Affrontando il tema del Machine Learning (ML) ci si trova davanti un nome, Tom Michael Mitchell. Tom Mitchell è uno dei maggiori teorici del Machine Learning, ex presidente del dipartimento di Machine Learning presso la Carnegie Mellon University e attuale docente presso la stessa università.
IN BREVE
Indice
TOM MITCHELL
Affrontando il tema del Machine Learning ci si trova davanti un nome, Tom Michael Mitchell autore prolifico di lavori scientifici con particolare attenzione al Machine Learning (ML); inoltre, ha affrontato il tema dell’Intelligenza Artificiale, della robotica e delle neuroscienze cognitive, per un totale di più di 130 articoli scientifici. Mitchell nel 1997 ha pubblicato uno dei primi libri di testo sul Machine Learning, intitolato Machine Learning.

Cos’è il Machine Learning?
Machine Learning viene pubblicato nel 1997 con lo scopo di definire quello che effettivamente è uno dei temi più interessanti e importanti all’interno del campo dell’Intelligenza Artificiale Forte e Debole. Mitchell definisce ML come segue: “si dice che un programma per computer apprenda dall’esperienza (E) rispetto ad alcune classi di attività (T) e alla misura delle prestazioni (P) se la sua prestazione in attività in T, come misurata da P, migliora con l’esperienza E”.
Le influenze che operano nel Machine Learning
A tale definizione segue una lista di influenze fondamentali per il Machine Learning come l’Intelligenza Artificiale, la teoria del controllo, la filosofia, la psicologia e la neurobiologia. Ogni campo citato attraverso qualche sua teoria risulta di vitale importanza per la strutturazione della disciplina ne è un esempio il rasoio di Occam fondamentale per la scelta delle opzioni: al nel momento in cui l’ipotesi più semplice è la migliore, o ancora, gli studi sulle reti neurali celebrali sono visti come un modello per la costruzione di reti di analisi algoritmica. Il testo continua poi con un’analisi delle reti neurali artificiali, sulle regole di apprendimento, sull’apprendimento analitico, sulla combinazione dell’apprendimento induttivo, analitico e sull’apprendimento per rinforzo. Il testo è tutt’oggi uno dei pilastri in materia ed è in continuo aggiornamento con integrazioni reperibili nella pagina personale del progetto Machine Learning Department School of Computer Science.

IL MACHINE LEARNING PER LA CLASSIFICAZONE DELLE EMAIL
Nel 2004 Mitchell pubblica un paper per il Center for Automated Learning & Discovery Carnegie Mellon University dal titolo Apprendimento per la classificazione delle Email per atti linguistici. L’articolo discute dell’utilizzo di metodi di Machine Learning per classificare le e-mail in base all’intento del mittente. Si cerca di classificare l’email secondo l’essenza significativa verbale (a esempio quella espressa da verbi come proporre, impegnare, consegnare) e nominale (ad es. quella espressa da sostantivi tipo informazioni, riunioni, attività). Tali espressioni definiscono dei veri e propri atti linguistici all’interno della mail, in quanto descrivono delle vere e proprie azioni che agiscono sull’ambiente in egual modo a un movimento fisico del parlante. Un metodo per una classificazione accurata della posta elettronica in tali categorie avrebbe molte potenzialità e benefici. A esempio, potrebbe essere usato per aiutare un utente a tenere traccia dello stato delle attività congiunte delle e-mail in corso; eliminando di gran lunga tutta la serie di errori e problemi che la gestione umana, un po’ per disattenzione, un po’ per mancata capacità di gestione universale, creerebbero. La ricerca si basa su lavori eseguiti da John Searle sul discorso nel 1975, per mettere in relazione tali atti linguistici e il monitoraggio del flusso di lavoro e della posta elettronica; lo scopo è l’elaborazione del concetto di discorso come atto, anche elettronico, che potrebbe essere utilizzato per costruire strumenti più utili per coordinare le attività comuni. Mitchell propone un sistema che osserva passivamente la posta elettronica e impara a classificarla automaticamente per intenzione comunicativa, a seconda dell’utente che usufruisce del servizio.
THE DISCIPLINE OF MACHINE LEARNING
Un articolo interessante per la definizione di cosa sia il Machine Learning è sicuramente The Discipline of Machine Learning pubblicato nel 2006 dallo stesso Mitchell. Nel corso della dissertazione viene presentato il campo specifico del Machine Learning; è necessaria una semplice considerazione: campo scientifico è definito dalla domanda centrale a cui esso cerca di rispondere. Quella che interessa a noi è “Come possiamo costruire sistemi informatici che migliorano automaticamente con l’esperienza e quali sono le leggi fondamentali che governano tutti i processi di apprendimento?”. Per Mitchell questa domanda copre una vasta gamma di attività come, ad esempio, il progettare robot mobili autonomi, l’estrarre i dati delle cartelle cliniche per sapere come i futuri pazienti risponderanno ai trattamenti e il costruire motori di ricerca automaticamente personalizzati in base agli interessi dell’utente. Interessante risulta essere il parallelismo che viene fatto tra alcune discipline, vediamo per esempio quello dell’informatica e quello della statistica: se l’informatica si è focalizzato principalmente su come programmare manualmente i computer, il Machine Learning si concentra sulla questione di come fare in modo che i computer si programmino da soli; se la statistica si è concentrata principalmente su quali conclusioni si possono dedurre dai dati, il Machine Learning incorpora ulteriori domande su quali architetture e algoritmi computazionali possano essere utilizzati nel modo più efficace per dedurre i dati necessari.

