Il paradosso venne espresso nel 1988 da Hans Moravec in Mind Children:
(...) è relativamente facile far sì che i computer mostrino prestazioni da adulto nei test di intelligenza o nel gioco della dama, ed è difficile o impossibile dare loro le capacità di un bambino di un anno quando si tratta di percezione e mobilità.In altri termini il paradosso evidenzia quanto sia estremamente difficile per le intelligenze artificiali riuscire nei compiti che per gli esseri umani sono i più semplici, come riconoscere delle figure, mentre sono molto più efficaci in compiti che richiedono una potenza e una velocità di calcolo che risultano più difficili per gli esseri umani.
Alcuni esempi abbastanza eclatanti, come per esempio scambiare un panda per un avvoltoio, sono stati raccontati da Julia Evans. Queste difficoltà nel riconoscere le forme (o i pattern) è stata raccontata da Andrea Mercuri nell'introduzione del 34.mo volume della serie Matematica, Matematica e intelligenza artificiale.
Per sintetizzare il problema, Mercuri ci spinge a immedesimarci in un programmatore che deve cercare di codificare il processo di classificazione delle foto di cani e gatti. Nel momento in cui pensiamo a un compito del genbere, che per noi è abbastanza semplice e banale, ci troviamo di fronte già al primo ostacolo, codificare in termini di linguaggio di programmazione le risposte a domande come: cosa caratterizza un cane da un gatto? La taglia? La forma delle orecchie? Quella degli occhi? I "baffi"? E soprattutto come codifichiamo matematicamente tali informazioni?
D'altra parte dal punto di vista informatico la foto di un gatto o di un cane è un insieme di pixel che si porta dietro diverse informazioni attraverso il codice di colore e di intensità luminosa per ciascuno di essi. E riuscire a scrivere un algoritmo in grado di riconoscere un'immagine partendo dal suo schema in pixel è sostanzialmente impossibile per un essere umano. Questo ha portato alla fine all'idea di sviluppare una specifica tipologia di metodo di addestramento per le reti neurali volta, appunto, al riconoscimento delle immagini. Tale addestramento, però, è strettamente legato alla presenza di un addestratore umano, in grado di indirizzare la rete neurale verso una classificazione corretta delle immagini. Mentre questo sistema è abbastanza efficace, pur se non esente da errori, per quel che riguarda foto di tipo scientifico, come quelle astronomiche, è tutto un altro paio di maniche per quel che riguarda immagini più complesse e meno "matematiche", come appunto le foto dei gatti o dei panda.
Immagine di apertura generata con Nightcafe
Nessun commento:
Posta un commento