Conclusione

Abbiamo iniziato il capitolo con una citazione e concludiamo allo stesso modo.

Ogni tanto arriva una tecnologia che non risolve un problema, ma cambia il modo in cui si risolvono tutti gli altri: la macchina a vapore, l’elettricità, il computer, Internet. Non si riconoscono dal mestiere che svolgono, perché non ne svolgono uno solo; si riconoscono da quanti mestieri diversi finiscono per attraversare. È la compagnia in cui molti collocano l’intelligenza artificiale, e la formula più fortunata è di Andrew Ng, che insegna all’Università di Stanford ed è autore di alcuni fra i corsi di machine learning più seguiti al mondo:

L’intelligenza artificiale è la nuova elettricità.

È uno slogan, e come tutti gli slogan funziona perché butta via i distinguo. Ng lo ha ripetuto in più occasioni; ma nella conversazione del 2017 da cui la formula è stata raccolta il ragionamento per esteso è più cauto, e più interessante: «proprio come l’elettricità ha trasformato quasi tutto cento anni fa, oggi faccio davvero fatica a pensare a un settore che l’AI non trasformerà nei prossimi anni» [Ng17]. È una previsione, non un bilancio, e come tutte le previsioni andrà verificata; ma qualche esempio concreto, di quelli già successi, c’è.

Il primo riguarda l’elettricità per davvero. I servizi che usiamo ogni giorno girano dentro capannoni pieni di computer accesi giorno e notte, i centri di elaborazione dati, che scaldano al punto da doverli raffreddare in continuazione: il condizionatore è una voce enorme della loro bolletta. Già nel 2016 DeepMind, il laboratorio di ricerca sull’intelligenza artificiale di Google, aveva usato le proprie reti neurali per ridurre fino al 40% l’energia che serviva a raffreddare quelli di casa propria [EG16].

Quel 40%, però, riguarda la sola voce del raffreddamento, e conviene guardare anche l’altro numero dichiarato nello stesso annuncio. Un centro del genere consuma parecchio oltre ai computer: le ventole, le luci, e l’energia che va perduta per strada negli impianti elettrici. Su tutto quel contorno messo insieme, che è una fetta più larga del solo condizionamento, il calo dichiarato fu del 15%. È il numero meno spettacolare, ed è quello che dice di più.

Il secondo è in medicina. Una rete neurale addestrata su più di novantamila tracciati, raccolti da oltre cinquantamila pazienti, riconosce le aritmie cardiache dal solo elettrocardiogramma con un’accuratezza confrontabile con quella di un cardiologo [HRH+19]. Il confronto si fa così: si consegnano gli stessi tracciati a un gruppo di cardiologi in carne e ossa, e si prende come risposta giusta quella su cui il gruppo converge; poi si guarda quanto spesso ci arriva ciascun cardiologo da solo, e quanto spesso ci arriva la rete. Il gruppo che l’ha costruita è quello dello stesso Andrew Ng citato qui sopra.

Il terzo è AlphaFold, sempre di DeepMind, che ha imparato a prevedere la forma tridimensionale delle proteine [JEP+21]. Vale la pena dire perché fosse difficile: una proteina è una catena di amminoacidi, e quella catena si ripiega su se stessa fino ad assumere una forma tridimensionale precisa, che è poi ciò che decide la sua funzione. La sequenza si legge in laboratorio con relativa facilità; la forma in cui si ripiegherà, no, e capire come si passasse dall’una all’altra era un problema aperto da mezzo secolo. Conoscerla permette agli scienziati di comprendere il ruolo di una proteina all’interno del corpo, e di studiare le malattie che si ritiene siano causate da proteine «mal ripiegate», come l’Alzheimer, il Parkinson e la fibrosi cistica.

Un esempio che invece conviene togliere dall’elenco, perché lo si trova sempre dentro e non gli appartiene: i robot chirurgici che assistono il medico in sala operatoria. La precisione di quelle incisioni non viene dall’apprendimento. Viene dal fatto che la macchina toglie il tremore della mano e rimpicciolisce il gesto, così che al centimetro percorso dalla mano del chirurgo corrisponda un millimetro percorso dalla punta dello strumento. È meccanica e controllo, cioè bella ingegneria, e non c’è nessun modello che abbia imparato qualcosa dai dati. Saperlo distinguere è già metà del mestiere che questo libro prova a insegnare.

