Una rete neurale artificiale è un modello matematico fatto di operazioni collegate e parametri che si adattano durante l'addestramento. Serve a riconoscere immagini, elaborare linguaggio e affrontare moltissimi altri compiti.

Provo a renderne comprensibile l'idea di base. Il nome richiama i neuroni biologici, ma non abbiamo ricostruito un cervello e non abbiamo dimostrato nessuna forma di coscienza.

Un modello eseguito attraverso software

Insisto sulla parola «modello» per distinguerla dallo strumento che usi. Non facciamone però una separazione assoluta: una rete viene implementata ed eseguita da software e hardware reali.

L'applicazione che vedi può contenere molto altro — interfaccia, elaborazione dei dati, controlli sul risultato. La rete neurale è una componente del sistema, non tutto quello che appare sullo schermo.

Nodi, pesi e livelli

In una rete semplice un nodo combina i valori in ingresso usando dei pesi e un termine aggiuntivo, il bias. Il risultato attraversa una funzione di attivazione e diventa ingresso per altri nodi.

I livelli intermedi permettono di comporre più trasformazioni. Attenzione però: aggiungere livelli fatti solo di operazioni lineari non basta a rappresentare relazioni non lineari, ed è lì che la scelta delle funzioni di attivazione diventa decisiva. Introduzione a nodi e livelli, Google Machine Learning.

Uso immagini come un albero o un alveare. Servono a visualizzare i collegamenti, non descrivono la struttura di ogni rete: le architetture sono tante, progettate per problemi diversi.

La funzione di attivazione non è l'interruttore del sistema

L'espressione fa pensare a qualcosa che accende tutto. In realtà indica una trasformazione applicata nel calcolo dei valori.

L'analogia della mela «mangiata» che restituisce il torsolo rende intuitivo il passaggio da input a output. Non spiega però quali operazioni matematiche avvengano: usala come appoggio visivo e poi torna a dati, parametri e trasformazioni.

Semplificare serve quando ti fa fare un passo avanti. Diventa un problema quando la prendi alla lettera.

Addestramento: modificare i parametri per un obiettivo

Una rete appena costruita non sa fare niente. Durante l'addestramento si adattano i parametri usando dei dati e un criterio che misura quanto il comportamento si avvicini all'obiettivo.

Il processo non migliora all'infinito. Un modello può adattarsi troppo agli esempi che ha visto e funzionare peggio sui casi nuovi: per questo si valuta su dati diversi da quelli con cui ha imparato.

La quantità di dati conta insieme a qualità, rappresentatività e metodo. Accumulare esempi non produce competenze da solo.

L'esempio dei numeri scritti a mano

Fornisci immagini di cifre e chiedi al modello di identificarle. Durante l'addestramento il sistema cerca le regolarità che collegano quelle immagini alle risposte attese.

La capacità interessante è riconoscere anche una grafia diversa da quelle viste. Si chiama generalizzazione, e va misurata: una cifra ambigua può comunque produrre un errore.

Estendo l'immagine alla fotografia di un'equazione. Riconoscere i simboli e risolvere il problema però sono due compiti diversi, che possono richiedere componenti diverse.

Uso e addestramento non coincidono

Quando un modello addestrato riceve un input e produce un risultato, si chiama inferenza. I suoi parametri non cambiano a ogni richiesta.

Attribuisco direttamente l'evoluzione di ChatGPT all'uso delle persone, ed è una semplificazione. L'eventuale riutilizzo delle interazioni dipende dalle politiche e dai processi del servizio, e non è un addestramento che avviene mentre parli.

Anche una risposta che tiene conto dei messaggi precedenti usa il contesto della conversazione, senza aggiornare i parametri del modello.

Accessibilità e controllo restano domande aperte

Preferisco strumenti che rendano queste tecnologie comprensibili e accessibili. Ma «apertura» va detta con precisione: codice disponibile, pesi scaricabili, dati documentati e condizioni di licenza sono quattro cose distinte.

Richiamo la vicenda italiana del 2023, e correggo: a intervenire fu il Garante per la protezione dei dati personali, con una limitazione provvisoria del trattamento annunciata il 31 marzo. Il GDPR è il regolamento, non l'autorità che emette il provvedimento. Comunicato del Garante.

Capire le reti neurali non risolve queste questioni. Aiuta però a formularle meglio: distinguere che cosa calcola un modello, che cosa fa un servizio con i tuoi dati, e che cosa resta da verificare prima di fidarsi del risultato.