di Mario Catalano
Ricercatore, Docente, Editore Scientifico.
Abstract: Gli algoritmi d’intelligenza artificiale si rivelano sempre più delle tecnologie efficaci nell’amplificare i poteri cognitivi dell’uomo; tuttavia, il modo in cui oggi “addestriamo” le macchine a divenire accurate nei compiti di previsione e di classificazione è ritenuto dagli esperti ancora “primitivo”, se si pensa alla complessità del pensiero umano. La ricerca nel campo dell’intelligenza artificiale ha iniziato ad indagare alcune delle dimensioni più affascinanti di quella umana, ossia la metacognizione, la capacità d’imparare ad imparare, il saper astrarre da un dominio specifico di conoscenza delle strategie per risolvere una certa classe di problemi e, al bisogno, applicarle – mutatis mutandis – in un contesto nuovo e differente. Tutto ciò rappresenta l’occasione per esplorare il mistero dell’apprendimento ed offre anche spunti di riflessione utili per dare un significato didattico preciso ad una delle aspirazioni fondamentali della scuola di oggi: “insegnare ad imparare”.
Ho deciso di scrivere questa breve memoria allo scopo di condividere le riflessioni emerse in un recente confronto con il Prof. Paolo Massimo Buscema, scienziato di fama internazionale nel campo dell’intelligenza artificiale, Presidente e Direttore del Centro di Ricerca Semeion di Roma e Full Professor Adjoint presso il Dipartimento di Matematica e Statistica dell’Università del Colorado. L’ho intervistato in occasione di uno degli episodi della miniserie “Etica e AI” incardinata nel palinsesto di “Intelligenza Artificiale Spiegata Semplice”, una delle principali Web community, in Italia, per la formazione e la divulgazione sui temi legati al mondo dell’intelligenza artificiale (questo è il link alla videoregistrazione dell’incontro: https://youtu.be/P1OVU6-ZdmQ).
Fig. 1: “ETICA e AI”: conduce Mario Catalano, ospite Prof. Paolo Massimo Buscema.
Gli argomenti toccati sono molteplici: dall’algoretica al rapporto tra scienza e fede, dalle innovative applicazioni dell’intelligenza artificiale in medicina agli studi avanzati sull’apprendimento delle macchine. In particolare, vorrei parlare proprio di quest’ultimi, considerate le potenziali implicazioni per il mondo della formazione e della scuola.
Gli algoritmi d’intelligenza artificiale si rivelano sempre più delle tecnologie efficaci nell’amplificare i poteri cognitivi dell’uomo: la sua capacità di analizzare dati ed estrarne regolarità, modelli per interpretare un certo fenomeno (capire, ad esempio, quali siano i suoi fattori principali), la capacità di far previsioni e prendere conseguenti decisioni proficue ed efficienti.
Eppure, il modo in cui oggi “addestriamo” le macchine a divenire accurate nei compiti di previsione e di classificazione è ritenuto dagli esperti ancora “primitivo”, se si pensa alla complessità del pensiero umano. La logica del machine learning, infatti, consiste nel fornire alla macchina moltissimi dati (ad esempio, tante immagini – le più diverse possibili! – di un gatto cui si associa l’etichetta “GATTO” e tante immagini di un cane cui si assegna la categoria “CANE”) e lasciare che un algoritmo determini la rappresentazione matematica del fenomeno studiato minimizzando l’errore di previsione relativo agli esempi selezionati.
Inoltre, i modelli d’intelligenza artificiale in grado di realizzare il cosiddetto “apprendimento profondo” delle macchine (deep learning) operano sui dati-esempio attraverso livelli successivi di astrazione, in modo da catturare, ad ogni livello, i tratti fondamentali di un certo fenomeno e di cogliere, di livello in livello, schemi di crescente complessità. Ad esempio, nel caso di una rete neuronale profonda per il riconoscimento di un’immagine (Nielsen, 2015), un sistema di neuroni artificiali interconnessi ed organizzati in molteplici strati successivi potrebbe, nel primo strato, riconoscere i bordi, nel secondo, individuare forme geometriche semplici create dai bordi (triangoli, rettangoli, etc.) e così via.
Fig. 2: Schema di una rete neuronale artificiale con diversi strati di neuroni interconnessi.
Addestrare reti artificiali con molti strati di neuroni totalmente interconnessi (ciascun neurone connesso con tutti gli altri dello strato successivo) presenta dei problemi; pertanto, nella pratica applicativa, si ricorre a delle soluzioni alternative che, tuttavia, s’ispirano alla medesima logica di un apprendimento che avvenga attraverso vari livelli concatenati di astrazione.
