La nuova generazione di strumenti di Machine Learning funziona così bene che la disciplina viene spinta in quasi tutti i settori. Sfortunatamente ha anche generato aspettative fuori luogo, ed è comunemente associata a Full / Strong / General Artificial Intelligence. A causa di ragioni strutturali, il Machine Learning non vi condurrà. Solo una migliore comprensione delle strutture dell’intelligenza ci permetterà di creare Thinking Machines. Come siamo arrivati qui, e come facciamo a saltare oltre questo muro?
Le parole sono importanti. Le associazioni contano. Altrimenti è solo rumore.
La tecnologia si muove così velocemente, e c’è molto rumore, un oceano di rumore. Anche se il rumore isolato può essere buono perché genera consapevolezza, il rumore diffuso rende difficile pensare con chiarezza.
| RumoreRumore6/ nɔɪz noun: 2. una serie o combinazione di suoni forti e confusi.
È importante utilizzare contesti, parole e strutture linguistiche appropriate per evitare confusione; la confusione nella collaborazione porta a ↔️ invece che a ⏩. Il problema è che più la tecnologia avanza, più diventa difficile da spiegare. Poiché la tecnologia riguarda tutte le civiltà – tutti noi – è necessario stabilire spiegazioni comuni e corrette (l’uso di un numero limitato delle parole più comunemente usate, ad esempio, è un approccio valido).
Attualmente c’è confusione nel contesto del Machine Learning, poiché la sua seconda parola è sovraccarica:
| Learning ˈləːnɪŋ/ sostantivo: 1. l’acquisizione di conoscenze o abilità attraverso lo studio, l’esperienza o l’insegnamento.
L’apprendimento è associato all’intelligenza, per la capacità implicita di adattarsi a nuove situazioni e di evitare di ripetere gli errori. Questo a sua volta richiede la scorciatoia per l’Intelligenza Artificiale, soprattutto del tipo visto nella fantascienza. Per come vanno le visioni, questo potrebbe essere giustificato. Se la conversazione, tuttavia, riguarda lo stato dell’arte attuale, allora l’associazione tra l’apprendimento automatico e l’intelligenza generale artificiale è un tratto fuorviante. Qual è allora una descrizione migliore e più veritiera dello stato attuale dell’arte del Machine Learning?
Current Machine Learning = Complex Pattern Recognition
Solo pochi anni fa, il Machine Learning era per lo più confinato alla ricerca, dove significava un “campo di studio che dà ai computer la possibilità di imparare senza essere esplicitamente programmati”. Più in dettaglio, il Machine Learning è un sottocampo dell’informatica che si è evoluto dallo studio del riconoscimento dei modelli e della teoria dell’apprendimento computazionale nell’intelligenza artificiale. Ora la stragrande maggioranza degli sforzi attuali (inizio 2016) nel Machine Learning sono ancora in Pattern Recognition, anche se le prestazioni e la complessità dei modelli riconosciuti sono aumentate enormemente. Il Pattern Recognition è una branca dell’apprendimento automatico che si concentra sul riconoscimento dei modelli e delle regolarità dei dati, anche se in alcuni casi è considerato quasi sinonimo di apprendimento automatico.
Allora perché il Machine Learning si è imposto come termine predefinito rispetto al Pattern Recognition? Probabilmente perché suona meglio; più speranzoso in un futuro più luminoso che mantiene le promesse dei Jetsons o dei Futurama. Per essere chiari, ci sono sforzi che vanno già oltre il complesso Pattern Recognition, ma sono molto pochi, e non sono i loro risultati che hanno portato all’hype. Devono ancora chiarire che vanno o intendono andare oltre il Complex Pattern Recognition per mostrare il loro valore.
Superiore al riconoscimento di modelli complessi
Le Thinking Machines avranno immaginazione, impareranno ad usare continuamente il feedback multimodale (possibilmente attivo) e saranno comunque guidate da istinti fondamentali.
L’immaginazione: Un’intera serie di potenziali risultati (esperimenti di pensiero) sono generati continuamente. L’immaginazione ha il suo posto nella memoria a breve e a lungo termine. Il concetto di sequenze e conseguenze è centrale.
Apprendimento continuo: Una singola osservazione può essere sufficiente ad alterare l’esito, abilitata da una forte e debole (sognare) Attivazione del Feedback.
Forte>Reedback multimodale (possibilmente attivo): Diversi tipi di dati sono la base per l’interpretazione. Il feedback permette di rivalutare le situazioni. Il feedback attivo permette di effettuare esperimenti (ad es. utilizzando diversi input).
Siate guidati da istinti fondamentali: Elemento contro-intuitivo che dirige l’intelligenza e, involontariamente, fornisce personalità. Non soggetto ad apprendimento. Dove collocare l’antidoto “AI doomsday”.
Una possibile architettura è composta da moduli semi-dipendenti. Il tipo di dati in ingresso è specializzato nei moduli, che sono in grado di eseguire convoluzioni di sequenza spazio-temporali bayesiane. I moduli sono disposti in modo gerarchico per ottenere l’astrazione. Le connessioni di feedback sono numerose e consentono l’attivazione di sotto-soglia.
Questa architettura può essere implementata su uno smartphone.
