Come impara l'AI?

Introduzione

🎯 Obiettivi di apprendimento

• Capire la differenza tra programmazione tradizionale e machine learning
• Sapere come l’AI viene “addestrata” invece di “programmata”
• Comprendere il principio di base delle reti neurali
• Sapere perché i dati sono fondamentali per le prestazioni dell’AI

Per capire come funziona l’AI dobbiamo partire da come funzionano i programmi informatici tradizionali – e perché il machine learning è qualcosa di fondamentalmente diverso.

La programmazione tradizionale e il machine learning si basano su principi completamente diversi. La differenza determina quali problemi possono essere risolti con l’aiuto dei computer.

Dalle regole agli esempi: una differenza fondamentale

Programmazione tradizionale

Un programmatore scrive istruzioni esatte:

SE la temperatura è sopra 25 gradi
  Mostra "Fa caldo fuori"
SE la temperatura è tra 15-25 gradi
  Mostra "È piacevole fuori"
SE la temperatura è sotto 15 gradi
  Mostra "Fa freddo fuori"

Ogni regola, ogni scenario deve essere definito in anticipo. Questo funziona perfettamente per compiti con regole chiare.

Ma alcuni compiti non si possono programmare con regole

Prova a scrivere regole esatte per:

• Riconoscere un gatto in un’immagine (ha il pelo? Orecchie appuntite? Ma anche altri animali le hanno…)
• Determinare se un testo è positivo o negativo (l’ironia complica tutto…)
• Stabilire se qualcuno è arrabbiato, felice o triste dalla voce

Non esiste una regola semplice che funzioni sempre – troppe variazioni, troppe sfumature. È qui che entra in gioco il machine learning.

Invece di cercare di scrivere regole, forniamo al sistema AI migliaia o milioni di esempi – e lasciamo che scopra i pattern da solo.

Machine learning: impara dagli esempi invece che dalle regole

Esempio: riconoscere i gatti

Programmazione tradizionale (praticamente impossibile): “Un gatto ha quattro zampe, orecchie appuntite, baffi…” – Ma come si codifica “carino”? Come si distingue un gatto da una volpe?

Machine learning:

1. Fornisci all’AI 100.000 immagini di gatti (etichettate “gatto”)
2. Fornisci all’AI 100.000 immagini di altri animali (etichettate “non gatto”)
3. Lascia che il sistema trovi i pattern nei pixel che distinguono i gatti dagli altri animali
4. Testa con nuove immagini mai viste dal sistema – riconosce i gatti con alta precisione

Nessun essere umano ha scritto regole. L’AI ha scoperto i pattern da sola attraverso gli esempi.

Come funziona il processo di addestramento in pratica? Ecco una spiegazione passo dopo passo con un esempio concreto.

Come funziona l'addestramento: un esempio concreto

Compito: addestrare un’AI a distinguere le email spam da quelle legittime.

Passo 1: Raccogliere i dati

Raccogliamo 10.000 email, di cui 5.000 spam e 5.000 legittime. Ogni email è etichettata – questo si chiama labeled data (dati etichettati).

Passo 2: L’AI trova i pattern

Il sistema analizza le email e scopre i pattern:

• Lo spam contiene spesso le parole “gratis”, “vinci”, “clicca qui”
• Lo spam ha più frequentemente errori di ortografia
• Lo spam proviene più spesso da mittenti sconosciuti
• Le email legittime contengono spesso il tuo nome nella frase di saluto

L’AI crea un modello matematico basato su questi pattern.

Passo 3: Testa su nuove email

Forniamo all’AI email mai viste prima. Usa il suo modello per indovinare: spam o non spam?

Passo 4: Migliorare il modello

Se l’AI indovina male, il modello viene corretto. Questo si ripete finché l’AI diventa sufficientemente brava.

Risultato: un’AI in grado di classificare nuove email senza che nessuno abbia scritto regole del tipo “se l’email contiene la parola ‘gratis’, segnala come spam”.

Il tipo più potente di machine learning usa le reti neurali – liberamente ispirate al funzionamento del cervello.

Reti neurali: ispirazione dal cervello

Come funziona il cervello?

