di Eduardo Saturno
Forse non lo sapete, ma il machine learning ci ha circondato. Quando chiedete qualcosa a un motore di ricerca, è grazie al machine learning che il motore decide quali risultati (e anche quali annunci pubblicitari) mostrarvi. Quando leggete le vostre e-mail, non vedete gran parte dello spam perché è già stato filtrato per voi. Volete comprare un libro su Amazon, o guardare un film su Netflix? Un sistema di machine learning si prodigherà a consigliarvi quelli che potrebbero piacervi. Facebook se ne serve per decidere quali aggiornamenti mostrarvi, e Twitter fa lo stesso con i suoi tweet. Ogni volta che usate un computer, ci sono buone probabilità che da qualche parte entri in gioco il machine learning. Un tempo, l’unico modo per convincere un computer a fare qualcosa dalla somma di due numeri al controllo di un aereo in volo – era scrivere un algoritmo che spiegasse come fare nei minimi dettagli. I learner, come sono chiamati gli algoritmi del machine learning, sono diversi, perché capiscono dai dati ciò che devono fare. E più abbondanti sono i dati, migliori saranno le loro performance. Oggi i computer non hanno più bisogno di essere programmati: lo fanno da soli. La cosa non si limita al cyberspazio: a ogni ora del giorno, dal momento in cui aprite gli occhi a quando andate a dormire, il machine learning è con voi. La radiosveglia scatta alle sette del mattino, con una canzone che non avete mai sentito ma che vi piace davvero tanto. Grazie a Pandora, l’algoritmo che impara i vostri gusti musicali, è come se aveste un deejay personale. Chissà, forse anche la canzone è stata prodotta con l’aiuto del machine learning. Mentre fate colazione leggete il giornale, uscito dalle rotative poche ore prima: il sistema di stampa è calibrato attentamente con un algoritmo di apprendimento per evitare le striature di inchiostro. In casa la temperatura è perfetta, e da quando avete installato un termostato intelligente Nest la bolletta è calata sensibilmente. State guidando, diretti al lavoro. L’automobile corregge ininterrottamente l’iniezione del carburante e il ricircolo dei gas discarico per ottimizzare i consumi. Per ridurre il tempo speso al volante(e lo stress) nelle ore di punta, utilizzate Inrix, un sistema di predizione del traffico. In ufficio, il machine learning vi aiuta ad affrontare il sovraccarico di informazioni. Utilizzate un data cube per sintetizzare montagne di dati, analizzarle da ogni angolazione e approfondire i dettagli più importanti. Dovete prendere una decisione: per attirare più traffico sul vostro sito web è meglio l’impaginazione A o la B? Un sistema di apprendimento web le testa entrambe e vi dà la risposta. Dovete dare un’occhiata al sito web di un potenziale fornitore, ma è in una lingua straniera? Non c’è problema: Google lo traduce automaticamente per voi. Per facilitarvi la lettura della posta elettronica, i messaggi si distribuiscono automaticamente in cartelle diverse, lasciando nella posta in arrivo solo quelle più importanti. Il vostro word processor controlla che la grammatica e l’ortografia dei testi sia corretta. Avete trovato un volo per il vostro prossimo viaggio, ma aspettate a comprare il biglietto perché Bing Travel prevede che il prezzo stia per calare. Senza rendervene conto, in un’ora riuscite a fare molto più di ciò che fareste senza l’aiuto del machine learning. Durante una pausa date un’occhiata ai vostri fondi di investimento. La maggior parte sceglie le azioni su cui investire servendosi di algoritmi di apprendimento; ce n’è addirittura uno che è gestito completamente da un sistema di apprendimento automatico. A pranzo fate due passi, cercando con lo smartphone un posto per mangiare, ed è il sistema di apprendimento dell’app Yelp che vi aiuta a trovarlo. Il vostro cellulare è pieno zeppo di algoritmi di apprendimento che lavorano instancabilmente per correggere gli errori di battitura, interpretare i comandi vocali, ridurre gli errori di trasmissione, riconoscere i codici a barre e tante altre cose. Il telefono può addirittura prevedere le vostre azioni, e consigliarvi di conseguenza. Ad esempio, avete quasi finito di pranzare quando il cellulare vi avvisa con discrezione che l’appuntamento del pomeriggio con una persona che arriva da un’altra città inizierà più tardi del previsto perché il suo volo non è in orario. Quando finite di lavorare si è già fatto buio. Il machine learning controlla le immagini delle telecamere di sorveglianza del parcheggio, pronto ad allertare la centrale di sorveglianza in caso di attività sospette, e voi potete