Vai al contenuto

M03 · Machine learning, lo schema a 6 caselle

Il dataset è la porzione di realtà da cui la macchina apprende.

Perché questo modulo

Quasi tutto quello che oggi chiamiamo AI (chatbot, raccomandazioni, riconoscimento facciale, traduzione) è machine learning. Se non hai chiaro come si crea un sistema di machine learning, vedi solo la punta dell'iceberg. E come per il Titanic, quello che ti affonda è sotto.

È anche il modulo che rende possibile tutto il resto. Al corso sugli agenti chi non ha chiara la differenza tra modello e applicazione non capisce niente. Per questo in aula lo dico chiaro: entro domani sera dovete sapere cos'è un modello, cos'è un'applicazione, cos'è un input, cos'è un output e cos'è un dataset. Se non succede, ho fallito io.

Obiettivi

Alla fine del modulo il partecipante:

  • distingue intelligenza artificiale, machine learning, deep learning e chatbot (insiemi uno dentro l'altro);
  • spiega a chiunque cos'è il machine learning: macchine che apprendono in modo automatico da esempi;
  • descrive le due fasi (apprendimento e utilizzo) e sa che come utenti stiamo sempre nella seconda;
  • nomina le 6 caselle dello schema e le applica a un sistema che non abbiamo visto in aula;
  • sa che i modelli non imparano mentre li usiamo.

Concetti chiave

Concetto Come lo dico in aula Stabilità
AI ⊃ ML ⊃ DL ⊃ chatbot Un insieme gigante (l'AI, disciplina transdisciplinare) con dentro il machine learning, con dentro il deep learning, con dentro le chatbot stabile
Machine learning Apprendimento automatico, da esempi. Non devo più spiegare alla macchina come fare: le faccio vedere tanti esempi e impara stabile
Deep learning Machine learning con reti neurali artificiali in configurazioni complesse stabile
Due fasi Prima si impara (training), poi si usa (deploy, dopo il test). Sono sequenziali. Il marketing le mescola stabile
Dataset Gli esempi. La porzione di realtà da cui la macchina apprende. E tutto diventa numero stabile
Algoritmo di apprendimento La sequenza di calcoli che trova i pattern negli esempi. Algoritmo vuol dire solo "sequenza di operazioni": anche allacciarsi le scarpe è un algoritmo stabile
Modello allenato Uno o più file pieni di numeri che contengono ciò che la macchina ha imparato. Da solo non fa niente stabile
Applicazione Il "corpo" che permette di usare il modello. ChatGPT è un'app, GPT-x è il modello stabile
Input Dati nuovi, mai visti. Un sistema che sapesse rispondere solo a ciò che ha già visto non sarebbe intelligente stabile
Output Sempre una previsione (in termini tecnici: inferenza). Quindi sempre con un margine d'errore stabile
GIGO Garbage in, garbage out: esempi spazzatura, previsioni spazzatura stabile

Come lo conduco

1. Lo strumento definitivo (10 minuti)

Distribuisco un A4 a testa. Lo pieghiamo a metà, poi ancora a metà, poi portiamo le alette esterne dalla stessa parte: diventa un piccolo libretto. Lo chiamo "lo strumento definitivo" con tono solenne. Fa ridere, ed è il punto: abbassa la tensione prima di un argomento che molti temono.

Scheda completa: il foglietto.

2. Gli insiemi (15 minuti)

Sul primo lato disegniamo un insieme grande: AI. Prima di andare dentro, ricordo cosa c'è in quell'insieme: matematica, informatica, ma anche psicologia, filosofia, etica. Poi il sottoinsieme machine learning. Chiedo come si traduce. Qualcuno dice "addestramento automatico", qualcuno "apprendimento automatico". Mi fermo sul senso: macchine che apprendono. Faccio scrivere: da esempi.

Poi deep learning (reti neurali artificiali in configurazioni complesse) e chatbot. Li accenno e basta: i dettagli matematici non servono, e lo dico.

Da qui c'è un aggancio diretto al modulo sulla complessità: sopra un certo numero di nodi la rete neurale diventa complessa e non è più spiegabile.

3. Le due fasi (20 minuti)

Giriamo il foglio. Disegniamo una tabella di tre colonne e due righe, sfruttando le pieghe: in alto le caselle 1, 2, 3 (apprendimento), in basso 4, 5, 6 (utilizzo). Le alette servono a coprire e scoprire una fase alla volta.

Prima domanda alla classe: noi, nella vita, in quale fase stiamo? La risposta corretta (in basso, nell'utilizzo) di solito arriva, ma serve dirla ad alta voce. A meno che tu non lavori in OpenAI, Google o Anthropic, sei sempre lì.

Fase di apprendimento 1. Dataset: gli esempi. Chiedo: come li chiamiamo? Escono "dati", "training", poi "dataset". Poi la frase da scrivere e su cui riflettere: il dataset è la porzione di realtà da cui la macchina apprende. Porzione, perché qualcuno ha scelto cosa metterci dentro. Gli esempi diventano tutti numeri: i pixel sono numeri, i testi diventano numeri. 2. Hardware: disegniamo un computer con il mantello. È un supercomputer, e la canzone ce l'aveva già detto: senza matematica non va, e la matematica gira su macchine enormi. 3. Algoritmo di apprendimento e modello allenato: i calcoli che trovano i pattern negli esempi, e il file che ne esce.

