00:05Per capire meglio il futuro delle intelligenze artificiali, abbiamo chiesto aiuto a Giuseppe
00:09Sergioli, professore di Logica e Filosofia della Scienza dell'Università di Cagliari.
00:14Professore, lei che si occupa di quantum machine learning, può spiegarci in maniera molto
00:18semplice quali sono le nuove prospettive nell'utilizzo di strumenti di intelligenza artificiale?
00:24Allora, mi piace rispondere partendo da un esempio, da un esempio probabilmente molto
00:29intuitivo. Immaginiamo di trovarci a una festa di compleanno, a un Natale di qualche anno
00:36fa, diciamo anche vent'anni fa, quando avevamo a disposizione le nostre tradizionali macchine
00:41fotografiche a rullino. Ecco, in una circostanza come quella ci saremmo trovati a selezionare
00:47con cura il soggetto da fotografare e il numero di scatti da effettuare. Dopodiché avremo
00:52portato il nostro rullino dal fotografo di fiducia, che avrebbe appunto sbobbinato il nostro rullino
00:58e ci avrebbe dato il nostro piccolo catalogo di fotografie che avremmo custodito nella
01:04nostra scatola dei ricordi. Beh, adesso invece abbiamo a che fare con i dispositivi elettronici
01:09come cellulare o tablet che ci consentono di fare una quantità di foto praticamente
01:13illimitata. Questo ci porta tante volte a fare degli scatti anche molto simili l'un con
01:19l'altro. E così immagazzinare un'enorme quantità di foto, un'enorme quantità di dati,
01:24documenti, non tutti davvero utili. Beh, questo ci porta a un altro tipo di problema. Se infatti
01:31abbiamo risolto il problema della memoria sufficiente per immagazzinare i dati, se ne pone
01:37automaticamente un altro. Immagazziniamo talmente tanti dati da avere poi la difficoltà di recuperare
01:44di volta in volta quello che ci serve, quello di cui abbiamo davvero bisogno. Questa operazione
01:50tante volte richiede molto tempo e tanti più sono i dati, tanto più è il tempo che è
01:55richiesto per ottenere davvero l'informazione che ci serve. Detto questo facciamo un altro
02:00passaggio. Circa 20, forse 30 anni fa, la teoria della meccanica quantistica, con lo studio
02:07che in qualche modo è nato per spiegare degli eventi microscopici della natura, ha trovato
02:13una formidabile applicazione nell'ambito della computazione, con quello che si chiama
02:18computazione quantistica. In sostanza, senza entrare troppo nel dettaglio, si è dimostrato
02:24come la meccanica quantistica applicata alla teoria della computazione consente di avere
02:29degli algoritmi incredibilmente più veloci rispetto a quelli che girano in un calcolatore
02:35classico. Bene, quindi guardiamo un attimo i due aspetti del problema. Da un lato abbiamo
02:41l'era dei big data, quindi tanti dati a disposizione, ma tanto tempo necessario per recuperare l'informazione
02:49che ci serve. Dall'altro lato abbiamo la quantum computation, che consente invece di accelerare
02:56enormemente gli algoritmi di calcolo. Ecco, guardando questi due aspetti il commubio appare
03:01a questo punto naturale. Insomma, la computazione quantistica può aiutare, può accelerare proprio
03:07quell'operazione di, come dire, di ottenimento dei dati che ci servono all'interno di un bacino
03:12molto ampio. È da questo che nasce appunto quello che si chiama quantum machine learning.
03:18Questi calcolatori quantistici di cui ci ha parlato, esistono davvero? Possiamo realmente
03:23utilizzarli? Ecco, esistono davvero, esistono davvero anche già da qualche anno. E in realtà
03:30possiamo utilizzarli senza toccarli. In realtà i calcolatori quantistici esistono, ce ne sono di
03:36vario tipo sviluppati da tante aziende come IBM, Google, eccetera. Queste società mettono
03:44a disposizione delle interfacce alle quali noi possiamo accedere dal nostro computer locale.
