Machine learning: tutti ne parlano ma cos'è davvero?

La mente umana ha un limite nella quantità di dati che può raccogliere e gestire, ma le macchine sono capaci di gestirne molto meglio. Ora stiamo cercando di rendere le macchine ancora più intelligenti permettendo loro di imparare da sole, ma a che fine?

Cos'è il machine learning?

Il machine learning (chiamato anche "apprendimento automatico" o "apprendimento intelligente") è, come suggerisce il nome, rendere una macchina o sistema capace di imparare da solo. Segna una divergenza significativa dalla programmazione classica, che consisteva in un umano che dava un ordine e la macchina lo eseguiva. Nel machine learning, la macchina è in grado di adattarsi alle situazioni e imparare da sola. Per questo non servono solo algoritmi software ma anche componenti hardware all'altezza, come il chip TPU annunciato da Google durante l'ultimo Google I/O.

L'intervento umano nella programmazione non è perfetto perché l'evoluzione di un programma (l'aggiunta di nuove regole) può causare conflitti con il codice esistente, risultando in instabilità. Se un sistema fa l'"evoluzione" da solo, non farà nulla di stupido (in teoria...). Detto questo, il machine learning si sta sviluppando in molti altri campi, su cui torneremo.

Differenza tra machine learning e intelligenza artificiale

Anche se machine learning e Intelligenza Artificiale non sono concetti totalmente diversi, non sono esattamente uguali. Il machine learning si riassume come la capacità di una macchina di adattarsi alle situazioni ed evolvere da sola. In un senso, è uno dei processi necessari per l'intelligenza artificiale, che a sua volta è un sistema autonomo.

Prendiamo l'esempio di un'auto autonoma - un'auto che va da punto A a punto B secondo il codice stradale. Questo implica intelligenza artificiale perché la macchina sa adattarsi. Se fosse programmata per imparare e osservare per adattarsi al traffico o situazioni diverse, sarebbe machine learning. Se fosse programmata per seguire miliardi di regole predefinite fisse fino a un aggiornamento, sarebbe intelligenza artificiale senza machine learning.

Ovviamente, il machine learning ha il potenziale più alto per migliorare l'intelligenza artificiale e ci fornisce un dispositivo che funziona nel lungo termine.

A cosa serve il machine learning?

Il punto principale del machine learning è permettere a un sistema informatico di reagire da solo per proteggere se stesso o una rete da attacchi informatici. Ci sono molti vantaggi, inclusi che gli informatici non devono più essere connessi al momento dell'attacco per gestire il problema. Come molte tecnologie moderne, il machine learning mira a diventare mainstream per chiunque e non restare orientato a una nicchia.

Questa è la strada del machine learning, essere usato in settori diversi che, come potete immaginare, hanno più in comune di quanto sembri inizialmente. Durante il keynote Google I/O settimana scorsa, Google ha spiegato che usa questo concetto nell'app Google Photos. Questa impara da come usate l'app e ovviamente usa i dati sul telefono (foto, nomi ecc.) e cerca di offrirvi l'esperienza che pensa vi aspettiate.

La strategia di Google non si limita a Google Photos: la sua strategia è consolidare la maggior parte (o forse tutte?) dei suoi servizi. Il volto di questa strategia è ovviamente l'intelligenza artificiale: Google Assistant. Assistant impara da tutto ciò che osserva e l'ecosistema Google migliora solo la qualità dell'informazione disponibile (e quindi il potenziale di adattamento).

Una tecnologia interessante ma non rilassatevi troppo

"È tentatore liquidare l'idea di macchine altamente intelligenti come mera fantascienza. Ma sarebbe un errore, e potenzialmente il nostro peggior errore nella storia. [...] Purtroppo, potrebbe anche essere l'ultimo, a meno che non impariamo come evitare i rischi". Questo è ciò che il fisico Stephen Hawking pensa dell'intelligenza artificiale che, ricordiamolo, è il culmine del machine learning. Le conseguenze di questa tecnologia sono quindi significative ma è necessario tenere alcuni elementi in vista.

Per definizione, il machine learning impara, quindi se mira a imparare su di voi (come nel caso di Google), dovremmo porci domande etiche, entrando in conflitto con il pragmatismo moderno. È accettabile che qualcuno (o meglio qualcosa) possa accedere a così tante informazioni su di noi? Come ha sottolineato il mio collega Hans-Georg, non dimentichiamo che Google e diverse agenzie USA (dipartimenti governativi) hanno accesso a questi dati.

Un altro angolo da considerare è l'impatto sulla società. Come ha sottolineato il mio collega Stefan nelle sue impressioni sul Google I/O, Google Assistant sta diventando una specie di "centro", un punto di contatto unico per tutte le vostre azioni (chiedere indicazioni, ordinare cibo, ecc.). Oltre alle conseguenze sulle interazioni sociali (che vedremo solo nel lungo termine), possiamo considerare il concetto di "macchina che pensa": questa tecnologia potrebbe sostituire gli umani? Non lo dico come fantascienza ma da prospettiva professionale: le macchine già sostituiscono gli umani per molti compiti, il machine learning potrebbe continuare a spingere questo slancio. Inoltre, Google è molto consapevole degli effetti sull'occupazione poiché ha colto l'occasione al Google I/O per lanciare il nuovo Google Jobs, un portale per chi cerca lavoro.

In conclusione, non dimentichiamo un fatto ovvio: la tecnologia obbedisce alle regole di chi la crea. Se può essere usata per il bene, può essere usata per il male. Non viviamo in Terminator, un universo guidato da macchine, ma i conflitti cibernetici potrebbero evolvere in modo completamente diverso.

In breve, il sistema machine learning è molto utile e ha un lungo futuro davanti, ma il risparmio di tempo e fatica che porta non dovrebbe essere preso alla leggera.

Secondo voi, dove sarà più utile il machine learning? Dove avrà più impatto? Fateci sapere i vostri pensieri nei commenti qui sotto.