Fase di utilizzo 4. Applicazione: disegniamo un tablet con un dito che lo tocca. Il modello è un cervello senza corpo, l'app è il corpo. 5. Input: dati nuovi, mai visti. 6. Output: una previsione.

4. L'analogia dello studente (10 minuti)

La uso dichiarando che serve a capire il processo, non ad antropomorfizzare la macchina.

L'insegnante di storia ti dice: studia la Rivoluzione francese da pagina 43 a 62. Quelle pagine sono il dataset. Il cervello è l'hardware. Il metodo di studio è l'algoritmo: c'è chi sottolinea, chi fa lo schema, chi si registra e si riascolta. Esistono tanti algoritmi di apprendimento perché esistono tanti metodi. Quello che ti resta in testa, una mappa di concetti collegati, è il modello allenato.

La differenza da sottolineare subito dopo: il cervello umano è plastico. Se sbagli 10 domande su 20 alla verifica, ripassi solo quelle. Un modello allenato no: per insegnargli qualcosa di nuovo bisogna rifare l'apprendimento. Per questo i modelli escono versione dopo versione, e ogni versione è diversa come lo sono dei fratelli.

5. Esempi d'uso (10 minuti)

  • Google Maps: l'input è dove sei, dove vuoi andare, a che ora. L'output è la previsione del traffico. A volte ci prende, a volte no.
  • Meteo: un tempo i fisici dell'atmosfera scrivevano equazioni lunghissime. Oggi quella formula la genera l'algoritmo a partire dagli esempi. È un cambiamento epistemologico enorme: si costruisce meno teoria e si imitano di più gli andamenti dei dati.
  • La chatbot: le dai un input e lei prevede la risposta migliore.

6. Esercizio di trasferimento (25 minuti)

A gruppi, si applica lo schema a sistemi diversi. Scheda: schema a 6 caselle su altri sistemi.

  • Raccomandazioni (Spotify, Netflix, YouTube): dataset = storico degli ascolti di tutti. Il sistema trova utenti simili e incrocia ciò che uno ha e l'altro no. È apprendimento non supervisionato.
  • Speech-to-text (la dettatura sul telefono): dataset = registrazioni audio con la trascrizione corretta. È supervisionato. Se nel dataset non ci sono certi accenti, il sistema li riconosce peggio.
  • Riconoscimento facciale (il quadratino nella fotocamera): dataset = immagini di volti, cioè pixel, cioè numeri. Il modello deve generalizzare: riconoscere tutti i volti, non solo quelli visti.
  • Generazione di testo: dataset = un corpus mostruoso di testi. Il modello impara grammatica, sintassi, lingue, e gestisce numericamente i significati.

Chi fa tutto giusto vince una canzone personalizzata. Non è una battuta: la scrivo davvero.

7. Chiusura: modello ≠ applicazione (10 minuti)

Dove sta l'intelligenza in un'app di AI? Nel modello. Se togli il modello, l'app non è più intelligente.

Due conseguenze pratiche: - Quando qualcuno ti dice "uso ChatGPT", la domanda giusta è: con quale modello? - Quando un fornitore dice "te lo faccio io il modello, su misura per te", chiedi cosa intende. Allenare un modello costa: dati, calcolo, energia, competenze. Spesso si tratta di un modello esistente adattato. Va bene, ma va detto.

Frasi che uso

  • "Il dataset è la porzione di realtà da cui la macchina apprende."
  • "Noi siamo sempre nella fase di utilizzo."
  • "Il modello allenato è un file pieno di numeri. Finché non lo metti da qualche parte, non fa male a nessuno."
  • "Mentre lo usi, il modello non sta imparando."
  • "Algoritmo vuol dire solo sequenza di operazioni. Anche la ricetta dei pancake."

Errori frequenti

Dei partecipanti - Pensare che la chatbot "impari da me" mentre ci parlo. È un'altra funzionalità (la memoria dell'app), non il modello che impara. Lo si chiarisce nel modulo funzionalità. - Confondere app e modello ("ChatGPT 5"). - Chiedere come si "traduce un video in numeri" troppo presto. Va bene parcheggiare la domanda: ci si arriva con i token.

Miei - Correre. Questo modulo regge tutto il resto: meglio sacrificare un esempio che lasciare dubbi sulle due fasi. - Rispondere alle domande sulle funzionalità (ricerca web, memoria) dentro questo modulo. Le parcheggio esplicitamente: "è un altro livello, ci arriviamo".

Punti critici e da verificare

  • Semplificazione dichiarata: lo schema non distingue pre-training, fine-tuning e reinforcement learning. Per un pubblico tecnico va aggiunta una nota.
  • I modelli non "degradano": un modello fermo non cambia. Cambiano il mondo (data drift) e le versioni che le aziende servono sotto lo stesso nome.
  • Analogia del cane addestrato: efficace per dire "statistico, non deterministico", ma rischia di antropomorfizzare. Da usare con la stessa avvertenza dell'analogia dello studente.

Collegamenti