Apprendimento automatico

L'apprendimento automatico è la capacità di un sistema di ampliare le proprie conoscenze senza l'intervento dell'uomo. Il concetto di apprendimento automatico è utilizzato nell'ingegneria del software, nel data mining e, in particolar modo, nell'intelligenza artificiale I sistemi di apprendimento automatico si basano su diversi metodi di ragionamento, tra i quali si ricordano:

• Ragionamento induttivo. Il ragionamento induttivo è un processo logico che consente di giungere a una conoscenza generale a partire dallo studio dei casi particolari. Ad esempio, gli uccelli hanno le ali e volano, le api hanno le ali e volano ( asserzioni singolari ), quindi tutti gli animali con le ali volano ( asserzione generale ). Questo tipo di ragionamento può causare errori di valutazione, dovuto all'eccessiva generalizzazione. Ad esempio, la gallina ha le ali ma non vola.
• Ragionamento deduttivo. Il ragionamento deduttivo è un processo logico che consente di giungere a una conoscenza come conseguenza logica delle premesse. Ad esempio, tutti gli animali mangiano, gli uomini sono animali ( premesse ), quindi tutti gli uomini mangiano. Questo tipo di ragionamento ( inferenza deduttiva ) preserva la verità contenuta nelle premesse.

A partire da una base di conoscenza, ricca di informazioni, un sistema di apprendimento automatico ricerca ed estrae le eventuali regolarità tra i dati mediante le tecniche di data mining. Per avviare un percorso di apprendimento automatico è necessario utilizzare sia il metodo induttivo e sia il metodo deduttivo, anche se ciò potrebbe portare a compiere errori. La sola presenza del metodo deduttivo potrebbe comportare l'interruzione del processo di apprendimento entro i limiti imposti dalle premesse. Un sistema di apprendimento automatico deve essere in grado di fare esperienza e di riconoscere gli errori compiuti in passato al fine di evitare di ricommetterli in futuro. Negli anni '50-'60 per realizzare le prime forme di ragionamento automatico sono stati adottati due approcci:

• Approccio deterministico. Nell'approccio deterministico l'uomo inserisce nella macchina una tabella con tutte le associazioni di causa ed effetto. In una colonna è indicata una particolare situazione e in un'altra l'azione che la macchina dovrà eseguire.
  Tale approccio richiede una grande quantità di dati. Si pensi, ad esempio, al numero di combinazioni possibili in una partita a scacchi. Inoltre, non si può parlare di vero e proprio ragionamento automatico poiché la macchina si limita a seguire meccanicamente ciò che il programmatore ha impostato. Per quanto sia completa, la tabella non potrà mai prevedere tutte le situazioni che si possono presentare in un ambiente reale.
• Approccio probabilistico. Nell'approccio probabilistico l'uomo si limita a spiegare le regole del gioco alla macchina e una minima conoscenza di base. È la macchina ad accumulare esperienza. Inizialmente la macchina procede con azioni casuali analizzando il risultato (effetto) finale. Quando il risultato è positivo memorizza la scelta come valida e la ripete in situazioni analoghe. Quando il risultato è negativo la memorizza tra le scelte da evitare. Dopo numerosi cicli di esecuzione la macchina dovrebbe aver costruito una propria conoscenza empirica del problema. Ad esempio, in una partita a scacchi il computer perde quasi tutte le prime partite poiché deve ancora maturare esperienza. Alla n-esima partita è, invece, più difficile battere il computer poiché quest'ultimo ha già in memoria diverse situazioni e non risponde più casualmente alle mosse del giocatore umano.
  Tale approccio è preferibile rispetto all'approccio deterministico ma non elimina del tutto alcune criticità. L'associazione causa-effetto di ogni situazione in una tabella richiede comunque una grande quantità di memoria per ospitare i dati. Quanto maggiore è la quantità di dati da analizzare, tanto minore è la velocità di risposta della macchina.
• Approccio previsionale. Più che un approccio si tratta di una estensione degli approcci precedenti (deterministico o probabilistico). Nell'approccio previsionale la macchina analizza per ogni sua possibile scelta tutte le possibili contro-mosse del giocatore avversario. In tal modo la macchina riesce a prevedere l'evoluzione futura del gioco analizzando tutte le sequenze di azioni possibili.
  L'approccio previsionale è relativamente semplice in un gioco astratto come gli scacchi dove tutte le mosse appartengono a un insieme chiuso e le regole sono ben delineate. E', invece, molto complesso da realizzare in un ambiente reale (es. guida automatica su strada) dove gli imprevisti sono la regola del gioco.

Le innovazioni informatiche degli ultimi trent'anni hanno consentito di lavorare con macchine sempre più veloci e con memorie sempre più capienti. Ciò nonostante, la complessità spaziale (memoria) e la complessità temporale (velocità di ragionamento) degli algoritmi di intelligenza artificiale è ancora oggi uno dei principali problemi dell'apprendimento e del ragionamento automatico.