03:50Possiamo simulare in qualche modo dei calcoli quantistici e con un semplice clic inviare a questo
03:57calcolo al vero calcolatore quantistico che in poco tempo sviluppa l'algoritmo, il locale,
04:03della sede in cui realmente il calcolatore si trova e ci invia poi per mail il risultato
04:09di quel calcolo. Insomma, è un modo che ci consente in realtà di utilizzare il calcolatore
04:15quantistico, ma praticamente da caso, dal desktop che abbiamo noi a disposizione.
04:21Naturalmente non dobbiamo immaginare che il calcolatore quantistico soppianterà in un tempo
04:26brevissimo il calcolatore classico, che comunque sta ancora continuando a evolversi e che può
04:32comunque utilizzare la teoria quantistica anche senza utilizzare i calcolatori quantistici.
04:39Infatti, un altro sviluppo all'interno del quantum machine learning è quello che viene
04:45chiamato quantum-like machine learning o quantum-inspired machine learning. In che cosa consiste?
04:51Beh, quello che è stato recentemente mostrato è come, attingendo alla teoria quantistica,
04:59in particolare alla teoria dell'informazione quantistica, è possibile ottenere dei benefici
05:03all'interno del calcolo, all'interno di particolari algoritmi, anche utilizzando solamente il calcolatore
05:10classico. Quindi, la teoria quantistica, cioè traendo ispirazione dalla teoria che descrive
05:18la natura microscopica, è possibile ottenere benefici in ambito computazionale, seppur non
05:25utilizzando un calcolatore quantistico. Questo tipo di benefici riguardano non tanto la velocità
05:31di calcolo, quanto piuttosto l'accuratezza del calcolo, cioè il calcolo diventa più accurato,
05:37l'algoritmo sbaglia meno. In sostanza, in un futuro, mettendo insieme quantum-inspired machine
05:45learning e quantum machine learning, potremmo auspicare di avere dei calcoli, degli algoritmi
05:52che possano essere al contempo più accurati e più veloci.
05:55Ha parlato di quantum-inspired machine learning, ci può spiegare di cosa si tratta?
06:00Bene, provo a darne una descrizione, seppur naturalmente generica. Allora, quando noi ci
06:06troviamo a descrivere un oggetto classico, e per classico intendo macroscopico, cioè oggetti
06:11di dimensione tale da averne noi a che fare nella nostra vita quotidiana, come una penna,
06:18un frutto o anche oggetti più grandi. Ecco, quando abbiamo a che fare con oggetti di questo
06:23tipo, spesso siamo abituati a descriverli attraverso delle caratteristiche. Per esempio,
06:29immaginiamo un gatto, lo descriviamo attraverso un numero che può indicare il suo peso, o anche
06:36la sua altezza, o la lunghezza della coda, o tutti questi numeri insieme. Ecco, la descrizione
06:43degli oggetti microscopici, come per esempio particelle, fotoni, elettroni, eccetera, avviene
06:50in maniera un po' diversa e un po' più complicata, e richiede che si scomodino degli oggetti
06:56matematici diversi, degli spazi matematici diversi. Ecco, il vantaggio è quello che la
07:03meccanica quantistica, la teoria che sta a contorno della meccanica quantistica, pur essendo
07:08più complicata, d'altro canto è molto più descrittiva, è molto più informativa nella
07:15sua descrizione. Pertanto, se noi riuscissimo a descrivere un oggetto macroscopico attraverso
07:22la matematica che viene utilizzata per la teoria dei quanti, riusciremo ad avere una
07:28descrizione molto più informativa del fenomeno che stiamo andando a studiare. Questa descrizione
07:34quindi ci consentirà di avere alla fine un algoritmo più efficiente, non in termini di
07:39velocità, ma in termini di accuratezza. Quindi essendo più informato, l'algoritmo in genere
07:46sbaglierà di meno.
Commenti