Su questo recente paradigma di AI si stanno concentrando gli studi del gruppo di ricerca del PeRCeiVe Lab del Dipartimento di Ingegneria Elettrica, Elettronica e Informatica guidato da Concetto Spampinato
Le macchine, grazie all’Intelligenza artificiale, possono ampliare le proprie conoscenze, assimilarle e riuscire a ragionare e a pianificare le proprie azioni come gli esseri umani?
Un tema al centro, nel corso degli ultimi decenni, di numerosi studi in svariati campi tra informatica e etica.
E a questa domanda prova a dare una risposta, tramite diversi studi condotti nel tempo, il prof. Concetto Spampinato, associato di Sistemi di elaborazione delle informazioni al Dipartimento di Ingegneria elettrica elettronica e informatica dell’Università di Catania.
In particolar modo il gruppo di ricerca del PeRCeiVe Lab, laboratorio del Dipartimento di Ingegneria Elettrica, Elettronica e Informatica, guidato proprio dal prof. Concetto Spampinato, negli ultimi anni, ha concentrato le loro energie sul Continual Learning, un recente paradigma di Intelligenza artificiale che si pone l’obiettivo di dotare le reti neurali artificiali della capacità di apprendere costantemente nel tempo, assimilando nuove conoscenze in modo incrementale senza dimenticare quanto appreso in precedenza.
In sintesi il Continual Learning si propone di sviluppare reti neurali artificiali dotate di una capacità di apprendimento continua nel tempo, un traguardo che potrebbe avvicinare l'AI alle capacità cognitive umane.
Nel loro ultimo lavoro il team di ricercatori - Amelia Sorrenti, Giovanni Bellitto, Federica Proietto Salanitri, Matteo Pennisi, Simone Palazzo e Concetto Spampinato - ha proposto un innovativo framework chiamato Wake-Sleep Consolidated Learning (WSCL), rilasciato in pre-print su Arvix, e ripreso da testate specializzate come il The Us Sun, il UsTimesPost e il Aleph News.
In foto il gruppo di ricerca composto da Amelia Sorrenti, Concetto Spampinato, Simone Palazzo, Federica Proietto Salanistri, Matteo Pennisi, Giovanni Bellitto
«A differenza degli esseri umani, che naturalmente espandono la propria base di conoscenze imparando in modo sequenziale, i tradizionali modelli di AI non hanno tale capacità, ma piuttosto soffrono di un effetto collaterale ampiamente noto come Catastrophic Forgetting, ovvero quando esposti a nuovi task da risolvere, gli agenti artificiali tendono a perdere la capacità di risolvere quelli precedentemente appresi», spiega il prof. Concetto Spampinato.
«L’approccio Wscl si ispira ai meccanismi cognitivi umani, cercando di emulare nelle reti neurali i processi fondamentali che regolano l’apprendimento umano – spiega -. In particolare Wscl si basa su due teorie cognitive consolidate nella comunità scientifica. La teoria del Complementary Learning System, che suggerisce che l’apprendimento umano coinvolge due processi distinti originati rispettivamente nelle regioni del cervello dell’ippocampo e della neocorteccia. Questi processi collaborano per acquisire e consolidare nuove informazioni. La seconda teoria, invece, sottolinea l’importanza di alternare fase attive a quelle offline, ovvero veglia e sonno, nel consolidare la memoria e facilitare l’apprendimento, con particolare attenzione alla fase REM, durante la quale si verificano i sogni che contribuiscono alla formazione di nuove associazioni cognitive».
Le diverse fasi delle teorie cognitive implementate in Wscl
«Il framework proposto prevede due fasi di apprendimento – continua il prof. Concetto Spampinato -. Durante la fase di veglia, l’agente è esposto a nuovi stimoli visivi. Esso deve adattarsi alle nuove esperienze, memorizzando le nuove informazioni nella memoria a breve termine. Successivamente, durante la fase di sleep, l’agente attraversa una fase Non-REM, in cui consolida la sua conoscenza nella memoria a lungo termina, e una fase REM, dove viene emulato il processo di dreaming».
«I sogni simulano nuove esperienze, preparando l’agente per gli eventi futuri. In questa fase l’agente utilizza dati completamente nuovi derivati dalla combinazione astratta di concetti precedentemente acquisiti durante la fase di veglia - aggiunge -. Questo processo permette di integrare gradualmente concetti sempre più complessi, facilitando così l’apprendimento di nuove conoscenze che potranno essere riutilizzare efficacemente in futuro».
E i risultati fin qui ottenuti sono incoraggianti come spiega il docente dell’ateneo catanese. «Gli agenti addestrati secondo il paradigma Wscl mostrano un miglioramento delle prestazioni fino al 12%, e soprattutto, un impatto positivo sul forward transfer, ovvero una maggiore capacità di riutilizzare la conoscenza acquisita per affrontare efficacemente task futuri», racconta il docente Concetto Spampinato.
«Il gruppo di ricerca, con questi studi, si è posto l’obiettivo di creare reti neurali che possano apprendere in modo incrementale e adattarsi nel tempo, emulando così la flessibilità e la resilienza dell'apprendimento umano – conclude il prof. Concetto Spampinato -. Questo studio rappresenta un contributo significativo alla comunità scientifica e pone le basi per lo sviluppo di sistemi AI capaci di operare in ambienti dinamici e in continua evoluzione».