raggiungere l’automobile senza correre rischi. Sulla strada di casa vi fermate al supermercato, dove la merce è stata disposta con l’aiuto di algoritmi di apprendimento che dicono quali prodotti richiedono un approvvigionamento, quali vanno messi in vista alle estremità dei corridoi tra gli scaffali, e se la salsa piccante va messa nel reparto dei condimenti o vicino ai nachos. La carta di credito con cui pagate vi è stata proposta in seguito alla decisione di un algoritmo di apprendimento, lo stesso che poi ha approvato il vostro modulo di adesione. Un altro algoritmo controlla eventuali transazioni sospette e vi avvisa se pensa che la carta sia stata clonata. Un terzo cerca di valutare il vostro livello di soddisfazione: se siete un buon cliente ma sembrate insoddisfatto, vi viene fatta un’offerta allettante prima che passiate a una carta di credito concorrente. Arrivati a casa, vi dirigete alla buca delle lettere, dove trovate la lettera di un amico che vi è stata recapitata grazie a un algoritmo di apprendimento capace di leggere gli indirizzi scritti a mano. Poi c’è la solita robaccia, selezionata apposta per voi da altri algoritmi (be’, nessuno è perfetto!). Vi fermate un istante per godervi l’aria fresca della sera. Da quando la polizia ha adottato i sistemi di apprendimento statistico per prevedere dov’è più probabile che siano commessi dei crimini e concentrarvi le pattuglie di ronda, il livello di criminalità in città è diminuito sensibilmente. Mentre cenate con i vostri cari, il telegiornale parla del sindaco. Lo avete votato perché il giorno delle elezioni vi ha telefonato di persona dopo che un algoritmo di apprendimento vi ha indicato come un elettore chiave ancora indeciso. Dopo cena guardate la partita. Entrambe le squadre hanno deciso la formazione da schierare con l’aiuto di un sistema di apprendimento statistico. Forse, invece, preferite giocare con la Xbox insieme ai vostri figli, lasciando che l’algoritmo di apprendimento di Kinect determini dove siete e cosa state facendo. Prima di andare a dormire prendete la solita medicina, progettata e testata con l’aiuto dell’ennesimo algoritmo di apprendimento. Forse persino il medico che ha formulato la vostra diagnosi ha sfruttato il machine learning per interpretare le radiografie o per inquadrare un insieme di sintomi inusuale. Il machine learning interviene in ogni aspetto della vostra vita. Se vi siete esercitati online per l’esame di ammissione all’università, sappiate che i vostri test sono stati valutati da un algoritmo di apprendimento. E se di recente avete sostenuto l’esame GMAT (Graduate Management Admission Test) per essere ammessi a una business school, uno dei voti che avete ottenuto vi è stato attribuito da un sistema di apprendimento. Chissà, forse quando vi siete candidati per il vostro attuale impiego un algoritmo di apprendimento ha scelto il vostro curriculum dal mucchio virtuale di tutti gli altri e ha detto al vostro futuro datore di lavoro: ecco un candidato valido, dagli un’occhiata! È possibile che l’ultimo aumento di stipendio sia arrivato per gentile concessione di un altro algoritmo. Se pensate di comprare casa, il sito www.zillow.com vi darà una valutazione di tutte quelle che state considerando. E quando avrete deciso e cercherete di ottenere un mutuo, un algoritmo di apprendimento esaminerà la vostra richiesta e giudicherà se è accettabile o meno. Ma l’algoritmo più importante, forse, è quello che vi ha aiutato a trovare l’anima gemella sul sito di incontri online. La società sta cambiando, un algoritmo di apprendimento dopo l’altro. Il machine learning sta rivoluzionando la scienza, la tecnologia, gli affari, la politica e la guerra. I satelliti, i sequenziatori di dna e gli acceleratori di particelle sondano la natura alla ricerca di informazioni sempre più dettagliate, e gli algoritmi di apprendimento trasformano i fiumi di dati in nuova conoscenza scientifica. Le aziende conoscono i propri clienti come mai era successo prima d’ora. Il candidato vincente è quello con il miglior modello di base elettorale, come Obama contro Romney. Veicoli senza conducente attraversano la terra, il mare e il cielo, pilotandosi da soli. Nessuno ha inserito i vostri gusti nel sistema di suggerimenti di Amazon: li ha capiti da solo un algoritmo di apprendimento sulla base di ciò che avete acquistato in passato. L’auto senza pilota di Google ha imparato da sola a tenere la strada, senza un ingegnere che scrivesse un algoritmo per spiegarle, un passo dopo l’altro, come andare da A a B. Nessuno sa scrivere un programma per guidare