intelligenza-artificiale

Intelligenza Artificiale: nuovo algoritmo simula le nostre capacità di apprendimento

Un team di scienziati dell’Università di New York ha creato un nuovo algoritmo che simula le nostre capacità di apprendimento, segnando di fatto un importante passo in avanti nel campo dell’Intelligenza Artificiale. L’algoritmo, presentato nell’ultimo numero della rivista Science, consente ai computer di riconoscere e sintetizzare semplici concetti visivi che una volta disegnati risultato del tutto indistinguibili da quelli che produrrebbe un essere umano. Grazie a questa ricerca, d’ora in avanti le macchine potranno ridurre drasticamente il tempo impiegato per assimilare nuovi concetti, applicando le loro capacità computazionali a problemi più creativi.


“I risultati dimostrano che prendendo in considerazione il modo in cui le persone elaborano i concetti possiamo sviluppare algoritmi migliori” – spiega Brendan Lake, autore principale dello studio – “In aggiunta, il nostro lavoro punta in direzione di nuovi e promettenti metodi per ridurre il gap che separa le capacità di apprendimento dei computer da quelle degli esseri umani”.


Quando siamo esposti a nuovi concetti, di solito abbiamo bisogno di pochi e semplici esempi per assimilare le informazioni e strutturarle in modo creativo; per raggiungere lo stesso risultato, gli attuali computer ne richiedono invece centinaia di migliaia. “E’ stato molto difficile progettare macchine in grado di simulare l’efficienza del cervello umano nell’apprendere nuovi concetti”– osserva Ruslan Salakhutdinov, uno dei co-autori dello studio –“Replicare queste peculiari abilità è una delle aree più interessanti nello studio delle connessioni tra apprendimento automatizzato e scienze cognitive”.


All’interno del lavoro pubblicato su Science, gli scienziati hanno cercato di abbreviare il processo di apprendimento dei computer per renderlo più simile al modo in cui gli esseri umani acquisiscono e applicano nuove conoscenze. L’algoritmo elaborato dal team di ricerca permette alle macchine di imparare da un piccolo numero di esempi e di eseguire una serie di operazioni creative, come generare nuovi esempi del concetto appena assimilato o proporre concetti originali collegati all’esempio di partenza, ma per il momento può essere applicato solo al riconoscimento di caratteri.


bayesian-program-learning


Per ottenere questo risultato gli scienziati hanno sviluppato una struttura basata su BPL (Bayesian Program Learning, un sistema di apprendimento probabilistico), dove i concetti sono rappresentati da semplici programmi per computer. Mentre gli algoritmi standard di apprendimento rappresentano i concetti come specifiche configurazioni di pixel o collezioni di caratteristiche, l’approccio BPL genera modelli che approssimano gli oggetti del mondo reale, trasformando il processo di comprensione nella ricerca di semplici connessioni semantiche tra oggetti. Una delle caratteristiche più interessanti dell’algoritmo è la sua capacità di utilizzare la conoscenza acquisita da concetti già analizzati per accelerare il processo di assimilazione di nuovi concetti (per esempio, il modello può utilizzare la conoscenza pregressa dell’alfabeto latino per imparare le lettere dell’alfabeto greco). Per testare questo modello i ricercatori lo hanno applicato ad oltre 1.600 esempi di caratteri scritti a mano provenienti da 50 diversi sistemi di scrittura, inclusi il Sanscrito e il dialetto Tibetano.


Oltre a testare l’abilità dell’algoritmo nel riconoscere nuovi concetti, gli autori hanno chiesto ad alcuni volontari di riprodurre una serie di caratteri dopo aver mostrato loro un singolo esempio di ciascuno di essi. Successivamente, ai volontari è stato richiesto di creare nuovi caratteri che ricalcassero lo stile di quelli mostrati come esempio. Una volta raccolti i risultati, il team di ricerca ha operato un confronto con i caratteri prodotti dall’algoritmo a partire dagli stessi esempi, senza rilevare differenze degne di menzione. Per concludere l’esperimento gli autori hanno poi realizzato un test di Turing ‘visivo’, chiedendo ai volontari di giudicare, dato un preciso set di caratteri, se questo fosse stato realizzato da un uomo o da una macchina. La percentuale di risposte corrette ha rispecchiato il confronto operato in precedenza dagli stessi autori, confermando la validità dell’algoritmo.


“Prima di arrivare all’asilo i bambini imparano a riconoscere nuovi concetti partendo da un signolo esempio, e possono perfino immaginare esempi concreti che non hanno mai visto.” – sottolinea Joshua Tanenbaum, co-autore dello studio –“Ho sempre desiderato costruire un modello algoritmico di queste straordinarie capacità fin dalla mia tesi di dottorato, negli anni ’90. Siamo ancora molto lontani dal creare macchine intelligenti come un bambino, ma questa è la prima volta in cui abbiamo un computer in grado di imparare ed utilizzare una classe così larga di concetti in modo del tutto simile ad un essere umano”.



B. M. Lake, R. Salakhutdinov, J. B. Tenenbaum. Human-level concept learning through probabilistic program induction. Science, 2015; 350 (6266): 1332 DOI: 10.1126/science.aab3050


Fonte: New York University Press

TODAY

30 Apr

Sunday

Le Rubriche

Photo Gallery