L’utilità del Machine Learning, il punto di vista di Tom Mitchell
The Discipline of Machine Learning nella sua seconda parte presenta quelle che sono le applicazioni in cui ha avuto successo:
- Riconoscimento vocale: i sistemi attualmente disponibili per il riconoscimento vocale utilizzano un sistema ML per addestrare il sistema a riconoscere la parola. Il motivo è semplice: l’accuratezza del riconoscimento vocale è maggiore se si allena il sistema rispetto al programmarlo a mano;
- Visione computerizzata: molti sistemi di visione attuali, dai sistemi di riconoscimento facciale ai sistemi che classificano automaticamente le immagini delle cellule al microscopio, vengono sviluppati utilizzando l’apprendimento automatico, per via del fatto che i sistemi risultanti sono più precisi dei programmi artigianali;
- Bio-sorveglianza: i governi per rilevare e tenere traccia delle epidemie si affidano all’utilizzo del Machine Learning. Ad esempio progetto RODS prevede la raccolta in tempo reale dei dati emessi dai pronto soccorso di tutta la Pennsylvania occidentale e l’uso di software che apprendono i casi riscontrati in situazioni normali, in modo tale che si rilevino immediatamente situazioni anomale.

Ognuno di questi campi diviene così un punto di partenza e al contempo un nodo interrogativo sull’essenza del Machine Learning. Attraverso tale pubblicazione infatti Mitchell cerca di fare il punto della situazione e si rivolge agli studiosi di tutto il mondo con l’intento di motivarli a sviluppare la ricerca in ambito sia scientifico che filosofico.
NEVER-ENDING LEARNING
Andando avanti nelle pubblicazioni di Mitchell, troviamo “Never-Ending Learning”; un lavoro in cui viene analizzato il rapporto tra apprendimento umano e apprendimento meccanico. Se le persone apprendono differenti nozioni da diverse esperienze nel corso degli anni, la maggior parte degli attuali sistemi di Machine Learning non fa lo stesso, poiché acquisiscono una sola funzione o settaggio da un solo set di dati. Per ovviare a questo gap strutturale, la proposta di Mitchell è di un paradigma di apprendimento infinito che lavori in egual modo in cui lavora la mente umana. La tesi di questo articolo è che non sarà mai possibile comprendere l’apprendimento umano ‒ poiché tra i tanti scopi del Machine Learning vi è quello di fornire un modello su cui studiare la mente umana ‒ fino a quando non saremo in grado di costruire programmi per computer che come le persone possano:
- apprendere diversi tipi di conoscenza o funzioni;
- apprendere da anni di esperienza diversificata, prevalentemente autogestita;
- apprendere in modo curriculare, ossia dove la conoscenza precedentemente appresa consente di apprendere ulteriori nozioni.
Queste capità appena citate definiscono quello che Mitchell chiama “apprendimento senza fine”. Nell’articolo infine viene presentato come caso di studio un programma chiamato Never-Ending Language Learner (NELL) che implementa molti delle suddette capacità e che è in grado di leggere il Web con lo scopo di imparare a ragionare.
COSA POSSONO FARE LE MACCHINE? IMPLICAZIONI NELLA FORZA LAVORO
In tempi più recenti Mitchell ha pubblicato su Science un articolo in collaborazione con il Dr. Erik Brynjolfsson dal titolo Cosa può fare il Machine Learning? Implicazioni sulla forza lavoro. Mitchell analizza il Machine Learning dal punto di vista lavorativo andando a rispondere alla domanda: le macchine ci ruberanno il lavoro? La risposta e ben più complessa di un semplice sì o di un semplice no. Se da un lato le intelligenze artificiali ‒ e con esse il Machine Learning ‒ sono sempre più presenti all’interno delle nostre vite, è necessario che ci si adatti a esse con una nuova prospettiva. Il ML crea all’economia imprenditoriale dei veri e propri vantaggi andando a delimitare lo spazio di errore riducendolo considerevolmente. Questa riduzione dell’errore in campo lavorativo porta le fabbriche a sostituire l’uomo con la macchina dove possibile ma, non per questo a eliminare totalmente l’uomo dalla fabbrica; infatti le macchine aumentano le capacità umane e renderanno possibili prodotti, servizi e processi completamente nuovi. Per Mitchell è necessario vedere le macchine non come avversarie bensì come “aggiornamenti” a quelle che sono le capacità lavorative umane.

