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

Fonte: Internet11 maggio 2018La capacità di fare generalizzazioni a partireda singole esperienze è essenziale per lasopravvivenza, ma se la generalizzazioneè sbagliata - troppo ampia o troppo limitata -può avere l'effetto contrario.Una nuova teoria sui fondamenti di questacapacità, perfezionando modelli precedenti,potrebbe permettere di applicarla in modo correttoanche nei sistemi di intelligenza artificiale(red)comportamentopsicologiacomputer scienceUn nuovo modello matematico della nostra capacitàdi generalizzare a partire dalle esperienze è statoproposto da Chris R. Sims, ricercatore delRensselaer Polytechnic Institute a Troy, nellostato di New York, in un articolo pubblicato su "Science".Lo studio si inserisce nel filone delle ricercheper rendere sempre più accurati gli algoritmiusati nell'intelligenza artificiale e in particolarenell'apprendimento automatico.Saper fare generalizzazioni corrette è essenzialeper la sopravvivenza. Per esempio, se un uccellomangia una farfalla velenosa o sgradevole,imparerà rapidamente a evitare tutti gli insettiche le assomigliano.Il problema è che, per quanto simili, non esistonodue specie di farfalle esattamente uguali.Se la generalizzazione è troppo limitata, l'uccellocontinuerà 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 lapropria fitness, ossia la capacità adattativaall'ambiente.© Biosphoto / AGFNel 1987 lo psicologo cognitivistaRoger N. Shepard propose quella che chiamò"legge universale di generalizzazione", secondocui la probabilità che la risposta a uno stimolosia generalizzata a un altro stimolo diminuiscein base a una funzione esponenziale della lorodistanza all'interno di un appropriato"spazio psicologico".Grazie a opportune formalizzazioni dell'idea didistanza fra due stimoli è stato possibile testarela validità della legge di Shepard. Tuttavia, purfunzionando bene in molte situazioni, questi modelli incontrano delle difficoltà via via che lo stimolo è piùcomplesso e l'ambiente è "rumoroso",ossia fonte dipossibili fattori che confondono: un difetto chediventa particolarmente evidente negli algoritmiutilizzati nei sistemi di intelligenza artificiale.(Basti pensare agli algoritmi di Facebook checancellano un'immagine di nudo generalizzandolacome pornografica anche se magari è laPrimavera di Botticelli).Nel nuovo studio Sims propone una spiegazionedella legge universale di generalizzazione cheparte da una prospettiva differente.In particolare, dimostra che la forza della generaliz-zazione è strettamente legata al costo dell'errorepercettivo che può provocare: per esempio, portandol'uccello a considerare velenosa la farfalla mentreè commestibile, o al contrario a ritenerla innocuaquando lo è.Sims prospetta quindi una formalizzazione basatasul cosiddetto principio di codifica efficiente,secondo il quale - date alcune limitazioni, come laquantità di memoria disponibile e l'incertezza nelleinformazioni sensoriali - i sistemi biologici sonoottimizzati per impiegare le minori risorse dielaborazione possibile per ottenere le massimeprestazioni. In parole povere, per ottenere il massimodel risultato al minimo del costo.Integrando queste due prospettive, osserva Shepard,dovrebbe essere possibile far compiere un ulterioresalto di qualità agli algoritmi usati nei sistemi diintelligenza artificiale, mettendoli in grado di effettuaregeneralizzazioni corrette.