blogtecaolivelli

L'uccello e la farfalla: un nuovo modello della capacità di generalizzare

Fonte: Internet

11 maggio 2018

La capacità di fare generalizzazioni a partire

da singole esperienze è essenziale per la

sopravvivenza, ma se la generalizzazione

è sbagliata - troppo ampia o troppo limitata -

può avere l'effetto contrario.

Una nuova teoria sui fondamenti di questa

capacità, perfezionando modelli precedenti,

potrebbe permettere di applicarla in modo corretto

anche nei sistemi di intelligenza artificiale(red)

comportamentopsicologiacomputer science

Un nuovo modello matematico della nostra capacità

di generalizzare a partire dalle esperienze è stato

proposto da Chris R. Sims, ricercatore del

Rensselaer Polytechnic Institute a Troy, nello

stato di New York, in un articolo pubblicato su "Science".

Lo studio si inserisce nel filone delle ricerche

per rendere sempre più accurati gli algoritmi

usati nell'intelligenza artificiale e in particolare

nell'apprendimento automatico.

Saper fare generalizzazioni corrette è essenziale

per la sopravvivenza. Per esempio, se un uccello

mangia una farfalla velenosa o sgradevole,

imparerà rapidamente a evitare tutti gli insetti

che le assomigliano.

Il problema è che, per quanto simili, non esistono

due specie di farfalle esattamente uguali.

Se la generalizzazione è troppo limitata, l'uccello

continuerà a consumare farfalle tossiche.

Se invece la generalizzazione è troppo ampia,

portandolo a evitare tutte le farfalle, si priverà i

nutilmente di una fonte alimentare, riducendo la

propria fitness, ossia la capacità adattativa

all'ambiente.

© Biosphoto / AGFNel 1987 lo psicologo cognitivista

Roger N. Shepard propose quella che chiamò

"legge universale di generalizzazione", secondo

cui la probabilità che la risposta a uno stimolo

sia generalizzata a un altro stimolo diminuisce

in base a una funzione esponenziale della loro

distanza all'interno di un appropriato

"spazio psicologico".

Grazie a opportune formalizzazioni dell'idea di

distanza fra due stimoli è stato possibile testare

la validità della legge di Shepard. Tuttavia, pur

funzionando bene in molte situazioni, questi modelli i

ncontrano delle difficoltà via via che lo stimolo è più

complesso e l'ambiente è "rumoroso",ossia fonte di

possibili fattori che confondono: un difetto che

diventa particolarmente evidente negli algoritmi

utilizzati nei sistemi di intelligenza artificiale.

(Basti pensare agli algoritmi di Facebook che

cancellano un'immagine di nudo generalizzandola

come pornografica anche se magari è la

Primavera di Botticelli).

Nel nuovo studio Sims propone una spiegazione

della legge universale di generalizzazione che

parte da una prospettiva differente.

In particolare, dimostra che la forza della generaliz-

zazione è strettamente legata al costo dell'errore

percettivo che può provocare: per esempio, portando

l'uccello a considerare velenosa la farfalla mentre

è commestibile, o al contrario a ritenerla innocua

quando lo è.

Sims prospetta quindi una formalizzazione basata

sul cosiddetto principio di codifica efficiente,

secondo il quale - date alcune limitazioni, come la

quantità di memoria disponibile e l'incertezza nelle

informazioni sensoriali - i sistemi biologici sono

ottimizzati per impiegare le minori risorse di

elaborazione possibile per ottenere le massime

prestazioni. In parole povere, per ottenere il massimo

del risultato al minimo del costo.

Integrando queste due prospettive, osserva Shepard,

dovrebbe essere possibile far compiere un ulteriore

salto di qualità agli algoritmi usati nei sistemi di

intelligenza artificiale, mettendoli in grado di effettuare

generalizzazioni corrette.