Il tuo cervello contiene miliardi di cellule nervose (neuroni) collegate tra loro. Quando vedi un gatto, alcuni neuroni inviano segnali ad altri, e insieme formano il pattern “gatto”. Più vedi gatti, più queste connessioni si rafforzano.

Le reti neurali artificiali fanno qualcosa di simile – il sistema è composto da strati di “neuroni” artificiali (funzioni matematiche) collegati tra loro.

Esempio semplificato – riconoscimento di immagini:

1. Primo strato: riconosce dettagli semplici (bordi, linee, differenze di colore)
2. Secondo strato: combina questi in forme (cerchi, triangoli)
3. Terzo strato: combina le forme in parti (orecchie, naso, zampa)
4. Ultimo strato: combina le parti in oggetti (“questo è un gatto”)

Ogni strato impara pattern sempre più complessi combinando i risultati dello strato precedente.

Le reti neurali profonde hanno molti strati (da qui “deep” learning – apprendimento profondo). Questo permette loro di imparare pattern estremamente complessi.

Forse la più importante intuizione sul machine learning non riguarda gli algoritmi o l’hardware – bensì i dati.

I dati sono la chiave – Garbage in, garbage out

Un’AI è valida quanto i dati su cui è stata addestrata.

• Se addestri un’AI a riconoscere i cani ma mostri solo immagini di golden retriever, potrebbe non riconoscere un bassotto o un pastore tedesco
• Se addestri un’AI su testi pieni di errori, imparerà a scrivere in modo errato
• Se addestri un’AI su dati distorti, l’AI imparerà i pregiudizi

Esempi reali:

• Un’AI per le candidature di lavoro addestrata su dati storici (dove la maggior parte dei manager erano uomini) ha imparato a discriminare le candidate donne
• Un’AI addestrata a riconoscere i volti su immagini per lo più di persone dalla pelle chiara funzionava peggio con persone dalla pelle scura
• Un’AI addestrata su studi medici con perlopiù partecipanti maschi diventava meno brava a diagnosticare le malattie delle donne

Questo non accade perché l’AI è “cattiva” – impara semplicemente i pattern dai dati. Se i dati sono distorti, l’AI sarà distorta. Questo si chiama bias (distorsione) ed è uno dei problemi più grandi dell’AI.

Il machine learning non è un’unica tecnica – esistono diversi approcci a seconda del tipo di problema da risolvere.

Tre tipi di machine learning

Apprendimento supervisionato (Supervised Learning)

L’AI impara da esempi con le risposte corrette.

• Fornisci 10.000 immagini etichettate “gatto” o “cane”
• Impara la differenza e può classificare nuove immagini

Usato per: riconoscimento delle immagini, filtri antispam, supporto diagnostico

Apprendimento non supervisionato (Unsupervised Learning)

L’AI riceve dati senza risposte e trova i pattern da sola.

• Fornisci 10.000 profili clienti senza etichette
• Trova gruppi di clienti simili – segmenti che potresti non conoscere

Usato per: trovare pattern, segmentazione dei clienti, rilevamento di anomalie

Apprendimento per rinforzo (Reinforcement Learning)

L’AI impara testando e ricevendo feedback – come addestrare un cane.

• Il sistema prova diverse cose
• Riceve una “ricompensa” per le buone scelte, una “punizione” per quelle cattive
• Impara quali azioni portano ai risultati migliori

Usato per: AI per giochi, robotica, auto a guida autonoma

Riepilogo

Raccogliamo qui le intuizioni più importanti della sezione prima di procedere al quiz.

• La programmazione tradizionale si basa su regole esatte. Il machine learning permette all’AI di imparare i pattern dagli esempi invece
• L’AI viene addestrata ricevendo migliaia o milioni di esempi e trovando pattern statistici – nessuno scrive regole, il sistema le scopre da solo
• Le reti neurali sono ispirate al cervello e sono composte da strati che apprendono pattern sempre più complessi. Il deep learning implica molti strati e la capacità di imparare relazioni estremamente complesse
• I dati sono fondamentali: un’AI è valida quanto i dati su cui è stata addestrata – dati scadenti o distorti producono AI scadente o distorta (bias)

Metti alla prova le tue conoscenze

4 domande · 100% per superarlo · Rivedi le risposte al termine

Inizia il quiz →