Che cos'è l'apprendimento automatico?

Nel dicembre 2017, DeepMind, il laboratorio di ricerca acquisito da Google nel 2014, ha introdotto AlphaZero, un programma di intelligenza artificiale che potrebbe sconfiggere i campioni del mondo in diversi giochi da tavolo.

È interessante notare che AlphaZero ha ricevuto zero istruzioni dagli umani su come giocare (da cui il nome). Invece, ha usato l'apprendimento automatico, un ramo dell'IA che sviluppa il suo comportamento attraverso l'esperienza anziché comandi espliciti.

Entro 24 ore, AlphaZero ha raggiunto prestazioni sovrumane negli scacchi e ha sconfitto il precedente programma di scacchi campione del mondo. Poco dopo, l'algoritmo di machine learning di AlphaZero padroneggiava anche Shogi (scacchi giapponesi) e il gioco da tavolo cinese Go, e ha sconfitto il suo predecessore, AlphaGo, da 100 a zero.

L'apprendimento automatico è diventato popolare negli ultimi anni e sta aiutando i computer a risolvere i problemi precedentemente ritenuti il ​​dominio esclusivo dell'intelligenza umana. E anche se è ancora lontano dalla visione originale dell'intelligenza artificiale, l'apprendimento automatico ci ha avvicinato molto all'obiettivo finale di creare macchine pensanti.

Qual è la differenza tra intelligenza artificiale e machine learning?

Gli approcci tradizionali allo sviluppo dell'intelligenza artificiale comportano la codifica meticolosa di tutte le regole e conoscenze che definiscono il comportamento di un agente di intelligenza artificiale. Durante la creazione di un'IA basata su regole, gli sviluppatori devono scrivere istruzioni che specificano come l'IA dovrebbe comportarsi in risposta a ogni possibile situazione. Questo approccio basato su regole, noto anche come buona AI vecchio stile (GOFAI) o AI simbolico, cerca di imitare il ragionamento della mente umana e le funzioni di rappresentazione della conoscenza.

Un esempio perfetto di AI simbolico è lo stoccafisso, un motore di scacchi open source di alto livello da più di 10 anni. Centinaia di programmatori e giocatori di scacchi hanno contribuito allo Stockfish e hanno contribuito a sviluppare la sua logica codificando le sue regole, ad esempio cosa dovrebbe fare l'IA quando l'avversario sposta il suo cavaliere da B1 a C3.

Ma l'IA basata su regole spesso si rompe quando si affrontano situazioni in cui le regole sono troppo complesse e implicite. Il riconoscimento del parlato e degli oggetti nelle immagini, ad esempio, sono operazioni avanzate che non possono essere espresse in regole logiche.

A differenza dell'IA simbolica, i modelli di intelligenza artificiale di apprendimento automatico non vengono sviluppati scrivendo regole ma raccogliendo esempi. Ad esempio, per creare un motore di scacchi basato sull'apprendimento automatico, uno sviluppatore crea un algoritmo di base e quindi lo "allena" con i dati di migliaia di partite di scacchi giocate in precedenza. Analizzando i dati, l'IA trova schemi comuni che definiscono le strategie vincenti, che può usare per sconfiggere i veri avversari.

Maggiore è il numero di giochi recensiti dall'IA, migliore sarà la previsione delle mosse vincenti durante il gioco. Questo è il motivo per cui l'apprendimento automatico è definito come un programma le cui prestazioni migliorano con l'esperienza.

L'apprendimento automatico è applicabile a molte attività del mondo reale, tra cui la classificazione delle immagini, il riconoscimento vocale, la raccomandazione dei contenuti, il rilevamento delle frodi e l'elaborazione del linguaggio naturale.

Apprendimento supervisionato e non supervisionato

A seconda del problema che vogliono risolvere, gli sviluppatori preparano dati rilevanti per costruire il loro modello di apprendimento automatico. Ad esempio, se volessero utilizzare l'apprendimento automatico per rilevare transazioni bancarie fraudolente, gli sviluppatori compilerebbero un elenco di transazioni esistenti e le etichetterebbero con il loro risultato (fraudolento o valido). Quando forniscono i dati all'algoritmo, separa le transazioni fraudolente e valide e trova le caratteristiche comuni all'interno di ciascuna delle due classi. Il processo di formazione dei modelli con dati annotati è chiamato "apprendimento supervisionato" ed è attualmente la forma dominante di apprendimento automatico.

Esistono già molti repository online di dati etichettati per diverse attività. Alcuni esempi popolari sono ImageNet, un set di dati open source di oltre 14 milioni di immagini etichettate e MNIST, un set di dati di 60.000 cifre scritte a mano. Gli sviluppatori di machine learning utilizzano anche piattaforme come Mechanical Turk di Amazon, un hub di assunzione online e on demand per eseguire attività cognitive come l'etichettatura di immagini e campioni audio. E un settore in crescita di startup è specializzato nell'annotazione dei dati.

Ma non tutti i problemi richiedono dati etichettati. Alcuni problemi di apprendimento automatico possono essere risolti attraverso un "apprendimento senza supervisione", in cui si forniscono al modello AI dati non elaborati e si fa capire da sé quali schemi sono rilevanti.

Un uso comune dell'apprendimento non supervisionato è il rilevamento di anomalie. Ad esempio, un algoritmo di apprendimento automatico può allenarsi sui dati grezzi del traffico di rete di un dispositivo connesso a Internet, ad esempio un frigorifero intelligente. Dopo l'allenamento, l'IA stabilisce una linea di base per il dispositivo e può contrassegnare il comportamento anomalo. Se il dispositivo viene infettato da malware e inizia a comunicare con server dannosi, il modello di apprendimento automatico sarà in grado di rilevarlo, poiché il traffico di rete è diverso dal normale comportamento osservato durante l'allenamento.

