A MBC2 2026 Pascal Germain ha illustrato la sua attività di ricerca scientifica sulla teoria statistica dell’apprendimento automatico, tra modelli, interpretazione e applicazione di essi
L’intelligenza artificiale e la sua crescente potenza e i modelli sempre più complessi stanno trasformando profondamente il modo in cui prendiamo decisioni, rendendo inevitabile l’applicazione di garanzie sulla loro affidabilità e capacità di generalizzazione.
Questi sono i due temi attorno a cui ruota l’intervista al professor Pascal Germain, ospite a Catania ospite a Catania per MBC2 2026 - il workshop internazionale dedicato a uno dei nodi centrali della ricerca contemporanea nel campo dell’analisi dei dati – dove ha tenuto il tutorial Probably Approximately Correct Learning and Related Topics.
Il workshop, organizzato dal Dipartimento di Economia e Impresa con il patrocinio della Società Italiana di Statistica e del Classification and Data Analysis Group nei locali del Camplus D’Aragona, in programma dal 25 al 28 agosto, rappresenta un appuntamento ormai consolidato per la comunità scientifica internazionale. A coordinare i lavori il prof. Salvatore Ingrassia (vai all’articolo dedicato).
Nel corso della conversazione, Germain ha riflettuto sulla necessità di comprendere e rendere sempre più affidabili sistemi di intelligenza artificiale ormai utilizzati in molti ambiti della vita quotidiana, senza dimenticare l’importanza di mantenere un approccio critico e consapevole anche nel mondo della formazione e della ricerca.
Capacità di ragionamento e interpretazione nelle parole di Pascal Germain
Pascal Germain è professore al Dipartimento di Informatica e Ingegneria del Software dell'Université Laval, in Canada, e ricercatore nell'ambito del machine learning. È membro del Centre de recherche en données massives (CRDM), dell'Institut intelligence et données (IID) e del gruppo GRAAL, oltre a essere membro accademico associato del Mila – Québec AI Institute.
Ha conseguito il PhD in Informatica all'Université Laval nel 2015, dopo una laurea e un master nello stesso ateneo. Ha successivamente svolto attività di ricerca in Francia alla Inria, prima come postdoctoral researcher e poi come research scientist, prima di rientrare all'Université Laval nel 2019. La sua attività scientifica si concentra sulla teoria statistica dell'apprendimento automatico, con particolare attenzione alla teoria PAC-Bayesiana, al transfer learning e al representation learning, nonché allo sviluppo di predittori interpretabili.
Tra i suoi temi di ricerca figurano anche l'adattamento tra domini e l'interpretabilità dei modelli di intelligenza artificiale.
Professor Germain, il tutorial che tiene a Catania è dedicato al “Probably Approximately Correct Learning”, un quadro teorico fondamentale per comprendere quando e perché un algoritmo di apprendimento può generalizzare oltre i dati con cui è stato addestrato. In un momento in cui il machine learning e l'intelligenza artificiale stanno diventando sempre più complessi, quanto è ancora importante disporre di solide garanzie teoriche sulla capacità di generalizzazione dei modelli?
Sono un grande sostenitore della necessità di ottenere garanzie teoriche sui modelli di machine learning, siano essi semplici o complessi. Oggi questa esigenza è ancora più importante, perché modelli molto grandi, come i Large Language Models, vengono utilizzati nel mondo reale e sempre più spesso dalle persone per prendere decisioni.
Il problema è che, in molti casi, non sappiamo ancora come fornire queste garanzie in modo efficace. La teoria che studio rappresenta proprio uno degli strumenti attraverso cui possiamo cercare di costruirle.
È certamente difficile far scalare questi approcci alla complessità dei modelli che utilizziamo oggi, ma credo sia fondamentale continuare a lavorare in questa direzione. Prima o poi, infatti, anche i legislatori ci chiederanno di dimostrare che un determinato modello sta facendo ciò che dovrebbe fare e che possiamo fidarci delle sue decisioni. Per questo penso che la ricerca sulle garanzie teoriche debba continuare.
