Ciao, e benvenuto nella terza puntata della ventunesima stagione. Nella scorsa puntata abbiamo scoperto la grande svolta: far imparare la macchina dagli esempi invece di programmarle regole. Ma cosa significa, concretamente, che una macchina impara? Come fa un insieme di circuiti e numeri a imparare qualcosa dagli esempi? Oggi apriamo un po' questa scatola, per capire cosa accade davvero durante quel misterioso processo che chiamiamo apprendimento. E scopriremo che, sotto la parola affascinante, c'è un meccanismo comprensibile fatto di tentativi, errori e aggiustamenti.
Partiamo da un'analogia umana, perché ci fa capire l'essenza. Pensa a come impari a fare qualcosa di pratico, per esempio a centrare un canestro. Non lo fai leggendo le regole della fisica: lo fai provando. Tiri, sbagli, vedi dove è andata la palla, aggiusti un po' il movimento, tiri di nuovo, sbagli di meno, aggiusti ancora, e a furia di provare e correggere, migliori, finché ci prendi. Impari attraverso un ciclo di tentativo, errore e correzione, guidato dal risultato: ogni errore ti dice come aggiustare. L'apprendimento di una macchina, nella sua essenza, funziona in modo sorprendentemente simile a questo.
Vediamo come, restando sul piano intuitivo. Immagina la macchina che deve imparare come una scatola piena di tante manopole regolabili, tante piccole rotelle che si possono girare. Il comportamento della macchina, cosa risponde a un dato in ingresso, dipende da come sono regolate tutte queste manopole. All'inizio, le manopole sono regolate a caso, e quindi la macchina risponde a caso, sbagliando quasi sempre. Imparare, per la macchina, significa trovare la giusta regolazione di tutte queste manopole, quella che la fa rispondere bene. Ma con tantissime manopole, come si trova la regolazione giusta? Non a caso, ovviamente, ma con un processo guidato, che è il cuore dell'apprendimento.
Ecco il processo, che ricalca proprio il tiro a canestro. Si prende un esempio di cui si conosce la risposta giusta, e lo si dà alla macchina. La macchina, con le sue manopole attuali, produce una risposta. Si confronta la sua risposta con quella giusta, e si misura quanto ha sbagliato. E qui la parte cruciale: in base a quanto e come ha sbagliato, si aggiustano leggermente le manopole nella direzione che avrebbe reso la risposta un po' più giusta. Poi si ripete con un altro esempio, e un altro, e un altro ancora, migliaia, milioni di volte, aggiustando ogni volta un pochino le manopole. Tentativo, errore, correzione, ripetuti a grande velocità su una montagna di esempi.
Voglio farti apprezzare la magia lenta di questo processo, perché è affascinante. All'inizio la macchina sbaglia quasi tutto, con le sue manopole a caso. Ma a ogni esempio, ogni piccola correzione la spinge un pochino nella direzione giusta. E dopo un numero enorme di questi minuscoli aggiustamenti, guidati da tantissimi esempi, le manopole si assestano su una regolazione che fa rispondere bene la macchina, che le fa cogliere i modelli nascosti nei dati. Nessuno ha regolato le manopole a mano: si sono sistemate da sole, spinte passo dopo passo dagli errori corretti. Questo lento assestamento verso la risposta giusta, guidato dagli esempi, è ciò che chiamiamo addestramento, o apprendimento della macchina.
C'è un aspetto che voglio evidenziare, perché spiega perché servono così tanti dati, e riprende la scorsa puntata. Siccome l'apprendimento avviene per piccoli aggiustamenti guidati da ogni esempio, più esempi la macchina vede, più occasioni ha di correggersi e affinarsi, e meglio impara a cogliere i modelli veri, quelli generali, invece di casualità. Con pochi esempi, rischia di imparare male, cogliendo dettagli irrilevanti; con moltissimi esempi vari, coglie i modelli profondi e affidabili. Ecco perché i dati sono così preziosi: ogni esempio è un'occasione di correzione, e tante correzioni, su dati buoni e vari, sono ciò che porta a un apprendimento solido. La quantità e la qualità dei dati plasmano quanto bene la macchina impara.
Voglio chiarire un punto importante per non cadere in un fraintendimento, perché tocca l'onestà della stagione. Questo apprendimento, per quanto potente, non è comprensione. La macchina non capisce cosa sta imparando: sta solo aggiustando manopole per far combaciare le sue risposte con gli esempi. Trova modelli statistici, correlazioni ricorrenti nei dati, senza afferrarne il significato. È un processo meccanico, matematico, non un atto di comprensione. Sta imparando a riprodurre schemi, non a capire il mondo. Questa distinzione, che approfondiremo, è essenziale per capire sia i poteri sia i limiti di queste macchine: imparano straordinariamente bene a cogliere schemi, senza capire nulla di ciò che colgono.
Per oggi ci fermiamo qui. Imparare, per una macchina, significa qualcosa di sorprendentemente concreto: immagina una scatola con tante manopole regolabili, che all'inizio rispondono a caso. Il processo di addestramento le dà un esempio dopo l'altro, misura quanto sbaglia, e aggiusta leggermente le manopole nella direzione giusta, ripetendo milioni di volte, come imparare a centrare un canestro a furia di provare e correggere. Dopo tantissimi minuscoli aggiustamenti, le manopole si assestano da sole su una regolazione che coglie i modelli nei dati. Per questo servono tanti dati, e per questo l'apprendimento non è comprensione, ma cattura meccanica di schemi. Nella prossima puntata guardiamo dentro la scatola: le reti neurali. Nelle note trovi qualche spunto. Se ti è utile, condividila. Grazie per l'ascolto, e ci sentiamo alla prossima.