di Briana Brownell – Oggi, l’intelligenza artificiale aiuta i medici a diagnosticare malattie, i piloti a pilotare aerei commerciali e gli urbanisti a prevedere il traffico. Ma non importa cosa stiano facendo queste IA, gli scienziati informatici che le hanno progettate probabilmente non sanno esattamente come lo stiano facendo. Questo perché l’intelligenza artificiale è spesso autodidatta, elaborando un semplice set di istruzioni per creare una serie unica di regole e strategie. Quindi, come apprende esattamente una macchina?
Esistono molti modi diversi per costruire programmi di autoapprendimento. Ma si basano tutti sui tre tipi fondamentali di apprendimento automatico: apprendimento non supervisionato, apprendimento supervisionato e apprendimento per rinforzo. Per vederli in azione, immaginiamo che i ricercatori stiano cercando di estrarre informazioni da una serie di dati medici contenenti migliaia di profili di pazienti.
Primo, apprendimento non supervisionato. Questo approccio è ideale per analizzare tutti i profili per trovare somiglianze generali e modelli utili. Forse alcuni pazienti hanno sintomi di malattie simili, o forse un trattamento produce serie specifiche di effetti collaterali. Questo approccio alla ricerca di modelli può essere utilizzato per identificare somiglianze tra i profili dei pazienti e trovare modelli emergenti, il tutto senza l’aiuto umano.
Ma immaginiamo che i medici stiano cercando qualcosa di più specifico. Questi medici vogliono creare un algoritmo per diagnosticare una particolare condizione. Iniziano raccogliendo due serie di dati: immagini mediche e risultati dei test sia di pazienti sani che di quelli cui è stata diagnosticata la condizione. Quindi, inseriscono questi dati in un programma progettato per identificare le caratteristiche condivise dai pazienti malati ma non dai pazienti sani. In base alla frequenza con cui rileva determinate funzionalità, il programma assegnerà valori al significato diagnostico di tali funzionalità, generando un algoritmo per la diagnosi dei pazienti futuri. Tuttavia, a differenza dell’apprendimento non supervisionato, medici e informatici hanno un ruolo attivo in ciò che accade successivamente. I medici faranno la diagnosi finale e verificheranno l’accuratezza della previsione dell’algoritmo. Quindi gli informatici possono utilizzare i set di dati aggiornati per regolare i parametri del programma e migliorarne l’accuratezza. Questo approccio pratico è chiamato apprendimento supervisionato.
Ora, diciamo che questi medici vogliano progettare un altro algoritmo per raccomandare dei piani di trattamenti. Poiché questi piani saranno implementati in fasi e possono cambiare a seconda della risposta di ogni individuo ai trattamenti, i medici decidono di utilizzare apprendimento per rinforzo. Questo programma utilizza un approccio iterativo per raccogliere feedback su quali farmaci, dosaggi e trattamenti sono più efficaci.Quindi, confronta i dati con il profilo di ciascun paziente per creare il loro piano di trattamento unico e ottimale. Man mano che i trattamenti progrediscono e il programma riceve più feedback, può aggiornare costantemente il piano per ogni paziente.
Nessuna di queste tre tecniche è intrinsecamente più intelligente di qualsiasi altra. Mentre alcuni richiedono un intervento più o meno umano, tutti hanno i propri punti di forza e di debolezza che li rendono più adatti a determinati compiti. Tuttavia, utilizzandoli insieme, i ricercatori possono creare sistemi di intelligenza artificiale complessi, in cui i singoli programmi possono supervisionarsi e insegnarsi a vicenda. Ad esempio, quando il nostro programma di apprendimento senza supervisione trova gruppi di pazienti simili, potrebbe inviare quei dati a un programma di apprendimento supervisionato connesso. Quel programma potrebbe quindi incorporare queste informazioni nelle sue previsioni. O ancora dozzine di programmi di apprendimento per rinforzo potrebbero simulare i potenziali risultati dei pazienti per raccogliere feedback sui diversi piani di trattamento.
Esistono numerosi modi per creare questi sistemi di apprendimento automatico e forse i modelli più promettenti sono quelli che imitano la relazione tra i neuroni nel cervello. Queste reti neurali artificiali possono utilizzare milioni di connessioni per affrontare compiti difficili come il riconoscimento delle immagini, il riconoscimento vocale e persino la traduzione della lingua. Tuttavia, più questi modelli diventano autogestiti, più difficile è per gli informatici determinare come questi algoritmi autodidatti arrivino alla loro soluzione. I ricercatori stanno già cercando modi per rendere l’apprendimento automatico più trasparente. Ma poiché l’IA diventa sempre più coinvolta nella nostra vita quotidiana, queste decisioni enigmatiche hanno impatti sempre più grandi sul nostro lavoro, salute e sicurezza. Quindi, mentre le macchine continuano ad imparare, a indagare, negoziare e comunicare, dobbiamo anche considerare come insegnargli, e insegnarci, ad operare in modo etico.
