Sappiamo ormai con certezza che l’intelligenza artificiale sarà sempre più parte integrante della quotidianità. A volte, però, ancora si fatica a comprendere di cosa si tratti esattamente, e in quali modi possiamo servircene. Spesso, come nel caso dell’apprendimento rinforzato, prende spunto da studi del passato per facilitare e migliorare il lavoro dell’uomo.
Cos’è l’apprendimento automatico
Quando si parla di apprendimento, la branca dell’intelligenza artificiale interessata è il Machine Learning. Si intende, con tale espressione, un sottoinsieme dell’intelligenza artificiale, dedita alla creazione di sistemi con capacità di apprendimento. L’intelligenza artificiale può, infatti, essere definita come qualsiasi tecnologia che permette ad un computer di imitare un comportamento umano; il machine learning, invece, è da intendersi come qualsiasi tecnologia che permette alle macchine di imparare in modo automatico dei dati.
L’apprendimento automatico utilizza algoritmi matematici che consentono alle macchine di apprendere senza che, di volta in volta, vengano inseriti dei singoli comandi per specifiche operazioni. In particolare, i sistemi di machine learning, si articolano in 3 modelli:
- Apprendimento supervisionato, prevede l’utilizzo di applicazioni riguardanti il riconoscimento vocale e di scrittura manuale.
- Apprendimento non supervisionato, gli algoritmi forniscono output ritenuti rilevanti per una determinata ricerca, tramite analisi di modelli e schemi forniti alle macchine.
- Apprendimento per rinforzo, si basa sul meccanismo di ricompensa/punizione per consentire alle macchine di raggiungere un obiettivo nel miglior modo possibile.
Analizziamo il Reinforcement Learning, un mercato in crescita
Concentriamoci sull’apprendimento rinforzato, elaborato dagli studiosi Richard Sutton e Andrew Bart, e specificato nel libro “Reinforcement learning: an introduction”. Si tratta di una tecnica che addestra il software ad imitare il processo di apprendimento, basato su tentativi, comunemente usato dagli esseri umani. Pensiamo ad un bambino piccolo che, per imparare, ad esempio a camminare, procede per tentativi e riceve l’applauso da parte del genitore quando riesce a fare qualche passo. Esattamente allo stesso modo, se le operazioni della macchina raggiungono l’obiettivo, si riceve un rinforzo, in caso contrario esse vengono deviate.
Gli algoritmi imparano dai feedback ricevuti dalle singole operazioni per individuare i percorsi migliori in funzione dell’obiettivo determinato, con lo scopo finale di individuare il modello che massimizza la ricompensa.
Le origini dell’apprendimento rinforzato
In realtà, pur essendo un innovativo processo di AI, l’apprendimento rinforzato affonda le radici nelle teorie psicologiche della corrente del comportamentismo dei primi anni del ‘900, che considera il comportamento umano come un’unità oggettiva che risulta dagli stimoli ambientali.
Tra i maggiori esponenti del comportamentismo troviamo dei medici, Ivan Pavlov e Barrhus Skinner: il primo, autore della teoria del condizionamento classico e il secondo del condizionamento operante. Nel condizionamento classico, Pavlov individuò un collegamento tra stimolo incondizionato e condizionato: notò che i cani aumentano la secrezione salivare in presenza del cibo; facendo precedere quest’ultimo dal suono di una campanella, rilevò che la produzione salivare aumenta anche senza la vista del cibo.
Prendendo spunto da questa osservazione, Skinner elaborò il concetto di “rinforzo”. Nell’esperimento della “Skinner box”, dimostrò che, se un topo chiuso in una gabbia, che prevede il rilascio di cibo tramite una leva, arriverà, casualmente, a spingere la leva, pur non accorgendosi immediatamente del collegamento, dopo vari tentativi avrà chiaro il meccanismo di connessione. Il condizionamento operante, prevede un apprendimento per prove ed errori che individua una connessione tra stimolo e risposta.
