni prese con il trattamento automatico. Negli Stati
Uniti la Defense Advanced Research Projects Agency sovvenzio-
na un programma sulla «IA spiegabile», perché i comandanti non
vorrebbero mandare le truppe in battaglia senza sapere il perché.
La comunità che si occupa di questi problemi è enorme, le idee
sono tante e ci si chiede tra l’altro se per ottenere un’intelligenza
più simile a quella umana sia necessario un cambiamento radica-
le degli strumenti in uso. Ma è ragguardevole il punto già raggiun-
to anche solo con miglioramenti incrementali. Automiglioramen-
to, fantasia, buon senso: queste che sembrano qualità tipicamente
umane sono già integrate nelle macchine, almeno in parte. Il pun-
to chiave è un allenamento ben congegnato. Guidate da addestra-
tori umani, le macchine fanno da sole i maggiori passi avanti.

Reti neurali profonde

Rispetto alla maggior parte degli altri campi di scienza e inge-
gneria, l’IA è più soggetta a un andamento ciclico. Vive ondate di
infatuazione e abbandono, con metodi che ritornano più o meno
d’attualità. La tecnologia in ascesa è quella delle reti neurali: strut-
ture interconnesse di unità base di calcolo, i «neuroni». Ogni neu-
rone può essere un interruttore che passa da acceso a spento o
viceversa a seconda dello stato delle altre unità base a cui è colle-
gato. Di solito i neuroni sono disposti su livelli: il primo livello ac-
cetta l’input (per esempio i pixel di un’immagine), l’ultimo livello
produce l’output (una descrizione del contenuto dell’immagine)
e i livelli intermedi, o «nascosti», generano combinazioni aritme-
tiche dell’input. Alcune reti, soprattutto quelle usate per proble-

mi che si sviluppano nel tempo, per esempio il riconoscimento

linguistico, hanno cicli che ricollegano l’output o i livelli nascosti

all’input.

Una cosiddetta rete profonda ha decine o centinaia di livelli na-

scosti, che possono rappresentare strutture intermedie come spi-

goli e forme geometriche, anche se quello che fanno non è sem-

pre evidente. Con migliaia di neuroni e milioni di interconnessioni,

non c’è un percorso logico semplice nel sistema, che è intenzional-

mente progettato in questo modo. Le reti neurali ottengono ottimi

risultati nel risolvere problemi che non sono riducibili a regole lo-

giche esplicite, per esempio nel riconoscimento di schemi.

Un aspetto cruciale è che le connessioni neurali non sono fis-

sate in anticipo, ma si adattano in un processo per tentativi. Alla

rete sono presentate immagini etichettate come «cane» o «gatto»;

per ogni immagine, il sistema prova a indovinare l’etichetta; quan-

do sbaglia, con un semplice esercizio di calcolo si modifica la for-

za delle connessioni che hanno contribuito al risultato sbagliato.

Partendo da zero, quando la rete non sa che cosa sia un’immagine,

men che mai un animale, i risultati non sono migliori di quelli che

si otterrebbero con il lancio di una moneta. Ma dopo forse 10.000

esempi il sistema raggiunge il livello di un essere umano. Con altri

LE TECNICHE

Effetti

di rete

Nonostante il loro immenso

potere, le reti neurali hanno

ancora grossi limiti. Per

classificare le immagini, la

rete prende come input i pixel,

li elabora in diverse fasi e dà

come output le probabilità

che a quell’immagine si

attribuiscano le diverse singole

etichette. Per mettere a punto

le interconnessioni di solito ci

vogliono migliaia di immagini

campione e inoltre il modo

preciso in cui la rete giunge

alla classificazione si perde

nel groviglio delle connessioni.

Diverse tecniche nuove risolvono

questi problemi.

Input: migliaia

di fotografie

di gatti

Ciascun livello della rete impara

a identificare caratteristiche

sempre più complesse

Addestramento

Immagini

suddivise

in pixel

Risultato: capacità di riconoscere un gatto

Output: etichetta

dell’immagine

Gatto

Input: insiemi di

raggruppamenti

definiti in modo

diverso

Addestramento

Pre-addestramento

Input: poche fotografie

di gatti

Risultato: capacità di riconoscere

un gatto più velocemente

Gatto

Meta-apprendimento

Per ridurre la quantità di dati necessari all’addestramento,

i ricercatori possono preparare la rete sottoponendole esercizi

dello stesso tipo generale. La rete non trattiene alcuna

informazione, ma migliora gradualmente la propria capacità

di risolvere qualsiasi nuovo compito le sia assegnato. Impara

ad apprendere.

George Musser è contributing editor di «Scientific

American». È autore, tra l’altro, di Inquietanti azioni

a distanza (Adelphi, 2019).