Nonostante tutti questi metodi stiano dimostrando grande utilità in molti settori – quali la Medicina, l’Economia, il Marketing, etc. – rivelano un grande limite, ossia l’incapacità di prevedere gli eventi estremi: quelle rare manifestazioni di un fenomeno che si allontanano significativamente dal suo andamento medio. Inoltre, lasciano fuori dal mondo dell’intelligenza artificiale alcune delle dimensioni più affascinanti di quella umana, ossia la metacognizione, la capacità d’imparare ad imparare, il saper astrarre da un dominio specifico di conoscenza delle strategie per risolvere una certa classe di problemi e, al bisogno, applicarle – mutatis mutandis – in un contesto nuovo e differente.
Il Prof. Buscema si riferisce a tutto ciò parlando della possibilità di cogliere legami invisibili tra mondi diversi, di costruire “ponti impossibili” tra realtà apparentemente molto lontane (Buscema, 2020). La sua “Teoria dei Mondi Impossibili” (Buscema et al., 2018) mira proprio a sviluppare metodi d’intelligenza artificiale più accurati in un dominio specifico – segnatamente nel prevedere gli eventi rari (i cosiddetti “cigni neri”) – attingendo ad ambiti conoscitivi simili, che possano consentire un notevole ampliamento della fenomenologia, sulla base della “similarità della forma di forme diverse” (Buscema, 2020). Così, ad esempio, impiegando pool di reti neuronali artificiali (differenti sia per la loro architettura sia per la natura dei dati utilizzati nella fase di addestramento) potrebbe essere possibile migliorare le previsioni nel campo della Geofisica, creando sinergie tra set di dati relativi agli eventi sismici, alle eruzioni vulcaniche, agli eventi meteorologici, etc.
Questi studi innovativi sono certamente l’occasione per esplorare il mistero meraviglioso dell’apprendimento ed offrono anche spunti di riflessione utili per dare un significato didattico preciso ad una delle aspirazioni fondamentali della scuola di oggi: “insegnare ad imparare”.
Infatti, saper trasformare conoscenze ed abilità maturate in un certo ambito in competenze spendibili in contesti nuovi può essere la via per il successo formativo, a scuola e nella vita. Si pensi al caso di un allievo della Scuola Primaria che incontri delle difficoltà nell’imparare ad affrontare i problemi di Matematica. Nella mia personale esperienza di docente di Tecnologia, che si dedica alla formazione del pensiero computazionale, ho notato come lo sviluppo di videogiochi con linguaggi di programmazione visuale rappresenti, per i ragazzi, un contesto particolarmente motivante in cui poter apprendere con facilità ed efficacia strategie generali per risolvere un problema, potenzialmente spendibili in molti campi del sapere. Mi riferisco, in particolare, alla capacità di articolare un problema dato in compiti elementari oppure trasformarlo e risolverlo in una versione più semplice, da ricondurre a quella originaria attraverso processi di astrazione (Brennan and Resnick, 2012).
Più in dettaglio, gli allievi possono scoprire, con il supporto del docente, che programmare l’interazione del protagonista di un gioco di avventura con i suoi nemici segue una logica modulare, che prevede la stesura e l’esecuzione in parallelo di più script: il codice per conferire al protagonista le sue abilità di movimento, quello per determinare l’epilogo del gioco quando il protagonista soccombe nello scontro con i suoi nemici e, infine, lo script relativo all’esito opposto. Quando, poi, gli studenti si trovano di fronte ad un problema diverso, ad esempio nell’ambito dello studio della Matematica, le strategie cognitive acquisite nelle attività di game design, in virtù di una forte motivazione intrinseca e di un approccio costruttivo all’errore, possono rivelarsi fruttuose anche nel nuovo contesto.
BIBLIOGRAFIA:
Brennan, K. and Resnick, M. (2012). Using artifact-based interviews to study the development of computational thinking in interactive media design. Paper presented at annual American Educational Research Association meeting, Vancouver, BC, Canada.
Buscema, P. M., Sacco, P., Della Torre, F., Massini, G., Breda, M., and Ferilli, G. (2018). “Theory of impossible worlds: Toward a physics of information”. Chaos 28.
Buscema, P. M. (2020). L'arte della previsione – Intervista sull’intelligenza artificiale a cura di Vittorio Capecchi. Mimesis Edizioni.
Nielsen, M. A. (2015). Neural Networks and Deep Learning. Determination Press.
