Un post singolare

Potreste aver sentito che un buco nero “è una singolarità”. Se vi interessate di intelligenza artificiale, invece, potreste conoscere La Singolarità di quando verremo sorpassati dai robot. Perciò… ehm… robot dentro i buchi neri? In realtà ha tutto senso.

Continua a leggere

Il computer che impara la metropolitana

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!

Come vediamo noi e come vedono i computer

Vi sarà bastato un dettaglio per capire che la foto di copertina è di un’auto. I computer non sono altrettanto capaci. Saranno pure capaci di batterci a Go, ma le macchine hanno difficoltà a distinguere gli oggetti nelle immagini.

Secondo i ricercatori del Weizmann Institute in Israele, il nostro vantaggio è che il cervello coglie singoli dettagli e dà un senso al resto.

I ricercatori hanno messo alla prova questa abilità mostrando diverse foto, spesso sgranate, a migliaia di volontari. Sorprendentemente, dice Shimon Ullman, “Se un’immagine minima perde anche pochissimo dettaglio, tutti improvvisamente perdevano l’abilità di riconoscere l’oggetto”. Nelle foto qua sotto, per esempio, la percentuale passa da oltre il 70% ad a malapena il 20%.

Piccole differenze tra le immagini della riga sopra e quella sotto cambiano moltissimo la possibilità di riconoscere cosa rappresentano (i numeri). Credit: Weizmann Institute

Secondo i ricercatori, questo significa che c’è una quantità minima di informazione che un’immagine deve contenere perché un cervello possa capire di cosa si tratta.

Meglio capiamo come funzionano i complicati processi visivi del cervello, migliori sistemi di visione artificiale possiamo progettare.

Ad esempio, migliorando la vista nelle auto che si guidano da sole.

 

Foto copertina: CC0 Alain Willenmart, via unsplash

Perché i computer imparano Go

Due avversari si affrontano in un antico gioco di strategia. Solo uno dei due è una persona, e non è quello che vince. La storia di AlphaGo ha girato parecchio. Ma perché è così importante?

Breve ripasso: Go è un gioco da tavolo cinese. La sua particolarità è che ha un’enormità di possibili mosse e contromosse che lo rendendo ingestibile, anche per un computer.

AlphaGo è un’intelligenza artificiale creata apposta da DeepMind (una divisione di Google). Il suo successo (ha strabattuto 5-0 il campione europeo), è anche il primo di un computer su un giocatore esperto.

 

 

Un computer che sa giocare a Go, di per sé, non è molto utile. Ma i giochi da tavolo hanno molto in comune con la vita reale: presentano decisioni difficili, ognuna con pro e contro, costi e benefici da valutare.

Allo stesso tempo, sono un ambiente ben controllato e definito, con un numero limitato di mosse, strategie e situazioni possibili. In pratica, imparare un gioco è un banco di prova per prendere decisioni nel mondo reale.

Per i computer è anche meglio: mentre per noi umani imparare è naturale, loro devono imparare a farlo. AlphaGo, ad esempio, non è stato programmato specificatamente per giocare a Go, bensì per osservare le partite e imparare le strategie migliori. Sottoponendogli un altro gioco o un altro problema, può usare sistemi simili e velocemente imparare a risolvere anche quello.

Computer che avevano imparato poker o quiz televisivi, ad esempio, ora aiutano diagnosi mediche. Google vuole usare AlphaGo per “affrontare grandi problemi come il cambiamento climatico o diagnosi di malattie complesse”.

Prima di salvare il mondo, però, probabilmente lo useranno per cose davvero importanti: trovarci più video pucciosi.

 

Foto copertina: from above, CC-BY-NC tommpouce, via Flickr. Some rights reserved.

Imparare ad impararare

Anche se i computer sono più efficienti a risolvere problemi, noi umani rimaniamo imbattibili per la velocità a cui impariamo. Capendo come facciamo, potremmo sviluppare sistemi per insegnare più efficaci ed aiutare meglio ragazzi con difficoltà di apprendimento.

Tre scienziati del MIT e delle Università di New York e Toronto hanno creato un programma che impara da pochissimi esempi a scrivere singole lettere di vari alfabeti. Secondo i ricercatori, questo corrisponde a come impariamo noi.

L’algoritmo programma da sé un catalogo di movimenti da far fare ad una penna virtuale. Quando gli viene mostrata una nuova lettera, cerca nel catalogo quali movimenti potrebbero produrla e così impara a scriverla, anche dopo averla vista pochissime volte. In questo modo il computer non deve imparare un nuovo concetto ogni volta che vede una variazione della stessa lettera.

In pratica, il computer impara ad “usare la conoscenza acquisita apprendendo alcuni concetti per apprenderne di nuovi”, dice Brendan Lake, uno degli autori. In altre parole, dicono, l’algoritmo impara ad imparare.

Foto: Learn, CC-BY GotCredit, via Flickr. Some rights reserved.