Immagina di dover scrivere una strategia di mosse per un programma di gobang (五子棋). Le regole sono già chiare, la scacchiera viene visualizzata correttamente: a questo punto sembra che basti fargli scegliere la mossa migliore. Ma appena inizia la simulazione, ogni risposta dell'avversario apre nuove varianti. La partita non è ancora cominciata e il tempo di calcolo è già finito.
Questo piccolo dilemma mette in primo piano una questione importante dell'intelligenza artificiale: quando informazioni, tempo e risorse di calcolo hanno dei limiti, come fa un sistema a compiere scelte fondate? Per chi è già abituato a usare strumenti di IA, affrontare di persona un problema simile è anche un'occasione per avvicinarsi al funzionamento interno della tecnologia.
Il corso COMP5511 Artificial Intelligence Concepts (Concetti di intelligenza artificiale) della Hong Kong Polytechnic University ruota attorno a ricerca, rappresentazione della conoscenza, ragionamento e apprendimento automatico. Nei materiali didattici attualmente disponibili su EvoClass, il percorso di apprendimento si estende ulteriormente ai Transformer, ai grandi modelli linguistici e agli agenti. Partendo dalla scacchiera, lungo il cammino si incontrano compiti diversi e si torna continuamente a riesaminare il tema del "compiere una scelta".
Prima della prima mossa, imparare a scegliere
Se ogni possibilità meritasse di essere calcolata, il programma finirebbe presto in uno spazio di ricerca enorme. Per giocare una mossa entro un tempo limitato, bisogna decidere quali situazioni considerare con priorità, con quali criteri valutarle e fino a che punto la ricerca può fermarsi.
Un problema che sembrava solo una questione di "velocità insufficiente" diventa così una scelta di metodo.
In Strategie di ricerca: ricerca non informata e ricerca euristica, chi studia può confrontare diversi modi di esplorare; in Ricerca avversariale e soddisfacimento di vincoli deve poi includere nel proprio giudizio anche le scelte dell'avversario. Guardare più avanti, valutare una situazione, ridurre i calcoli inutili: tutto acquisisce un significato concreto.
L'esperimento sul gobang proposto nel corso offre un punto di osservazione. Si può modificare una strategia, eseguire il programma e confrontare mosse e tempi di esecuzione. Una mossa che appare vantaggiosa sul momento può lasciare punti deboli per il seguito; cercare più in profondità richiede anche un costo di calcolo maggiore.
Quando il codice viene effettivamente eseguito, i compromessi nascosti dietro i nomi degli algoritmi diventano visibili. E lo studio acquista un appiglio chiaro: spiegare questa scelta e trovare il modo di verificare la spiegazione.
Cambiando con un'immagine scritta a mano, il problema cambia
Le regole delle mosse nel gobang si possono scrivere in modo esplicito, mentre l'aspetto delle cifre scritte a mano è difficile da definire una per una. Lo stesso "3" può essere scritto tondo da qualcuno, schiacciato da un altro, e per qualcun altro i tratti sono quasi uniti.
Aggiungere altre regole può risolvere alcuni campioni immediati, ma si incontreranno comunque nuovi modi di scrivere. Il compito prende così un'altra direzione: fornire dati al modello, perché impari regolarità utili al riconoscimento.
Ma aver studiato una serie di campioni non equivale a saper gestire ogni situazione nuova.
I materiali sperimentali del COMP5511 su EvoClass comprendono la classificazione di cifre scritte a mano, mentre le lezioni passano dall'apprendimento automatico tradizionale alle reti neurali e alla visione artificiale. Per chi studia, un piccolo esercizio che vale la pena fare è conservare alcuni errori di classificazione, osservare che cosa il modello ha scambiato per che cosa, e poi tornare ai dati e ai metodi per cercarne la causa.
Proseguendo su questo percorso verso la Modellazione di sequenze e Transformer, l'attenzione si sposta ulteriormente su sequenze e contesto. Studiando poi i grandi modelli linguistici, dietro l'interfaccia di chat a cui siamo abituati compaiono fili tecnici da approfondire.
Subito dopo, il corso spinge il problema oltre lo schermo: se la risposta richiede un'azione concreta per essere completata, come può il sistema proseguire?
Dopo la risposta, c'è ancora un'azione
Cercare un'informazione, eseguire un frammento di codice, continuare un compito in base alle informazioni restituite: tutto questo richiede che il sistema entri in contatto con strumenti esterni. Dopo aver generato un piano, occorre ancora inviare richieste, leggere i risultati e stabilire se il passo successivo è ancora ragionevole.
La pratica su agenti e chiamata di strumenti del Lab 11 porta chi studia proprio in questo frangente: collegare un modello linguistico a strumenti esterni e osservare come pensiero, azione e feedback formino un processo continuo.
A questo punto l'attenzione può concentrarsi su un passaggio facile da trascurare: dopo che lo strumento ha già restituito un risultato, come lo usa davvero il sistema. Il contenuto restituito può essere incompleto, l'operazione può fallire; riprovare, cambiare metodo o fermarsi richiede una motivazione adeguata.
Il problema sulla scacchiera dell'inizio riappare in un'altra forma. Una scelta cambia la situazione presente, e il giudizio successivo deve tenere conto di questo cambiamento.
I programmi di ricerca e i modelli linguistici funzionano in modo diverso. Metterli sullo stesso percorso di apprendimento permette di esercitare un modo di osservare che vale in entrambi i casi: definire prima il compito, poi vedere come agisce il sistema, infine usare i risultati per verificare il giudizio iniziale.
Trasformare un esperimento in un proprio giudizio
Quando i sistemi iniziano a influire su compiti reali, il successo di esecuzione va considerato insieme ad affidabilità, distorsioni e limiti d'uso. Etica, sicurezza e allineamento dell'IA include questi temi nel corso, mettendo l'implementazione tecnica e la responsabilità umana nella stessa prospettiva.
Studiando questo corso, si può darsi un compito molto semplice: prima di eseguire un esperimento, scrivere le proprie aspettative; dopo aver visto i risultati, annotare un punto in cui differiscono; poi tornare all'unità didattica pertinente e provare a spiegare la differenza.
Quella differenza può essere una mossa inattesa, un'immagine riconosciuta male o un feedback dello strumento che l'agente ha ignorato. Offre una direzione per lo studio successivo e mette in relazione i concetti dei capitoli con le proprie osservazioni.
Nella pagina del corso COMP5511 su EvoClass è possibile costruire una trama di conoscenze seguendo le unità didattiche e poi passare agli esperimenti, riportando i problemi emersi; oppure si può scegliere prima un argomento di proprio interesse e verificare la comprensione con esercizi simulati.
Tornando a quella partita, il programma deve comunque scegliere la mossa successiva entro un tempo limitato. Ora però hai più modi per verificarlo: osservare come si sviluppa la ricerca, capire su quali basi avviene la valutazione e vedere se i risultati sostengono il progetto iniziale.
Capire l'IA può cominciare da una pedina come questa.
Le informazioni di base sul corso fanno riferimento alla descrizione ufficiale del corso del PolyU; la presentazione delle singole sezioni e dei laboratori si basa sui contenuti attuali del corso su EvoClass. I link alle lezioni nel testo rimandano a materiali didattici in inglese.