A MBC2 2026 Ata Kaban è intervenuto sulla statistical machine learning e sui dati ad alta dimensionalità, studiando in particolare i limiti e le capacità di generalizzazione dei modelli
Big data e variabili sono due argomenti interconnessi tra di loro, tanto da diventare un problema che è stato affrontato da Ata Kaban nella sua ricerca: "curse of dimensionality”. Il rapporto tra teoria e applicazione è anch'esso elemento di ricerca da parte della professoressa, in quanto il suo obiettivo è quello di rendere l’intelligenza artificiale più efficiente.
Questi sono alcuni dei temi attorno a cui ruota l’intervista alla professoressa Kaban, 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, Ata Kaban si è soffermata sull’importanza di non limitarsi a osservare se un modello funziona, ma di cercare anche di capire perché funziona e come potrebbe comportarsi in situazioni nuove o diverse da quelle incontrate durante l’addestramento.
La professoressa Ata Kaban ha sviluppato in sé, in quanto studiosa, e nei suoi allievi, la capacità critica nei confronti dell’intelligenza artificiale. Perché, anche davanti a tecnologie sempre più potenti, comprendere, verificare e giudicare i risultati resta fondamentale.
Ata Kaban: “Dobbiamo comprendere i limiti e il comportamento”
Ata Kaban è Professor of Computer Science presso la School of Computer Science dell'University of Birmingham, dove lavora nel campo dello statistical machine learning e del data mining in contesti ad alta dimensionalità.
È inoltre stata Turing Fellow presso l'Alan Turing Institute. Ha conseguito un PhD in Computer Science nel 2002 e un precedente PhD in Musicology, oltre a una laurea in Computer Science. È entrata all'University of Birmingham nel 2003 come lecturer ed è diventata professore nel 2018.
La sua ricerca affronta in particolare il problema della “curse of dimensionality”, cioè le difficoltà che emergono quando si lavora con dati caratterizzati da un numero molto elevato di variabili. I suoi interessi comprendonostatistical machine learning, probabilistic modelling, inferenza bayesiana, dimensionality reduction, random projections, compressive learning e ottimizzazione su larga scala. Una parte significativa della sua ricerca cerca inoltre di colmare il divario tra teoria e applicazione pratica del machine learning, sviluppando metodi che consentano di analizzare grandi quantità di dati mantenendo adeguate garanzie statistiche. Tra i suoi lavori più recenti figurano studi su PAC learning, random projections, compressive learning e deep learning.
La docente Ata Kaban
Professor Kaban, uno dei problemi centrali della sua ricerca è la cosiddetta “curse of dimensionality”, la difficoltà di lavorare con dati caratterizzati da un numero elevatissimo di dimensioni. In un'epoca in cui disponiamo di quantità di dati sempre maggiori, questa complessità rappresenta ancora uno dei principali ostacoli allo sviluppo di modelli di machine learning più efficienti e affidabili?
Sì, è un problema che presenta limitazioni fondamentali. Quando aumentiamo la dimensionalità, infatti, abbiamo bisogno di un numero esponenzialmente maggiore di dati. È vero che oggi Internet ci mette a disposizione una quantità enorme di informazioni e che i sistemi di intelligenza artificiale vengono addestrati su dataset giganteschi, ma anche nello spazio di qualche centinaio di dimensioni, con caratteristiche binarie, i dati che riusciamo a osservare rappresentano solo una porzione esponenzialmente piccola dello spazio delle possibilità.
Questo significa che i modelli non possono aver visto tutte le situazioni e tutte le possibili domande che potrebbero incontrare in futuro. Possono quindi funzionare molto bene sui dati simili a quelli utilizzati durante l'addestramento, ma fallire quando si trovano di fronte a situazioni nuove. Se non studiamo adeguatamente questo problema rischiamo, soprattutto in ambiti importanti come la salute, che i modelli prendano decisioni errate proprio nelle zone dello spazio dei dati che non hanno mai esplorato.
È anche uno dei motivi per cui si verificano le cosiddette “allucinazioni” dei modelli: la loro capacità di generalizzare non significa necessariamente che sappiano gestire correttamente dati o situazioni completamente nuovi.
La sua ricerca cerca anche di ridurre il divario tra teoria e pratica nel machine learning, attraverso strumenti come le random projections e il compressive learning. Quali sono oggi, secondo lei, le applicazioni nelle quali questi approcci possono produrre il maggiore impatto e contribuire a rendere l'intelligenza artificiale più efficiente, soprattutto quando si devono elaborare dataset molto grandi e complessi?
L'efficienza computazionale è certamente importante, ma probabilmente non è l'aspetto più importante. Possiamo aumentare la capacità di calcolo costruendo computer sempre più potenti, almeno nel breve periodo. La questione fondamentale riguarda invece la statistica: quanti dati di addestramento sono necessari per poter avere fiducia in un modello?
