Fonte: Le Scienze11 maggio 2018
La capacità di fare generalizzazioni a partireda singole esperienze è essenziale per lasopravvivenza, ma se la generalizzazione èsbagliata - 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 modocorretto anche nei sistemi di intelligenzaartificiale(red)
comportamentopsicologiacomputer scienceUn nuovo modello matematico della nostracapacità di generalizzare a partire dalleesperienze è stato proposto da Chris R. Sims,ricercatore del Rensselaer Polytechnic Institutea Troy, nello stato di New York, in
un articolo pubblicato su "Science". Lo studio si inseriscenel filone delle ricerche per rendere semprepiù accurati gli algoritmi usati nell'intelligenzaartificiale e in particolare nell'apprendimentoautomatico.Saper fare generalizzazioni corrette èessenziale per la sopravvivenza.Per esempio, se un uccello mangia una farfallavelenosa o sgradevole, imparerà rapidamentea 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'uccellocontinuerà a consumare farfalle tossiche.Se invece la generalizzazione è troppo ampia,portandolo a evitare tutte le farfalle, si priveràinutilmente di una fonte alimentare, riducendola propria 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 stimolo siageneralizzata a un altro stimolo diminuisce in basea una funzione esponenziale della loro distanzaall'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, pur funzionando bene in molte situazioni,questi modelli incontrano delle difficoltà via viache lo stimolo è più complesso e l'ambiente è"rumoroso",ossia fonte di possibili fattori checonfondono: un difetto che diventa particolarmenteevidente negli algoritmi utilizzati nei sistemi di intelligenza artificiale.(Basti pensare agli algoritmi di Facebook checancellano un'immagine di nudo generalizzandolacome pornografica anche se magari è la Primaveradi 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 mentre ècommestibile, 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 massimo delrisultato al minimo del costo.Integrando queste due prospettive, osservaShepard, dovrebbe essere possibile far compiereun ulteriore salto di qualità agli algoritmi usatinei sistemi di intelligenza artificiale, mettendoliin grado di effettuare generalizzazioni corrette.