I giusti compiti e le migliorie lavorative
Mitchell sottolinea come sia necessario individuare i campi effettivi di applicazione del ML. Anche se i recenti progressi nelle capacità dei sistemi ML sono impressionanti, non sono ugualmente adatti a tutte le attività. Le implementazioni “robotiche” sono infatti tendenzialmente tanto potenti quanto settorializzate. Scopriamo che un sistema ML può essere addestrato per aiutare gli avvocati a classificare i documenti potenzialmente rilevanti per un caso, ma sarebbe impossibile per esso intervistare potenziali testimoni o sviluppare una strategia legale vincente. Quello che manca alla macchina è, in certi sensi, la creatività, identificando con creatività la capacità umana di indirizzare il pensiero verso una determinata direzione. Questo suggerisce nel prossimo futuro un ruolo maggiore per scienziati, imprenditori e tutti coloro che daranno un contributo ponendo le domande giuste a cui le macchine sapranno dare una sempre di più giusta risposta.
Migliorare l’economia attraverso il ML
Ci sono molti fattori non tecnologici che influenzeranno le implicazioni del ML per la forza lavoro. In particolare, l’effetto del ML sulla domanda di lavoro e sui salari può essere riassunto in sei fattori:
- I sistemi informatici creati da ML sostituiranno direttamente alcuni compiti, sostituendo la domanda umana e riducendo la domanda di lavoro per un dato livello di produzione;
- I prezzi delle merci diminuiranno in quanto la loro produzione sarà sempre meno costosa grazie alle macchine;
- Il ML sarà un’ottima spalla per il singolo lavoratore, creando con esso una condivisione del lavoro;
- L’automazione modificherà il reddito dell’intera popolazione. Le persone potranno permettersi maggiori beni a un costo sempre minore;
- Vi saranno delle modifiche ai salari che in base al livello di complessità della mansione svolta subiranno un calo o un aumento: uno data scientist avrà un guadagno maggiore rispetto a un programmatore di percorsi per macchine con pilota automatico;
- Le aziende cambieranno il loro modo di vedere il lavoro e di organizzare quest’ultimo. Cambieranno anche i progetti imprenditoriali dei singoli individui.
Questo futuro per Mitchell non è tanto lontano quanto si pensa, che infatti riflette su come chi oggi sta investendo sulle nuove tecnologie sia un passo avanti alla concorrenza, seppur questa disponga di capitali maggiori.
TOM MITCHELL IN PILLOLE
Quella di Tom Mitchell è sicuramente una delle figure più importanti del XXI secolo nell’ambito delle nuove tecnologie. La sua è una vita dedita allo studio dei nuovi campi dell’informatica e allo sviluppo di quella che dovrebbe essere la prima vera e propia macchina in grado di impare. Si è cercato all’interno di questo articolo di analizzare al meglio quello che è stato il suo percorso che potremmo dsuddividere in due fasi: definizione del problema e analisi di esso (cos’è il Machine Learning?) seguita dalla fase più complessa problematiche sulla risoluzione del quesito (Cosa comporterà l’applicazione del ML nella vita quotidianda?). Volendo riassumere il tutto in poche parole si potrebbe dire che nonostante il ML entri sempre di più nelle nostre vite, per Mitchell non è mai abbastanza lo studio che di esso si fa e se si vuole conoscere qualcosa sull’evoluzione scientifica dell’uomo è necessario partire dallo studio del Machine Learning.

Fonte
- Tom Mitchell.
Carnegie Mellon University - The Discipline of Machine Learning.
Carnegie Mellon University - Learning to Classify Email into “Speech Acts”.
Carnegie Mellon University - Never-Ending Learning.
Carnegie Mellon University - What can machine learning do? Workforce implications.
Carnegie Mellon University - Machine Learning.
Tom Mitchell, McGraw Hill, 1997.