Machine Learning: il dietro le quinte dell’IA

Ormai non passa giorno senza sentir parlare dell’Intelligenza Artificiale e di una sua possibile applicazione in campo scientifico piuttosto che didattico. Ma in realtà cosa sappiamo di ciò che ci sta dietro? Poco o forse nulla. Sentiamo fare previsioni sul suo futuro utilizzo, dalle più ottimistiche alle più catastrofiche, però sarebbe opportuno, prima di farci un’idea, iniziare a capire come funziona l’IA.

Oggi non siamo in grado dire cosa accadrà nei prossimi dieci, venti o trent’anni. Molto probabilmente ognuno di noi avrà a disposizione il suo assistente virtuale in grado di “guidarlo” nello svolgimento delle proprie attività sia professionali che personali. Da questo punto di vista ecco che sarebbe opportuno, a mio modesto parere, iniziare a parlare, soprattutto a scuola, di Machine Learning, ossia di quell’abilità delle macchine di apprendere senza essere state esplicitamente e preventivamente programmate. Questo potrebbe permetterci, un giorno non troppo lontano, di riuscire a “programmare” il nostro assistente virtuale secondo le nostre esigenze personali e professionali.



Come dico sempre ai miei alunni, il lavoro che molti di loro andranno a fare oggi non esiste ancora; proprio per questo dal mio punto di vista, si potrebbe iniziare a prevedere sin dalla scuola primaria, a partire dalle prime esperienze di coding con i bambini, delle attività laboratoriali di Machine Learning utilizzando le risorse che il Web ci mette a disposizione. E, per esempio, si potrebbe simulare l’utilizzo del Machine Learning per un’attività sulla grammatica della lingua italiana o di una qualsiasi altra lingua straniera. La progettazione e la realizzazione di queste attività porterebbero a un duplice risultato:

• comprendere cosa sta dietro le quinte dell’IA e, quindi, capire come la capacità dell’intelligenza artificiale di essere intelligente, dipenda molto da come questa sia stata addestrata/preparata;
• acquisire tutti quei concetti riguardanti, in questo caso, la grammatica di una lingua, in quanto utilizzati per costruire il nostro modello di addestramento, il nostro algoritmo, da poter utilizzare poi, all’interno di un’attività di coding.

Ma quali sono i passaggi principali di un processo di Machine Learning che porterebbero a questo duplice vantaggio? I passi principali sono tre:

1. Addestramento: durante questa fase, il modello di Machine Learning viene esposto a un insieme di dati di addestramento che contiene esempi di input e le rispettive etichette o risultati attesi (output). Il modello impara ad associare a ogni input, l’output corretto attraverso il processo di apprendimento.
2. Validazione e Test: una volta addestrato, il modello viene testato su dati non utilizzati durante la fase di addestramento per valutare le sue prestazioni. Questo aiuta a verificare se il modello è in grado di generalizzare correttamente le associazioni input/output.
3. Predizione: dopo essere stato addestrato e validato, il modello può essere utilizzato per fare previsioni o classificazioni su nuovi dati, senza richiedere l'intervento umano.

Tutto questo costituisce un nuovo paradigma. Il grande cambiamento sta proprio nel come diciamo al computer di fare le cose.

Prima del Machine Learning davamo al computer una funzione (regola) e gli dicevamo di applicarla ai nuovi dati per ottenere l’output.



Esempio: Facebook – se metto “like” su una foto – regola– fai diventare il bottone blu.

Dopo con il Machine Learning diamo al computer i dati (input) e una rappresentazione dei risultati (output) e gli diciamo di trovare la funzione (regola)che lega a un inputil suo corretto output.



Esempio: Facebook – ho una foto, ho il bottone blu – regola– la foto piace. Alla base di tutto cosa abbiamo?

Dati, milioni di dati che devono essere usati per “addestrare” la macchina. Quindi dai dati dobbiamo saper tirar fuori le informazioni. Capite il lavoro che ci sta dietro e perché diventano importanti i dati e il loro corretto utilizzo nell’addestrare le macchine.

Ed ecco perché, a mio parere, è fondamentale iniziare a sperimentare processi di Machine Learning, con poche quantità di dati, a partire dalla scuola primaria.