Esattamente la relazione che si intende replicare nell’apprendimento per rinforzo tramite l’Intelligenza Artificiale.
Il ruolo dell’ambiente
È l’ambiente ad offrire gli indizi correttivi, come nel caso di un bambino che sta imparando una nuova attività, o l’esempio del topo nell’esperimento di Skinner. Interagendo con l’ambiente tramite l’esperienza si comprendono le operazioni migliori da compiere. A volte, sono le figure che fanno parte dell’ambiente, come genitori ed educatori scolastici, a mostrare gli eventuali rinforzi che aiutano nell’apprendimento, come l’applauso della mamma e del papà, o, al contrario, una punizione.
Altre volte ancora, come accade nella nostra società, può essere l’Intelligenza Artificiale. Il reinforcement learning, infatti, simula il riscontro indiretto dell’ambiente, grazie alla capacità di interpretarlo per auto-produrre le risposte migliori, basandosi su un equilibrio tra esplorazione dell’ambiente ed esperienza delle azioni passate.
Vantaggi
Utilizzare un sistema di reinforcement learning è vantaggioso nei casi in cui non ci sia un unico modo per raggiungere un obiettivo, bensì molteplici.
Ancor di più, mostra la propria utilità negli ambienti complessi, in cui l’uomo potrebbe incontrare delle difficoltà o una lentezza di apprendimento. Gli algoritmi, al contrario, hanno una maggiore velocità di adattamento all’ambiente, consentendo un apprendimento repentino.
L’apprendimento rinforzato mostra un’ottimizzazione degli obiettivi a lungo termine, mostrandosi particolarmente valido per scenari che concernono operazioni con effetti prolungati.
Esempi di utilizzo del reinforcement learning nel marketing
Gli ambiti di applicazione sono molteplici, in particolare, analizziamo il ruolo dell’apprendimento rinforzato nel campo del marketing.
Un sistema di machine learning come quello dell’apprendimento rinforzato, consente di realizzare delle campagne promozionali mirate. Il futuro di questa tipologia dell’AI, sembra proprio essere, in particolare, nel digital marketing: si mostra come uno strumento ottimale per creare annunci pubblicitari personalizzati tramite apprendimento automatico, che consente di supportare le aziende nella produzione di contenuti e di offrire i consigli migliori per raggiungere l’obiettivo della massimizzazione delle vendite.
Inoltre, come evidenziato da un documento prodotto da Google Research, “Active question reformulation with reinforcement learning”, l’apprendimento rinforzato potrebbe rappresentare una rivoluzione SEO. Il sistema di apprendimento è in grado di simulare e formulare le query (ricerche) degli utenti, ponendo all’algoritmo delle nuove domande, e scegliendo, tra le risposte, quelle migliori. I risultati non sarebbero quindi classificati in base ai tradizionali fattori di ranking, bensì su quelli “migliorati” prodotti dall’intelligenza artificiale.
Il reinforcement learning avrà futuro nella scuola?
Questo specifico sistema di apprendimento, così come l’Intelligenza Artificiale in generale, si propone come un’ottima opportunità per migliorare molteplici aspetti della vita umana. Ciò richiede, però, un uso consapevole ed etico che consenta di massimizzare gli effetti (un argomento già trattato sul blog: Intelligenza artificiale, algoritmi e etica: le opinioni di una tavola rotonda).
L’uso consapevole viene ribadito anche dal rapporto di “Save the Children”, che mira a sottolineare la necessità dell’introduzione dell’AI anche nelle scuole.
L’AI può rappresentare un’opportunità per la scuola, facilitando il lavoro di insegnanti e alunni. Nelle fasi di apprendimento, ha il vantaggio di poter contribuire ad individuare tempestivamente le difficoltà degli alunni, offrendo la possibilità di colmare eventuali lacune e problematiche, grazie all’intervento tempestivo dei docenti, così da contrastare l’abbandono scolastico.