un’auto, ma d’altra parte non ce n’è bisogno, perché un’auto dotata di un algoritmo di apprendimento impara da sola osservando ciò che fa il guidatore. Il machine learning è qualcosa di completamente nuovo: una tecnologia che si costruisce da sé. Progettiamo e realizziamo manufatti, su scala artigianale o industriale, da quando i nostri progenitori hanno cominciato ad affilare le pietre e a trasformarle in utensili. Gli algoritmi di apprendimento, però, sono manufatti che progettano altri manufatti. «I computer sono inutili» aveva detto Picasso. «Possono solo darvi risposte». Da un computer non ci si aspetta che sia creativo, ma solo che faccia ciò che gli diciamo di fare. Se gli dite di essere creativo, il risultato è il machine learning. Un algoritmo di apprendimento è come un grande artigiano: ogni sua creazione è diversa dalle altre, adattata perfettamente alle esigenze del cliente. Ma anziché trasformare la pietra in arte muraria o l’oro in gioielli, i learner trasformano i dati in algoritmi. E più dati hanno, più complessi saranno gli algoritmi. Homo sapiens è la specie che adatta il mondo a sé invece di adattarsi al mondo. Il machine learning è l’ultimo capitolo di una saga lunga milioni di anni: è lo strumento che consente alla realtà di capire cosa vogliamo e cambiare di conseguenza prima ancora che alziamo un dito. Il mondo intorno a noi oggi virtuale, domani fisico si modifica come una foresta magica nell’istante stesso in cui lo attraversiamo. Il cammino che scegliamo tra gli alberi e i cespugli si trasforma in una strada. Là dove ci siamo smarriti spuntano cartelli che ci indicano la strada. Ognuna di queste tecnologie apparentemente magiche funziona perché tutto, nel machine learning, ruota intorno alla capacità di prevedere: ciò che vogliamo, il risultato delle nostre azioni, come raggiungere un obiettivo, come cambierà il mondo. Un tempo, compiti simili erano prerogativa di sciamani e indovini, che però si sono rivelati troppo fallibili. Le predizioni della scienza sono più affidabili, ma si limitano a ciò che possiamo osservare in maniera sistematica e trasformare agevolmente in un modello. Grazie al machine learning e ai big data, l’orizzonte si amplia a dismisura.
Ci sono cose che la nostra mente riesce a prevedere senza bisogno di aiuti, come il gesto che dobbiamo fare per afferrare una pallina, o le parole necessarie per portare avanti una conversazione. Altre sono semplicemente imprevedibili, per quanto ci si possa sforzare. Per la vasta terra di mezzo tra questi due estremi c’è il machine learning. È paradossale, ma gli algoritmi di apprendimento sono ancora avvolti nel mistero, nonostante stiano aprendo nuove prospettive sulla natura e sul comportamento umano. Non passa giorno senza che venga pubblicata una storia in cui è coinvolto il machine learning: il lancio di Siri, l’assistente personale di Apple; la vittoria di Watson, il computer di IBM, sul campione (umano) di Jeopardy!; i grandi magazzini Target al corrente della gravidanza di una ragazzina prima ancora che lo sapessero i genitori, o la NSA (National Security Agency) in cerca dei puntini da unire per vedere che cosa apparirà. In ognuna di queste storie, però, l’algoritmo di apprendimento è sempre una sorta di scatola nera. Persino i libri sui big data restano sul vago su ciò che accade realmente quando il computer ingoia tutti quei terabyte e li trasforma magicamente in nuove informazioni. Ci resta, al più, l’impressione che gli algoritmi di apprendimento non facciano altro che trovare correlazioni tra coppie di eventi, come «cercare farmaci per l’influenza su Google» e «avere l’influenza». La ricerca di correlazioni, però, sta al machine learning come i mattoni stanno alle case, e noi non viviamo in un cumulo di mattoni. Quando una nuova tecnologia è pervasiva e rivoluzionaria come il machine learning, non è saggio lasciare che resti una scatola nera. L’opacità spiana la strada all’errore e all’uso improprio. Oggi è l’algoritmo di Amazon, più di qualsiasi altra persona, a decidere quali libri vengono letti nel mondo. Gli algoritmi della NSA decidono se siete potenziali terroristi. I modelli climatici decidono il livello accettabile di CO2 atmosferica. I modelli per la scelta dei titoli azionari governano l’economia più di qualunque essere umano, o quasi. Non si può controllare ciò che non si capisce, ed è per questo che dobbiamo capire cos’è il machine learning: come cittadini, come lavoratori e come esseri umani che cercano di condurre una vita felice.
(tratto dal libro L’ Algoritmo Definitivo di Pedro Domingos)