Qui emerge ancora una volta il rapporto tra teoria e pratica. C'è un enorme divario tra ciò che osserviamo nel comportamento concreto dei modelli e ciò che riusciamo a comprendere teoricamente. Questo divario sta crescendo: i professionisti sviluppano modelli che funzionano nella pratica, mentre la teoria spesso arriva dopo. Una delle ragioni è che la teoria richiede una formazione matematica molto forte e, talvolta, viene sviluppata in contesti astratti, lontani dai problemi reali.
Mancano persone capaci di guardare contemporaneamente ai due aspetti: capire ciò che accade nella pratica e utilizzare questa comprensione per sviluppare una teoria migliore, guidare gli algoritmi ed evitare decisioni sbagliate, come utilizzare modelli senza comprenderne adeguatamente i limiti.
Nell'era dell'apprendimento automatico e dell'intelligenza artificiale, sembra che la pratica sia più importante della teoria. Come diceva Kurt Lewin: “Niente è più pratico di una buona teoria”. Cosa ne pensa?
Conosco la citazione, ma non considero teoria e pratica come due aspetti contrapposti. Al contrario, devono rafforzarsi reciprocamente. La teoria dovrebbe cercare di spiegare ciò che osserviamo nella pratica, mentre la pratica dovrebbe utilizzare ciò che la teoria ci insegna, invece di limitarsi a sviluppare soluzioni che funzionano oggi senza sapere se funzioneranno domani o in un'altra applicazione. È quindi fondamentale comprendere davvero che cosa stiamo facendo con questi modelli. La frase di Kurt Lewin, che se non ricordo male era uno psicologo sociale, è stata citata anche da Vladimir Vapnik nei suoi lavori sulla teoria dell'apprendimento. Uno dei suoi possibili significati è proprio che una buona teoria può guidare verso algoritmi migliori. Nella pratica, però, vediamo che non è sempre così: alcuni algoritmi sviluppati al di fuori della teoria possono funzionare molto bene. Ma non abbiamo la garanzia che funzionino altrettanto bene in un contesto diverso o in situazioni particolari. Quando sono in gioco ambiti delicati, come la salute dei pazienti, non possiamo limitarci a osservare che un modello “sembra funzionare”: dobbiamo comprenderne i limiti e il comportamento.
Quali sono le sfide che l'istruzione universitaria si trova ad affrontare nell'era degli strumenti di intelligenza artificiale come ChatGPT, Copilot e Gemini?
Nel corso della storia la tecnologia ha cambiato più volte il modo in cui lavoriamo e insegniamo. Ogni nuova tecnologia ha richiesto lo sviluppo di nuove competenze. La sfida dell'intelligenza artificiale è però particolare, perché oggi è possibile semplicemente chiedere a un modello di produrre una risposta. Il rischio è che i nostri “muscoli cognitivi” non vengano sufficientemente allenati e che, alla fine, perdiamo persino la capacità di giudicare se una risposta prodotta dall'intelligenza artificiale sia corretta o meno. La vera sfida educativa, quindi, è fare in modo che gli studenti mantengano la capacità intellettuale di valutare criticamente il lavoro prodotto con l'AI. Un esempio molto concreto riguarda gli esami.
Dobbiamo trovare modalità per verificare ciò che gli studenti sanno realmente fare. Nella mia università, per esempio, stiamo sperimentando l'introduzione degli esami orali, soprattutto nelle classi più piccole. Ma quando si hanno 450 studenti, come nel mio corso, è evidente che esaminare tutti individualmente diventa molto difficile. Un'altra possibilità è progettare domande e attività che mettano in evidenza i limiti dei modelli. Per esempio, i grandi modelli linguistici non sono necessariamente efficaci nel lavorare con dati tabulari. Tuttavia, anche questo approccio presenta dei limiti, perché esistono modelli sempre più potenti e strumenti specializzati che gli studenti possono utilizzare e noi docenti non conosciamo necessariamente tutte le loro capacità.
Questo è un aspetto importante: non dobbiamo più pensare all'AI come a un singolo modello che fa tutto. I modelli possono utilizzare strumenti diversi per compensare le proprie debolezze. Nella ricerca matematica, per esempio, vedo un grande potenziale: non abbiamo soltanto un modello linguistico che genera possibili soluzioni, ma possiamo affiancarlo a strumenti di verifica che controllano i risultati e selezionano quelli corretti. La tecnologia, quindi, può diventare molto potente. Ma proprio per questo l'obiettivo dell'università deve essere quello di formare persone capaci di comprenderla, verificarla e giudicarne criticamente i risultati.