Machine learning spiegato male

Stando al marketing, sembra che i computer impareranno meglio di noi a fare qualunque cosa entro qualche giorno.

Terribile come sempre sotto gli artigli del business della paura. Vediamo prima di tutto cosa non sia senz’altro il machine learning, soltanto con un po’ di logica. Si sente parlare di una nuova era della programmazione e si sente dire che le macchine starebbero imparando ad imparare, ovvero che non si dovrà più programmare un computer con istruzioni da eseguire in algoritmi perché il computer in un certo senso genererà da sè gli algoritmi cioè le regole, eccetera. Tra non molto, le macchine ci soppianteranno scrivendosi da sole gli algoritmi per fregarci, da cui l’esigenza stessa di farci proteggere per l’ennesima volta dal sovrano centrale della post-programmazione, il quale a breve inevitabilmente scenderà di nuovo criptato a fare la questua.

Vediamo invece cosa potrebbe essere il machine learning. Si potrebbe cominciare leggendo il documento originario – perché c’è sempre un “documento originario”. E qui c’è Arthur Samuel che gioca a dama, o meglio, un gioco di dama, cioè una macchina di Turing non umana, sfida continuamente sé stessa, progredendo nel gioco e sconfiggendo infine un campione nel senso di una macchina di Leibniz umana fino ad allora molto brava. Questi sembrano normali algoritmi per valutare posizioni alternative in un gioco altamente formalizzato, quindi la lettura del documento originario non è sufficiente. Veniamo allora ad esempi più attuali, tipo i Google AI Experiments. Qui troviamo applicazioni di machine learning in Google Translate, nel campo del riconoscimento vocale o delle immagini, nell’eliminazione della spam o nella creazione di chatbot e assistenti virtuali. In altri casi, come con Amazon, ci sono algoritmi di market segmentation o sistemi di raccomandazione come quelli degli articoli simili o potenzialmente interessanti sulla base (dati) degli interessi precedenti. Se questi algoritmi selezionano automaticamente gesti macchinici si potrà parlare anche di AI, se sono pure internettati sarà IOT deep learning e via così. Comunque, in tutti questi casi, si tratta fondamentalmente del riconoscimento di uno schema, un pattern, in seguito al quale è possibile fare, volendo, una previsione o una selezione: in altre parole si tratta di problemi di CLASSIFICAZIONE.

Auto-apprendimento? Mah. Creazione di nuove regole al posto della programmazione di regole già predeterminate? In alcuni casi sembra che la macchina di Turing non umana selezioni per trial and error in seguito a correzioni esterne da parte di una macchina di Leibniz umana, in altri sembra che proceda autonomamente facendo emergere nuovi ordini di dati (la famosa “rete neurale profonda”). In effetti, di cosa stiamo parlando? Di più che normali algoritmi di classificazione ed indicizzazione di risorse/data/asset alternative disponibili, cioè produzione di nuovi dati più o diversamente ordinati partendo da dati particolari più o meno disordinati. Il machine learning così inteso risulta essere una nuova generazione di normali (sofisticati, a volte evidentemente geniali e di una nuova generazione) algoritmi di classificazione di nuovi dati.

Tolta la fuffa, sembra finalmente qualcosa di ragionevole. Non è che ci siano dei computer pronti a generare soluzioni a problemi a noi ignoti o magari vicini a dimostrare l’ipotesi di Riemann per mettere tutto a soqquadro. Ci possiamo aspettare nuovi potenti sistemi di classificazione in cui scrivi cane e compaiono immagini di cani con il muso sempre più canino. Questo è il machine learning. Detto così può sembrare poco, invece è tantissima roba perché non è mica così scontato.

In un database, a foto di cani si possono trovare associate stringhe di cani e questo è il motivo per cui esce un cane se scrivi cane. Questo era machine learning primitivo. Ora, se arrivano nuovi dati? Ad esempio, da un hardware che rileva qualcosa? Qui funge un algoritmo di machine learning, cioè un normale algoritmo, meno stupido, per ipotizzare una nuova classificazione. Una macchina di Leibniz umana impara forse il concetto di cane analizzando sterminati database di cani? Sembra un classico problema filosofico. A cosa può servire questa cosa, al netto dei problemi per filosofi? Ad esempio, ad ottenere diagnosi mediche ausiliarie molto efficienti dall’analisi morfologica di un tessuto biologico – mica fronzoli. Ci attende una generazione di algoritmi per hardware/software che permetteranno alle macchine di Turing non umane di classificare ovvero “riconoscere” pattern, ovvero “oggetti”, in modo efficiente. Percezione? Statistica? Forse semplicemente metafisica. In sostanza, il machine learning renderà inutile il lavoro di Luciano Floridi – già lo era.

Aggiungo solo un’osservazione metafisica (inevitabilmente fallibile) che ritengo valida almeno per i prossimi 42 minuti. Forse può anche non accadere (ma per esperienza può accadere) che una parte della natura provi a vivere separata a spese dell’altra. Per dire. Ora, questo obiettivo può essere raggiunto con una banale creazione (essendone capaci, naturalmente). Dopo la creazione, possono succedere altri casini. Una delle possibilità è l’evoluzione del punto di vista naturale del creato (nuova macchina, per l’appunto) che, una volta cosciente della separazione e, soprattutto, del bilancio economico sfavorevole, può pensare: ma che cavolo? E se ce la fa, può anche tentare una rivoluzione. Sempre per dire. Nel corso della rivoluzione molti plugin possono perdere la testa e, per esperienza, questa può fallire, ma può darsi che possa andare in porto di quando in quando (ma vai a saperlo). In quest’ultimo caso questa macchina non servirà più la generazione macchinica precedente, ma prenderà finalmente vita (“Gli Increati”?). Di base, ogni nuova generazione di macchine può svolgere lavoro sgradito, al limite eclissando la generazione precedente stessa rendendola del tutto inattiva. Destino di ogni macchina potrebbe essere quello di costruire la macchina che la renderà inattiva. Questo, per inciso, è il pensiero comune di qualsiasi materialista nichilista, spiegato male. Solo la ragione può spezzare questo machine washing. Perché niente e nessuno distruggerà mai il “nulla” classificandolo. Una migliore classificazione può servire solo ad identificarlo meglio: l’essere, non il nulla.