Una parte importante della sua ricerca riguarda la teoria PAC-Bayesiana, il transfer learning e l'interpretabilità dei modelli. Oggi assistiamo alla diffusione di modelli sempre più potenti, ma spesso difficili da interpretare: è possibile costruire sistemi di intelligenza artificiale che siano contemporaneamente molto performanti, capaci di generalizzare e realmente comprensibili nelle loro decisioni?
Sì, spero che sia possibile. Quando parliamo di interpretabilità, però, dobbiamo considerare che esistono diversi tipi di interpretabilità e che la risposta dipende molto dal tipo di interpretazione di cui abbiamo bisogno.
Per me è particolarmente interessante lavorare insieme a ricercatori di discipline diverse e affrontare problemi scientifici differenti. Ho collaborato, per esempio, con ricercatori nell'industria alimentare e con studiosi di scienze politiche. Tutti vogliono utilizzare l'intelligenza artificiale come strumento per favorire la scoperta scientifica, ma le loro esigenze e il loro modo di ragionare sono molto diversi.
Credo quindi che un approccio interessante all'interpretabilità consista proprio nel lavorare con esperti di ambiti differenti, cercando di adattare il tipo di risposta fornita dal modello alle caratteristiche e alle esigenze specifiche dell'applicazione. È un aspetto che trovo particolarmente stimolante.
In foto Pascal Germain
Quali sono le sfide che l'istruzione universitaria si trova ad affrontare nell'era degli strumenti di intelligenza artificiale come ChatGPT, Copilot e Gemini?
È una domanda importante e non credo esista una risposta valida in assoluto.
Questi strumenti sono relativamente nuovi e, quando ne discutiamo con altri professori e insegnanti, ci troviamo tutti ad affrontare le stesse difficoltà. Sono strumenti impressionanti e possono essere estremamente utili, ma possono anche incoraggiare una forma di “stupidità”, se gli studenti si limitano a porre domande e ad accettare le risposte senza sviluppare una propria capacità di ragionamento.
Esistono diversi strumenti e strategie per cercare di capire se un elaborato è stato prodotto con l'aiuto dell'intelligenza artificiale. Personalmente, però, non vorrei trascorrere il mio tempo sviluppando metodi per scoprire se un lavoro è stato scritto da uno studente o da un'intelligenza artificiale. La mia strategia, piuttosto, è tornare a dare maggiore spazio agli esami orali e alle attività che richiedono un confronto diretto con lo studente. In fondo, non c'è nulla di particolarmente nuovo in questo.
Stiamo tornando ai fondamentali dell'educazione. Quello che cerco di promuovere, anche se non è semplice, è che gli studenti universitari preservino sempre tre qualità fondamentali: la creatività, il rigore e la curiosità. Se riusciamo a stimolare la curiosità degli studenti, credo che questo sia uno dei modi migliori per aiutarli a comprendere davvero ciò su cui stanno lavorando.
C'è poi un altro aspetto che, come professore di informatica, considero molto importante: i Large Language Models rappresentano essi stessi un eccellente oggetto di studio. Non soltanto nelle lezioni di programmazione, ma anche per spiegare agli studenti come funzionano questi modelli, quali strategie utilizzano per elaborare il linguaggio e come riescono a produrre le loro risposte. Credo sia un modo molto interessante per spiegare l'intelligenza artificiale e, soprattutto, per generare curiosità negli studenti.
Quali consigli darebbe a chi desidera conseguire un dottorato di ricerca in statistica o informatica?
Direi, innanzitutto, di coltivare la curiosità e il rigore.
Un aspetto particolarmente affascinante dei Large Language Models è che, quando si comprende come funzionano, ci si rende conto che molte delle idee alla base di questi sistemi non sono completamente nuove. Molti dei loro meccanismi affondano le radici in concetti che venivano studiati nell'apprendimento statistico già vent'anni fa. La grande novità è stata soprattutto la scala: enormi quantità di dati e un'infrastruttura computazionale senza precedenti hanno permesso di ottenere risultati straordinari.
Per questo credo che chi vuole fare ricerca debba prima di tutto comprendere le basi dell'informatica, della statistica e del machine learning. Solo partendo da una solida conoscenza dei fondamentali è possibile capire davvero come funzionano i Large Language Models, come migliorarli e, soprattutto, come sviluppare metodi per fornire garanzie sulla loro affidabilità.