Apprendimento automatico

Fig. 1: Un robot che studia un oggetto e impara?

Le macchine non potranno dirsi «intelligenti» fino a quando non saranno in grado di accrescere le proprie conoscenze e di migliorare le proprie abilità. Un metodo per risolvere, anche se molto parzialmente, questo problema è dotare le macchine simboliche di capacità di ragionamento induttivo oltre che deduttivo. Si tratta, in sostanza, di fornire dei meccanismi tramite i quali le macchine possano imparare con esempi. È il tipico processo tramite il quale formuliamo delle generalizzazioni a partire da alcuni esempi particolari. Il ragionamento induttivo, infatti, procede da asserzioni singolari riguardanti particolari fatti o fenomeni (esempi) ad asserzioni universali esprimibili mediante ipotesi o teorie che spieghino i fatti dati e siano in grado di predirne di nuovi.

Per esempio, fornendo ad un sistema artificiale una serie di esempi nei quali si mostra che gli animali che volano hanno le ali, il sistema potrebbe generalizzare il fenomeno con l'ipotesi: "gli animali con le ali volano".

Attenzione, però: mentre l'inferenza deduttiva (usata per esempio nelle dimostrazioni) preserva la "verità" (correttezza logica), l'inferenza induttiva non garantisce ciò, e quindi tali sistemi possono tendere ad un'eccessiva generalizzazione e produrre errori. La regola precedente, infatti, è contraddetta dall'esistenza degli struzzi che hanno le ali, ma non volano.

Uno dei più noti programmi di apprendimento dagli esempi è ID3, sviluppato da J. Ross Quinlan (1979-1983), da cui sono nati prodotti commerciali per la classificazione automatica.

Attualmente i programmi di apprendimento sono ampiamente utilizzati dal punto di vista pratico per far fronte all'esigenza di sfruttare il patrimonio informativo contenuto nelle grandi raccolte di dati accessibili su rete, o nelle basi di dati aziendali, per estrarre regolarità fra i dati, informazioni e conoscenze nascoste (data mining).

The Webweavers: Last modified Wed, 09 Mar 2005 11:04:43 GMT