Il machine learning: cos'è e come impara una macchina

Il ribaltamento: esempi al posto di regole

Per decenni programmare ha significato una cosa sola: scrivere regole. Se l’email contiene questa parola, segnala spam; se il cliente spende più di tanto, applica lo sconto. Funziona finché le regole si possono scrivere. Ma prova a scrivere le regole per riconoscere un gatto in una foto: orecchie a punta? Anche le volpi. Pelo? Non i gatti sphynx. Ci si arrende in fretta.

Il machine learning ribalta il tavolo: invece di scrivere le regole, mostri al software migliaia di esempi (foto con l’etichetta “gatto” o “non gatto”) e lasci che sia lui a scovare gli schemi. Il risultato di questo studio si chiama modello. Come sintetizza Google, è “addestrare un software a fare previsioni utili o generare contenuti a partire dai dati”.

L’idea ha una data di nascita precisa: nel 1959 Arthur Samuel, in IBM, coniò il termine descrivendo il suo programma che migliorava a dama partita dopo partita, fino a battere giocatori esperti.

I tre modi di imparare (più uno)

Supervisionato: studiare dai compiti svolti

È il metodo più diffuso: ogni esempio arriva con la risposta giusta allegata. Mille email etichettate “spam” o “non spam”, diecimila case con il loro prezzo di vendita. Il modello impara la relazione tra input e risposta, come uno studente che si prepara sui compiti svolti degli anni precedenti. Le due applicazioni classiche: la regressione (prevedere un numero, tipo il prezzo di una casa) e la classificazione (decidere una categoria, tipo spam sì o no).

Non supervisionato: trovare ordine senza istruzioni

Qui gli esempi non hanno etichette. Il modello riceve i dati grezzi e cerca da solo strutture e somiglianze: il clustering raggruppa i clienti con abitudini simili senza che nessuno abbia definito i gruppi in anticipo. Sta poi agli umani dare un senso a ciò che emerge.

Per rinforzo: imparare sbagliando

Il sistema agisce in un ambiente e incassa premi o penalità: mossa vincente, punto; mossa persa, punizione. Tentativo dopo tentativo affina la strategia. È così che AlphaGo ha imparato a battere i campioni umani di Go, ed è il metodo con cui si addestrano i robot.

E il generativo?

I sistemi che creano contenuti — testo, immagini, codice — sono la famiglia più recente: ne abbiamo parlato nell’articolo sull’IA generativa. Sotto il cofano c’è sempre machine learning, in versione gigante.

Esempio pratico: il tuo servizio di streaming usa l’apprendimento supervisionato per stimare quanto ti piacerà un film (ha milioni di voti come esempi), il non supervisionato per scoprire “tipi” di spettatori simili a te, e mescola i risultati nella riga “consigliati per te”.

Dove il metodo mostra i muscoli, e dove i limiti

Il machine learning eccelle dove le regole sono impossibili da scrivere: riconoscere volti e voci, tradurre, stimare rischi. La sua materia prima però è tutto: il modello vale quanto i suoi dati. Esempi sbilanciati o sporchi producono previsioni sbilanciate e sporche, e un pregiudizio presente nei dati viene imparato con la stessa diligenza di qualsiasi altro schema.

C’è poi un limite di natura: il modello riconosce correlazioni, non capisce cause. Se il mondo cambia (nuove abitudini, nuovi trucchi degli spammer), gli schemi imparati invecchiano e le previsioni peggiorano, finché qualcuno non lo riaddestra su dati freschi.

Come faccia, in concreto, una macchina ad “aggiustare i propri parametri” mentre studia è la storia delle reti neurali — il motore matematico dietro il deep learning. E tutto questo, alla base, resta ciò che è sempre stata l’informatica: un algoritmo che macina passi ben definiti, solo che stavolta i passi li ha scritti l’addestramento.