blogtecaolivelli
blog informazione e cultura della biblioteca Olivelli
TAG
TAG
« Un entanglement tra migl... | Per i buongustai IPALB » |
Post n°1987 pubblicato il 28 Febbraio 2019 da blogtecaolivelli
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. per la sopravvivenza. Per esempio, se un uccello mangia una farfalla velenosa o sgradevole, imparerà rapidamente a evitare tutti gli insetti che le assomigliano. 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". 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). 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. 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. 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. |
https://blog.libero.it/blogtecaolivelli/trackback.php?msg=14281367
I blog che hanno inviato un Trackback a questo messaggio:
AREA PERSONALE
MENU
CHI PUò SCRIVERE SUL BLOG
I messaggi e i commenti sono moderati dall'autore del blog, verranno verificati e pubblicati a sua discrezione.