Uomo e macchina: non una guerra, ma un team vincente
Un algoritmo di DeepMind ha recentemente risolto un problema matematico aperto da 50 anni. Due ricercatori austriaci hanno ottimizzato ulteriormente il processo, apparentemente battendo l'AI. Come hanno fatto? Attraverso la collaborazione: uomo e macchina diventano un team vincente! Scopriamo come.
Recentemente si sono verificati due eventi molto interessanti ed utili a comprendere le potenzialità e l'importanza della "collaborazione" tra l'uomo e la macchina (intesa come algoritmi di intelligenza artificiale).
1) L'AI di DeepMind ha aperto nuovi orizzonti nel calcolo matematico
AlphaTensor, un sistema basato sull'intelligenza artificiale dedicato alla scoperta di algoritmi nuovi ed efficienti ha fatto luce su un task matematico aperto da 50 anni: ha creato di un metodo più veloce (che comprende meno operazioni) per eseguire la moltiplicazione tra matrici. Il tutto utilizzando AlphaZero, ovvero un algoritmo che ha dimostrato delle performance sbalorditive in giochi come gli scacchi e Go.
NOTA: questa tipologia di operazioni viene utilizzata in una grande quantità di attività, ad esempio per elaborare immagini sullo smartphone, riconoscere i comandi vocali, gestire la grafica dei videogiochi, eseguire simulazioni per le previsioni meteo, comprimere dati e video, e molto altro.
2) Due ricercatori trovano una metodologia ancora più efficiente
Pochi giorni dopo, Jakob Moosbauer e Manuel Kauers, due ricercatori austriaci hanno battuto l'algoritmo scoprendo una metodologia ancora più efficiente.
Si tratta di un caso? Assolutamente no, e trovo errata l'espressioni usate dai media come "hanno battuto l'algoritmo"; si tratta, in realtà, della vittoria di un team allargato, composto da uomini "aumentati" dagli algoritmi.
Il principio di funzionamento
L'approccio di DeepMind utilizza una forma di apprendimento automatico chiamato reinforcement learning (apprendimento per rinforzo), in cui un "agente" di intelligenza artificiale (una rete neurale) impara ad interagire con l'ambiente per raggiungere un obiettivo a più fasi, come vincere in un gioco da tavolo. Se funziona bene, l'agente viene "rafforzato": i suoi parametri interni vengono aggiornati per rendere più probabile il successo delle operazioni successive.
AlphaTensor incorpora anche un metodo di gioco chiamato ricerca ad albero, in cui l'AI esplora i risultati delle possibilità di ramificazione mentre pianifica l'azione successiva. Nello scegliere a quali percorsi dare la priorità durante la ricerca dell'albero, chiede a una rete neurale di prevedere le azioni più promettenti in ogni passaggio. Mentre l'agente sta ancora apprendendo, usa i risultati dei suoi "giochi" come feedback per affinare la rete neurale, che migliora ulteriormente la ricerca ad albero, fornendo più successi da cui imparare.
In pratica, semplificando, siamo di fronte ad una soluzione che comprende le regole del sistema, e crea autonomamente gli esempi (dati artificiali) per apprendere e migliorare. Come se uno scacchistica imparasse giocando contro sé stesso milioni di partite, invece di studiare strategie conosciute.
Una delle conseguenze di questo approccio è l'annullamento del BIAS derivante dall'aver appreso da altri.
Ciò significa che le macchine possono produrre soluzioni del tutto nuove, senza l'influenza della conoscenza umana!
Hussein Fawzi di DeepMind, infatti, afferma quanto segue.
"AlphaTensor non incorpora alcuna intuizione umana sulla moltiplicazione delle matrici: l'agente in un certo senso ha bisogno di costruire la propria conoscenza del problema da zero"
- Hussein Fawzi, DeepMind
Attraverso tali tecniche, come accennato in precedenza, un algoritmo ha battuto il campione mondiale di GO, con strategie mai viste prima.. e così arriveremo a soluzioni straordinarie per risolvere grandi problematiche che ci affliggono.
A questo proposito, è interessantissimo il video che segue, in cui Simone Bianco spiega come i principi appena descritti vengono applicati in ambito della biologia sintetica.
Le macchine, senza il bias di 4 miliardi di anni di selezione naturale, probabilmente, possono arrivare a delle soluzioni diverse. Soluzioni che magari non sono ottimizzate per la sopravvivenza in condizioni avverse, ma sono ottimizzate per aspetti più utili per noi, come la sintesi di una medicina contro la prossima pandemia, oppure di una cellula in grado di uccidere quelle di cancro.
Quindi la macchina intelligente non risolve solo il problema della velocità dell'innovazione, ma aumenta lo spazio delle soluzioni dandoci la possibilità di creare strutture nuove.. strutture che non sono mai state realizzate.
Simone Bianco, PI & Director of Altos Labs Comp Bio. Cell engineer C3STC - ex IBM Research
Perché uomo e macchina sono un team vincente?
Prima che DeepMind mettesse in azione i suoi algoritmi in questi task, il miglior metodo per moltiplicare due matrici 4 x 4 era quello messo a punto dal matematico tedesco Volker Strassenper nel 1969.
Se la tecnica insegnata alle scuole superiori richiede 64 operazioni, quella di Strassenper ne richiede 49. Il metodo elaborato da AlphaTensor, invece, impiega 47 passaggi. Jakob Moosbauer e Manuel Kauers affermano di essere riusciti a completare la moltiplicazione con un passaggio in meno.
Ma come hanno fatto?
Si sono basati sulla tecnica messa in atto dall'algoritmo. In pratica, l'intelligenza artificiale, libera di generare soluzioni indipendenti dalla conoscenza umana, ha creato una soluzione fuori dagli schemi.. una soluzione mai pensata prima. Successivamente, a questa creatività si è aggiunta l'intuizione umana.
Un lavoro di squadra straordinario che, se interpretato nel modo corretto, può regalarci innovazione ed evoluzione allo stato puro.
Per approfondire
Matthew Hutson
Luca Tremolada
Alhussein Fawzi