Distinguere l’apprendimento dalla buona ingegneria, del resto, è anche l’unica difesa che c’è contro le due reazioni opposte che questa tecnologia raccoglie: l’entusiasmo che le attribuisce qualunque cosa e il timore che la immagina fuori controllo. Hanno in comune più di quanto sembri, perché nascono tutte e due dal non sapere che cosa ci sia dentro, e si curano nello stesso modo: andando a guardare. Elencare tutte le regole che un modello si è dato, è vero, non può farlo nessuno; ma si può misurare che cosa sbaglia e su quali casi, e si può coprire un pezzo alla volta della fotografia che gli si dà da guardare, per scoprire quale pezzo gli fa cambiare risposta. È un mestiere vero, e nel libro ha il suo capitolo, quello sull’interpretabilità. Non serve a concludere che non c’è niente di cui preoccuparsi (qualche problema è reale, e a quelli è dedicato il capitolo sull’AI responsabile), ma a sapere quali.

E si comincia dagli attrezzi. Il prossimo capitolo è dedicato a Python, il linguaggio con cui tutto il resto del libro è scritto, e quello dopo alla manciata di matematica che serve davvero: se hai in mano le frazioni, le potenze e le percentuali, il resto lo impari qui, strada facendo. Poi si entra nel merito: il machine learning, cioè il salto di questa pagina raccontato per bene, e da lì in avanti le reti neurali.

Elementare

Da ricordare

• Un algoritmo è una ricetta: una lista finita di passi precisi che portano a un risultato. Quello di Euclide, per il massimo comune divisore, è fra i più antichi che si conoscano e sta in quattro righe di Python.

• Il salto di questo libro è che per moltissimi compiti (riconoscere un gatto, tradurre una frase) la ricetta non la sappiamo scrivere: allora si raccolgono migliaia di esempi e si lascia che le regole emergano dai dati. È questo che significa, qui, dire che un programma impara. Gli esempi possono portare la risposta scritta accanto da una persona (l’etichetta), oppure averla già dentro di sé, come una parola coperta in mezzo a una frase.

• I tre nomi da tenere distinti: machine learning è ricavare le regole dagli esempi; deep learning è farlo con reti a molti strati; reinforcement learning è imparare dalle conseguenze delle proprie azioni, con un punteggio al posto degli esempi.

• Buona parte di tutto questo funziona così: si sceglie un punteggio da far salire (o un errore da far scendere) e si lascia che sia la macchina a scoprire come. Con l’avvertenza che quel punteggio lo scriviamo noi, e non è mai esattamente la cosa che volevamo.

• Non è stata una salita continua: fra il 1956 e oggi ci sono due inverni, e funziona adesso perché sono arrivati insieme tre ingredienti, i dati, la potenza di calcolo e gli algoritmi.

Superiore

Da ricordare

• La cornice che regge buona parte del libro: si parametrizza il comportamento con \(\theta\), se ne misura la qualità con \(J(\theta) = \mathbb{E}[U \mid \theta]\) e si cerca \(\theta^\star \in \arg\max_\theta J(\theta)\), cioè \(\arg\min_\theta \mathcal{L}\) con \(\mathcal{L} = -J\).

• Quell’attesa non è calcolabile, perché è presa sui casi futuri: in pratica si ottimizza la media su un campione già raccolto. La distanza fra le due quantità è la differenza fra ottimizzare e imparare, ed è l’oggetto del capitolo sul machine learning.

• Le eccezioni sono istruttive: le GAN sostituiscono la minimizzazione con l’equilibrio di un gioco fra due reti, i metodi non parametrici (k-NN) non hanno parametri da stimare. E la cornice ha una crepa nota, il reward hacking: \(J\) è il punteggio scritto da noi, non l’obiettivo vero.

• Il formalismo del reinforcement learning, ripreso nei due capitoli che gli sono dedicati: un agente in uno stato \(s_t\) sceglie \(a_t\) secondo una policy \(\pi(a \mid s)\), riceve \(r_{t+1}\), e massimizza il ritorno scontato \(\mathbb{E}[\sum_t \gamma^t r_{t+1}]\).

• Euclide: \(\mathrm{MCD}(a,b) = \mathrm{MCD}(b, a \bmod b)\) converge in \(O(\log \min(a,b))\) passi, che non è lo stesso di \(O(\log)\) nel tempo quando gli interi sono lunghi.

Benvenuto in Paithon Book.