01 – Una macchina impara. Ma che cosa cambia, esattamente?

CAPIRE L’IA · 1 di N

Cinque case, due parametri e un errore: un piccolo esperimento per capire che cosa significa imparare dai dati.

Ti mostro quattro case. Di ciascuna conosci soltanto due cose: la superficie e il prezzo. Poi ti chiedo di stimare il prezzo di una quinta. Non puoi visitarla, non sai in quale città si trovi e non hai un agente immobiliare a cui telefonare.

Hai soltanto quattro esempi. Sono sufficienti per cominciare a fare una previsione?

Fermati un momento, prima di proseguire. Quale cifra hai in mente? E soprattutto: come ci sei arrivato?

La regola che nessuno ti ha consegnato

Forse hai pensato a 160.000 euro. Ogni volta che la superficie aumenta di 20 metri quadrati, il prezzo sale di 40.000 euro. La casa da 70 metri quadrati si trova a metà tra quella da 60 e quella da 80: hai assegnato anche al prezzo un valore intermedio.

Hai trovato una regolarità negli esempi e l’hai usata per un caso che non avevi visto. È un buon punto di partenza per capire una parte importante del machine learning: l’apprendimento supervisionato, nel quale forniamo a un sistema esempi accompagnati dal risultato che vorremmo prevedere.

Non significa che una macchina ragioni come hai appena ragionato tu. Significa che possiamo costruire un procedimento capace di cercare una regola a partire dai dati.

Mettiamo due manopole alla previsione

Scegliamo una famiglia di regole molto semplice: il prezzo cresce lungo una retta. Per descriverla bastano due numeri, che possiamo immaginare come due manopole: una controlla quanto aumenta il prezzo per ogni metro quadrato; l’altra sposta tutte le previsioni verso l’alto o verso il basso.

Proviamo con a = 2 e b = 0. Per 60 metri quadrati otteniamo 120.000 euro. Nel nostro elenco, però, il prezzo è 140.000. Anche le altre tre previsioni sono troppo basse di 20.000 euro. Portando b a 20, la regola riproduce tutti e quattro gli esempi.

Questo è il nostro primo modello: una regola di calcolo con parametri scelti usando i dati. Per costruirlo abbiamo deciso noi di usare una retta. I dati aiutano a scegliere i parametri; non scelgono da soli tutte le regole del gioco.

Dove avviene, esattamente, l’apprendimento?

Nel nostro esempio abbiamo trovato i parametri quasi a colpo d’occhio. Un algoritmo può cercarli in modo sistematico: produce previsioni, misura gli scarti rispetto ai prezzi noti e modifica i parametri per ridurre una misura complessiva dell’errore.

La parola “imparare”, qui, indica qualcosa di concreto: cambiare i parametri in modo da migliorare le prestazioni secondo un criterio scelto. Un criterio comune è la media dei quadrati degli scarti. Elevare gli scarti al quadrato impedisce che errori positivi e negativi si cancellino e dà più peso agli errori grandi.

Per una retta esistono anche metodi che calcolano direttamente i parametri migliori, senza procedere per correzioni successive. Il ciclo illustrato serve a capire il principio degli aggiornamenti iterativi, fondamentale nell’addestramento di molti modelli più complessi.

Una volta terminato l’addestramento, possiamo usare i parametri trovati per una nuova previsione. Questa fase si chiama inferenza. Fare una previsione non comporta, di per sé, imparare di nuovo: i parametri possono restare esattamente gli stessi.

Il momento della verità arriva con la quinta casa

Finora il modello ha visto quattro esempi costruiti apposta per allinearsi perfettamente. Un risultato impeccabile su quei quattro punti dice ancora poco sulla sua utilità. Proviamo allora con una casa tenuta da parte, che non abbiamo usato per scegliere i parametri.

Per 70 metri quadrati la regola prevede 160.000 euro. Immaginiamo che il prezzo osservato sia 168.000: abbiamo sbagliato di 8.000 euro. È tanto o poco? Dipende dallo scopo e dal termine di confronto. Un modello va valutato rispetto all’uso previsto e a un’alternativa ragionevole, anche molto semplice.

Una sola casa non basta per valutarlo. Servono molti casi nuovi e pertinenti. Il punto, però, è già visibile: la prova decisiva riguarda esempi che non hanno guidato l’apprendimento. Questa capacità di funzionare su casi nuovi si chiama generalizzazione.

Adesso cambiamo quartiere

Ecco il problema che la nostra retta non può risolvere. Arriva un’altra casa da 70 metri quadrati, ma in un quartiere molto più costoso. Il modello ripete 160.000 euro: per lui le due case sono identiche, perché gli abbiamo mostrato soltanto la superficie.

Non gli manca una calcolatrice migliore. Gli manca un’informazione. Potremmo aggiungere quartiere, stato dell’immobile, piano e altre caratteristiche. Dovremmo anche raccogliere esempi sufficientemente rappresentativi delle case su cui useremo il modello.

Aggiungere dati e variabili, però, non garantisce automaticamente il successo. Informazioni poco affidabili o un mercato cambiato possono rendere deboli le previsioni. La precisione del calcolo non elimina i limiti di ciò che abbiamo misurato.

E c’è un’altra distinzione da conservare: una relazione utile a prevedere non è, da sola, una spiegazione causale. La nostra retta descrive un andamento nei dati; non dimostra che aggiungere venti metri quadrati a una qualsiasi casa ne aumenterebbe il valore di esattamente 40.000 euro.

Da una retta a un modello che scrive

Un modello linguistico è enormemente più complesso di questa retta. Cambiano l’architettura, i dati, gli obiettivi di addestramento e il numero dei parametri. Non basta estendere l’esempio immobiliare per spiegare come funziona una conversazione.

Ma un’idea ci accompagna: durante l’addestramento vengono modificati parametri sulla base dei dati e di un criterio; durante l’uso, quei parametri contribuiscono a produrre una risposta a un nuovo ingresso. Su questo nucleo costruiremo i prossimi passi.

Quando qualcuno ti dirà che un sistema “ha imparato”, puoi cominciare con tre domande: da quali esempi? Per riuscire in quale compito? E su quali casi nuovi è stato verificato?

← Torna al percorso Capire l’IA