Insegnamento rafforzativo

Ormai, probabilmente saprai che i dati di addestramento di qualità svolgono un ruolo enorme nell'efficienza dei modelli di apprendimento automatico. Ma l' apprendimento per rinforzo è un tipo specializzato di apprendimento automatico in cui un'intelligenza artificiale sviluppa il suo comportamento senza utilizzare dati precedenti.

I modelli di apprendimento del rinforzo iniziano con una lavagna pulita. Sono istruiti solo sulle regole di base del loro ambiente e sull'attività da svolgere. Attraverso prove ed errori, imparano a ottimizzare le loro azioni per i loro obiettivi.

DeepZind AlphaZero è un interessante esempio di apprendimento di rinforzo. A differenza di altri modelli di apprendimento automatico, che devono vedere come gli umani giocano a scacchi e imparano da loro, AlphaZero ha iniziato a conoscere solo le mosse dei pezzi e le condizioni di vittoria del gioco. Successivamente, ha giocato milioni di partite contro se stesso, iniziando con azioni casuali e sviluppando gradualmente modelli comportamentali.

L'apprendimento per rinforzo è una zona calda della ricerca. È la tecnologia principale utilizzata per sviluppare modelli di intelligenza artificiale in grado di padroneggiare giochi complessi come Dota 2 e StarCraft 2 e viene anche utilizzata per risolvere problemi di vita reale come la gestione delle risorse del data center e la creazione di mani robotiche in grado di gestire oggetti con destrezza umana.

Apprendimento profondo

L'apprendimento profondo è un altro sottoinsieme popolare dell'apprendimento automatico. Utilizza reti neurali artificiali, costruzioni software che sono approssimativamente ispirate dalla struttura biologica del cervello umano.

Le reti neurali eccellono nell'elaborazione di dati non strutturati come immagini, video, audio e lunghi estratti di testo come articoli e articoli di ricerca. Prima del deep learning, gli esperti di machine learning hanno dovuto impegnarsi molto per estrarre funzionalità da immagini e video e ne avrebbero eseguito gli algoritmi. Le reti neurali rilevano automaticamente tali funzionalità senza richiedere molto impegno da parte di ingegneri umani.

Il deep learning è alla base di molte moderne tecnologie di intelligenza artificiale come auto senza conducente, sistemi di traduzione avanzati e tecnologia di riconoscimento facciale nel tuo iPhone X.

I limiti dell'apprendimento automatico

Le persone spesso confondono l'apprendimento automatico con l'intelligenza artificiale a livello umano e i dipartimenti di marketing di alcune aziende usano intenzionalmente i termini in modo intercambiabile. Ma mentre l'apprendimento automatico ha fatto passi da gigante nella risoluzione di problemi complessi, è ancora molto lontano dalla creazione delle macchine pensanti previste dai pionieri dell'IA.

Oltre all'apprendimento dall'esperienza, la vera intelligenza richiede ragionamento, buon senso e pensiero astratto, aree in cui i modelli di machine learning funzionano molto male.

Ad esempio, mentre l'apprendimento automatico è efficace in complicate attività di riconoscimento dei modelli come la previsione del cancro al seno con cinque anni di anticipo, si trova ad affrontare compiti di logica e ragionamento più semplici come la risoluzione dei problemi di matematica delle scuole superiori.

La mancanza di potere di ragionamento dell'apprendimento automatico rende difficile generalizzare la sua conoscenza. Ad esempio, un agente di apprendimento automatico in grado di giocare a Super Mario 3 come un professionista non dominerà un altro gioco platform, come Mega Man, o anche un'altra versione di Super Mario. Dovrebbe essere allenato da zero.

Senza il potere di estrarre conoscenze concettuali dall'esperienza, i modelli di apprendimento automatico richiedono tonnellate di dati di addestramento per essere eseguiti. Sfortunatamente, molti domini mancano di dati di formazione sufficienti o non hanno i fondi per acquisirne di più. Il deep learning, che è ora la forma prevalente di machine learning, soffre anche di un problema di spiegabilità: le reti neurali funzionano in modo complicato e persino i loro creatori hanno difficoltà a seguire i loro processi decisionali. Ciò rende difficile utilizzare la potenza delle reti neurali in ambienti in cui vi è un requisito legale per spiegare le decisioni AI.

Fortunatamente, si stanno compiendo sforzi per superare i limiti dell'apprendimento automatico. Un esempio notevole è un'iniziativa diffusa di DARPA, il braccio di ricerca del Dipartimento della Difesa, per creare modelli di intelligenza artificiale spiegabili.

• Che cos'è l'intelligenza artificiale (AI)? Che cos'è l'intelligenza artificiale (AI)?
• La maggior parte dei dollari AI va all'apprendimento automatico La maggior parte dei dollari AI va all'apprendimento automatico
• Come vuoi vedere l'IA usata? Come vuoi vedere l'IA usata?

Altri progetti mirano a ridurre l'eccessiva dipendenza dell'apprendimento automatico dai dati annotati e rendere la tecnologia accessibile ai domini con dati di formazione limitati. I ricercatori di IBM e MIT hanno recentemente fatto progressi nel campo combinando l'IA simbolica con le reti neurali. I modelli di IA ibrida richiedono meno dati per l'addestramento e possono fornire spiegazioni dettagliate delle loro decisioni.

Resta da vedere se l'evoluzione dell'apprendimento automatico alla fine ci aiuterà a raggiungere l'obiettivo sempre inafferrabile di creare un'intelligenza artificiale a livello umano. Ma quello che sappiamo per certo è che grazie ai progressi nell'apprendimento automatico, i dispositivi che siedono sui nostri banchi e riposano nelle nostre tasche diventano ogni giorno più intelligenti.