blogtecaolivelli

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

Fonte: Le Scienze

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 esiston

o 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

inutilmente 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 incontrano 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 i

ntelligenza 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.