Cosa significa, per una macchina, imparare? Fino a pochi decenni fa, una domanda del genere sembrava appartenere più alla fantascienza che alla ricerca scientifica. Oggi, invece, il machine learning, o apprendimento automatico, è una delle principali aree dell'intelligenza artificiale.
Anche se magari non ci facciamo caso, il Machine Learning fa già parte della nostra routine quotidiana:
quando sblocchiamo lo smartphone con il riconoscimento facciale o usiamo i suggerimenti della tastiera mentre scriviamo un messaggio;
quando le piattaforme che utilizziamo ci consigliano un film o una canzone che si adatta perfettamente ai nostri gusti;
quando i filtri antispam bloccano le email pubblicitarie prima ancora che arrivino nella nostra casella principale;
quando stiamo cercando una soluzione in affitto in una città specifica e navigando in internet compaiono compulsivamente banner di compagnie immobiliari;
quando i siti di e-commerce ci suggeriscono prodotti simili a quelli che abbiamo appena cercato.

Il machine learning comprende metodi che permettono a un sistema di individuare regolarità (pattern) nei dati e di utilizzarle per fare previsioni, classificare informazioni o prendere decisioni. A differenza della programmazione tradizionale, in cui le regole vengono definite esplicitamente, nel machine learning le regole sono inizialmente indefinite e basate su un numero alto di variabili (o parametri) da determinare attraverso un processo di addestramento (training). Tecnicamente, l’insieme di queste regole definisce un modello matematico.
L'algoritmo di addestramento, cioè l’insieme dei passaggi logici che un programmatore chiede al calcolatore di eseguire, modifica questi parametri per minimizzare una funzione di errore, cioè una misura della discrepanza tra le previsioni del modello e i risultati attesi. A seconda della procedura da seguire durante il processo di apprendimento si ottengono modelli di Machine Learning differenti. Per esempio, nel cosiddetto apprendimento supervisionato (supervised learning) un sistema addestrato su migliaia di immagini etichettate come «gatto» o «cane» può imparare a distinguere le due categorie, individuando combinazioni di caratteristiche ricorrenti senza che sia necessario specificare in anticipo tutte le regole del riconoscimento. Piuttosto che definire a priori una raccolta di istruzioni che identificano i due gruppi, un modello matematico sarà capace di applicare le regolarità apprese anche a immagini mai viste prima. In questo caso, il processo di etichettatura (data labelling) nelle due categorie viene tipicamente svolto da umani, spesso sottopagati e a volte esposti a contenuti tossici con notevole impatto a livello psicologico.
Altri tipi di addestramento sono:
Apprendimento non supervisionato (Unsupervised learning): il computer esplora i dati da solo, senza guide. In questo modo il modello matematico può trovare legami o dividere le informazioni in gruppi basandosi su caratteristiche comuni, come catalogare i clienti di un negozio in base alle loro abitudini di acquisto.
Apprendimento per rinforzo (Reinforcement learning): funziona per tentativi ed errori (trial and error). Il modellocompie delle azioni in un ambiente virtuale e riceve un "premio" se fa la scelta giusta o una "penalità" se sbaglia. È il metodo usato, ad esempio, per insegnare ai robot a camminare o alle intelligenze artificiali a giocare a scacchi.
Addestramento per trasferimento (Transfer learning): si riutilizza ciò che un modello ha già imparato su un problema per affrontarne un altro, simile, con meno dati e un addestramento più breve.
Ma attenzione: sarebbe limitante pensare che imparare dagli esempi serva solamente per conservarli nella memoria. L'obiettivo è la generalizzazione, cioè la capacità di affrontare correttamente situazioni nuove, mai incontrate durante l'addestramento. Un modello che riconoscesse soltanto le immagini già viste avrebbe imparato ben poco, ma solamente memorizzato. Per riconoscere un gatto in una fotografia diversa da quelle usate nell’addestramento, con un'altra luce o da una prospettiva insolita, il modello deve cogliere regolarità che vanno oltre i singoli esempi.
È qui che viene in mente Funes o della memoria, il racconto di Jorge Luis Borges. Ireneo Funes, dopo un incidente, sviluppa una memoria prodigiosa: ricorda ogni dettaglio, ogni sfumatura, ogni istante della propria esperienza. Ma proprio questa capacità diventa un limite. Per Funes, ogni cosa è irriducibilmente particolare, e azioni come astrarre, e ricondurre esperienze diverse a un unico concetto diventano quasi impossibili. Un cane visto di profilo alle tre e un cane visto di fronte alle quattro sono, per lui, due esperienze distinte, difficili da ricondurre a una stessa rappresentazione.
“Funes era quasi incapace di idee generali platoniche. Non solo gli era difficile di comprendere come il simbolo generico cane potesse disegnare un così vasto assortimento di individui diversi per dimensioni e per forma , ma anche l'infastidiva il fatto che il cane delle tre e quattordici (visto di profilo) avesse lo stesso nome del cane delle tre e quindici (visto di fronte)”.
Il paradosso è illuminante: per imparare non basta ricordare tutto; occorre anche saper mettere da parte i dettagli irrilevanti. O, meglio, occorre distinguere ciò che è essenziale da ciò che è accidentale. La sfida di Funes è una buona metafora per definire l’obbiettivo centrale del machine learning, cioè trovare regolarità sufficientemente generali da funzionare su dati nuovi, senza però semplificare tanto da perdere informazioni essenziali. Se un modello si adatta troppo agli esempi di addestramento, rischia di riprodurli senza saper affrontare l'imprevisto (il cosiddetto fenomeno di overfitting); invece se ne coglie troppo poco la struttura, rischia di non imparare neppure le regolarità fondamentali (ciò che tecnicamente si chiama underfitting).
Questa capacità di astrazione, tuttavia, è anche la premessa per un passaggio ulteriore e più ambiguo: il momento in cui i sistemi di machine learning iniziano ad applicare queste stesse regolarità a se stessi. È questo il confine del cosiddetto self-improvement, l'auto-miglioramento autonomo, in cui l'algoritmo analizza i propri limiti e riscrive il proprio codice per superarli.
Un simile sviluppo sposta inevitabilmente il baricentro del problema dal piano tecnologico a quello antropologico. Qual è il ruolo dell'essere umano quando la macchina smette di essere uno strumento da addestrare e diventa il soggetto che addestra se stesso?
