Insegnare alle macchine per imparare di piu'

La proliferazione di dati e l'invenzione di potenti strumenti algoritmici per la loro analisi stanno imprimendo un'enorme accelerazione a molti settori della scienza e della tecnologia.
I computer sono ora in grado di riconoscere oggetti all'interno di scene complesse, elaborare espressioni vocali e rispondere alle domande, individuare gli aspetti rilevanti di enormi set di dati in diversi domini, competere in giochi complessi che richiedono forme di intuizione per elaborare strategie sofisticate. In molte applicazioni, il machine learning sta raggiungendo prestazioni paragonabili a quelle dell'uomo, se non migliori. Ancora più importante, possono farlo su vasta scala. Le scienze sociali e le scienze della vita, entrambe caratterizzate da dati molto complessi, sono tra le principali discipline a vivere una grande rivoluzione. Il machine learning avrà un enorme impatto nel business e nella medicina personalizzata, come già dimostrato da applicazioni rivoluzionarie, come l'interazione uomo-macchina che avviene attraverso linguaggi naturali e l'uso di strumenti di machine learning per prevedere gli esiti dell'editing genico (la cosiddetta biotecnologia Crispr).
A dispetto delle esagerazioni mediatiche degli ultimi decenni, tutti questi studi e applicazioni che dipendono dai dati erano ancora impossibili solo dieci anni fa. Il vero progresso è stato innescato dallo sviluppo combinato di nuove tecnologie per la produzione e l'acquisizione dei dati, di potenti piattaforme informatiche e di nuovi algoritmi di machine learning. Attualmente gli strumenti principali, ma non unici, del machine learning sono le cosiddette reti neurali profonde. Questi sistemi artificiali sono un caso particolare di un'ampia famiglia di tecniche di machine learning che ricordano i modelli di elaborazione dell'informazione e di comunicazione nel sistema nervoso visivo. Il loro obiettivo è quello di estrarre informazioni rilevanti da enormi quantità di dati (apprendere la cosiddetta rappresentazione dei dati) e sono già state applicate a una moltitudine di campi tra cui (ma non solo) la visione computerizzata, il riconoscimento vocale, l'elaborazione del linguaggio naturale, il riconoscimento audio, i social network, la traduzione automatica, la bioinformatica, la progettazione di farmaci e l'analisi dei dati in generale.

La maggior parte dei temi è stata studiata per decenni, ma solo di recente il machine learning ha prodotto progressi concreti e inattesi. Solo un decennio fa non era possibile far lavorare strumenti di machine learning su enormi set di dati, o perché i dati non erano di qualità e quantità sufficienti, o perché le piattaforme di calcolo non erano abbastanza potenti. Se si vuole una data di riferimento, è solo a partire dal 2012 che le reti profonde hanno raggiunto prestazioni paragonabili a quelle umane nei compiti di riconoscimento delle immagini.
Il machine learning e la data science stanno influenzando la nostra società e la nostra cultura. Le interazioni uomo-macchina attraverso linguaggi naturali, l'analisi dei dati per migliorare i processi di business e i sistemi di raccomandazione per anticipare i bisogni delle persone nella vita quotidiana hanno aperto nuove forme di competizione economica. Più in generale, le macchine e i dispositivi nel mondo industriale, degli affari e dei prodotti di consumo stanno raggiungendo prestazioni che richiedono nuovi modelli di business. L'analisi dei dati e il machine learning hanno inoltre un grande impatto sull'ottimizzazione dei processi industriali. Dal punto di vista puramente scientifico, il recente successo del machine learning ha spinto i ricercatori a pensare all'intelligenza artificiale in modi completamente nuovi.
Per quanto tutto ciò sia attraente, concreto ed efficace, tuttavia ci sono molti aspetti del machine learning che devono essere ulteriormente sviluppati e compresi in modo più approfondito. Per esempio, non è ancora stata costruita una teoria completa di come funziona l'apprendimento profondo e questa comporterebbe enormi progressi. Ampliare lo spettro delle applicazioni del machine learning è un elemento chiave, che determinerà l'impatto sociale della data science.

La sfida per il nostro sistema socio-economico, in Italia e in Europa, è quella di stare al passo con questo settore in rapida evoluzione. In caso contrario, saremmo in grave svantaggio rispetto ai concorrenti di tutto il mondo. I giganti della tecnologia degli Stati Uniti, così come un universo di gruppi di ricerca americani e start-up, sono leader del settore, come dimostra per esempio la ricerca sulle auto a guida autonoma. Anche la Cina sta investendo un'enorme quantità di risorse. Il campo è ancora agli albori e non vi sono motivi per cui l'Europa debba rimanere indietro.

Per saperne di più
Imparare è una questione quantica
Il chip dell'influenza che batte il virus
Un modello (statistico) per la vita
Come studiare le reti di connessione
L'algoritmo che previene il suicidio
La teoria che semplifica problemi complessi