Chris Budd ci parla di algoritmi: il buono, il cattivo e il mutevole

Share on facebook
Share on twitter
Share on linkedin

Vengono progettati per creare modelli matematici. Sono la forza trainante di gran parte della tecnologia moderna e si ricorre a loro per prendere decisioni in tutti i campi. Pochi, però, ne conoscono veramente le caratteristiche. In questo breve articolo (tratto da MathsCareers – Institute of Mathematics and its Applications di Southend-on-Sea nell’Essex) il celebre matematico Chris Budd ce lo spiega

Gli algoritmi vengono costantemente citati dalla stampa, di solito per cattive ragioni. A volte si afferma che siano formule senza volto e soggette a errori, come nel caso dell’algoritmo utilizzato per prevedere i risultati dell’A-level (un esame inglese, simile alla nostra maturità, ndr) nel 2020. Altre volte sono creazioni sinistre utilizzate per prendere decisioni sulla vita delle persone che non possono essere messe in discussione, come accade con gli algoritmi utilizzati dal sistema giudiziario statunitense per decidere sulle pene detentive. In un senso più positivo, gli algoritmi sono promossi dai siti di incontri come un modo efficace per trovare il partner perfetto. Al di là del loro utilizzo, a volte dubbio, gli algoritmi sono la forza trainante di gran parte della tecnologia moderna, quella sulla qualefacciamo affidamento tutti i giorni.

CHE COS’È UN ALGORITMO?
Un algoritmo è semplicemente una formula matematica o, più correttamente, un insieme di istruzioni matematiche (spesso codificate come un programma per computer) che vengono utilizzate per svolgere un’attività. Gli algoritmi esistono da quando le persone hanno capito che la matematica può descrivere il mondo in cui viviamo e che può fare previsioni di successo su ciò che accadrà dopo. Forse i primi esempi di algoritmi furono le formule usate migliaia di
anni fa dai cinesi per prevedere la data della sucessiva eclissi solare. Altri buoni esempi di algoritmi sono i metodi matematici avanzati utilizzati per prevedere il meteo. Funzionano risolvendo circa un miliardo di equazioni per ciascuna previsione. Oltre ad essere utili di per sé, i risultati di una previsione meteorologica vengono utilizzati in altri algoritmi che prevedono (ad esempio) di quanta elettricità avremo bisogno nella prossima settimana. Gli algoritmi vengono utilizzati sempre più spesso in molte applicazioni diverse, dal suggerire quale prodotto ti piacerebbe acquistare quando fai acquisti online all’aiutare a prevedere il numero di casi di Covid-19 nei prossimi mesi. Possono e s s e re progettati, utilizzando la nostra comprensione del processo che stiamo cercando di descrivere, per creare modelli matematici che siano un’approssimazione della realtà. Così funzionano le previsioni del tempo e in questo modo viene progettato un aereo: in entrambi i casi si utilizzano modelli basati su leggi fisiche o biologiche. Algoritmi simili sono ampiamente usati in molti rami dell’ingegneria e ci stanno guidando nella lotta contro il Covid-19. Tendono ad essere affidabili perché si basano su processi ben compresi nei quali il margine di incertezza può essere determinato in anticipo.

RETI NEURALI E MACHINE LEARNING
In alternativa, è possibile creare un algoritmo adattando una formula con molti parametri liberi a un ampio insieme di dati (la struttura dietro la formula è spesso chiamata rete neurale in quanto è un tentativo di ricreare il modo in cui il cervello apprende). Si presume che i dati abbiano una serie di input e output e, se vengono scelti parametrisufficientemente buoni, l’algoritmo riprodurrà gli output osservati. Ad esempio, gli input potrebbero essere una serie di immagini e gli output la classificazione di un’immagine come gatto o cane. Una volta che sono state inserite abbastanza immagini di input, si spera che l’algoritmo sia in grado di classificare correttamente tutte le nuove immagini come un gatto o un cane. Questo metodo di progettazione di un algoritmo è diventato molto popolare ed è spesso chiamato apprendimento automatico (machine learning) mentre il processo di adattamento del modello ai dati è chiamato addestramento. Questi algoritmi possono essere molto efficaci e sono ampiamente utilizzati, ad esempio, nel settore della vendita al dettaglio e anche, sempre più spesso, nei settori della giustizia e della medicina. Tuttavia soffrono del problema di ereditare le ipotesi fatte nel processo di adattamento ed è difficile quantificare in anticipo quanto saranno affidabili. Un esempio l’abbiamo avuto con l’algoritmo per decidere i risultati A-level nel 2020. L’avevano addestrato per produrre risultati che erano, in media, simili a quelli dell’anno precedente e ha fallito (cosa per molti versi deplorevole) perché alcune possibilità (come essere uno studente eccezionale in una scuola povera) non erano state prese in considerazione nel processo di formazione. L’algoritmo è stato descritto come mutevole, ma il problema era la sua progettazione scadente. L’algoritmo aveva semplicemente eseguito il lavoro che gli era stato chiesto di fare. È molto probabile che gli algoritmi verranno utilizzati in futuro per prendere molte più decisioni. È quindi essenziale che i matematici (compresi quelli che leggono que sto articolo) svolgano un ruolo importante nella loro progettazione e spieghino chiaramente come funzionano e quanto sono affidabili. Solo così gli uomini potranno essere ritenuti responsabili delle decisioni che prendono utilizzando algoritmi.