Come si va dalla stazione di Moorgate a Piccadilly Circus a Londra?

Here, let me help you.

Ecco la mappa: calcolate!

Sembrerà facile (oppure no? la metro di Londra è intricata), ma è una domanda praticamente impossibile per un’intelligenza artificiale. O almeno lo era prima che Google DeepMind (che impiega più di qualche fisico) sguinzagliasse il suo Differentiable Neural Computer (DNC). Secondo gli scienziati di DeepMind, le reti neurali sono bravissime a riconoscere schemi e calcolare la cosa migliore da fare in una data situazione (come ha fatto il loro AlphaGo). Però non sono capaci di mettere assieme sequenze complesse di azioni perché non sanno ricordare.

dnc-cover-image-002-width-1500

Una rappresentazione del DNC: la rete neurale al centro raccoglie i dati che arrivano da sinistra, li immagazzina a destra dove può collegarli con altri che aveva già. Poi può combinarli per produrre la risposta (in basso). Credit: DeepMind

tumblr_nklw7hj3o51t55xupo1_400Volendo potremmo immaginare i dati come ingredienti e la rete neurale come un cuoco un po’ limitato, che può lavorarci solo in sequenza. Perciò non può preparare la pasta per una crostata e metterla da parte mentre fa il ripieno. Chef DNC invece sì: mette la pasta in memoria, fa il ripieno poi finisce.

Anche se non ce ne rendiamo conto, quando pianifichiamo un viaggio in metro immagazziniamo, rielaboriamo e colleghiamo informazioni di continuo. Ad ogni fermata dobbiamo decidere: rimaniamo sulla linea? scendiamo? cambiamo? Poi dobbiamo tener a mente da dove venivamo, dove siamo, e dove stiamo andando. E DNC fa proprio così.

Capirai—si dirà—ci sono app della metro navigatori che lo fanno da anni! Vero, e probabilmente lo fanno meglio. Però sono stati programmati apposta per quello e non sanno fare altro.

DNC no: ha imparato a calcolare percorsi, iniziando da gruppi di punti connessi a caso (grafi, se vogliamo esser pomposi). Una volta memorizzate le diverse connessioni (chi è collegato con chi, in che modo), gli veniva chiesto di calcolare il percorso più breve tra due punti e, di volta in volta, gli si diceva se la risposta era corretta.

graph

Un esempio di punti connessi a caso, tipo quelli con cui si è allenato DNC—solo quelli erano molto più complicati!

Una volta imparato, DNC è riuscito a gestire la mappa della metro di Londra—che assomiglia molto ad un grafo casuale—, ma potrebbe guidarci altrettanto facilmente sui mezzi pubblici di Milano, o pianificare la soluzione ad un piccolo puzzle o rispondere domande complicate su alberi genealogici.

Questo video, ad esempio, mostra DNC che memorizza le connessioni in una famiglia (chi è figlio o fratello di chi) e poi risponde alla domanda “chi è il prozio materno di…?” Ammetto di averci messo un pochino per interpretare la domanda. E sono un umano ragionevolmente competente: provate a chiederlo al vostro navigatore satellitare!

Spesso in intelligenza artificiale, non è importante cosa sappia fare il computer, quanto cosa possa imparare. E DNC ha dimostrato di poter imparare un sacco!

 

Foto copertina: I think we got out at the wrong station, CC-BY-NC-ND The Hamster Factor, via Flickr. Some rights reserved.

Per saperne di più
  • L’articolo su Nature dove viene presentata la scoperta, con dettagli in più su com’è fatto DNC e com’è stato addestrato.
  • Un post sul blog di DeepMind che, in parole più semplici, presenta DNC
  • Volete vedere DNC che risolve uno tra tanti compiti su un piccolo puzzle? eccovi serviti con un video!

Lascia un commento

Il tuo indirizzo email non sarà pubblicato. I campi obbligatori sono contrassegnati *