Il Machine Learning: quando le macchine imparano

 ISCRIVITI ALLA NEWSLETTER DI EYWA DIVULGAZIONE 

Il machine learning è una di quelle rivoluzioni silenziose che, senza far troppo rumore, ha già cominciato a riscrivere il nostro rapporto con la tecnologia. Siamo abituati a pensare ai computer come strumenti che seguono istruzioni dettagliate: ma cosa accade quando iniziano a imparare da soli, osservando, sperimentando, migliorando? In queste pagine ti accompagneremo alla scoperta del cuore pulsante di questa trasformazione. Capiremo insieme cos’è davvero il machine learning, come funziona, quali logiche lo guidano e perché sta diventando sempre più centrale in ambiti che vanno dalla medicina alla finanza, dal linguaggio alle immagini. La sua forza sta proprio qui: non chiede più alla macchina di eseguire, ma di apprendere. Ed è in questo scarto che si apre un mondo nuovo.

L’espressione “machine learning” compare per la prima volta nel 1959, per mano di Arthur Samuel, pioniere dell’intelligenza artificiale ai laboratori IBM. Fu lui a definirlo come il campo di studio che offre ai computer la capacità di imparare, senza che ogni azione venga programmata a mano. All’epoca si parlava anche di “computer autodidatti”: una formula che, a ben vedere, anticipava l’orizzonte attuale con sorprendente lucidità.

Il primo modello pratico di apprendimento automatico risale proprio a quegli anni, quando Samuel sviluppò un programma capace di calcolare le probabilità di vittoria nel gioco della dama, adattando le mosse in base all’esperienza. Ma le radici teoriche di questa tecnologia vanno ancora più a fondo: bisogna risalire agli studi sui meccanismi dell’intelligenza umana. Già nel 1949, lo psicologo canadese Donald Hebb proponeva una teoria affascinante nel suo libro The Organization of Behavior: le cellule nervose, interagendo tra loro, rafforzano i legami con l’uso. Un’intuizione che ha ispirato la struttura degli algoritmi moderni, basati su nodi artificiali che si scambiano informazioni in modo simile a quanto avviene nel nostro cervello.

Una definizione più formale — oggi spesso citata — è quella del ricercatore Tom Mitchell. Nel 1997 scriveva: “Un programma informatico apprende dall’esperienza E rispetto a una classe di compiti T e una misura di prestazione P, se le sue prestazioni nei compiti in T, misurate da P, migliorano con l’esperienza E”. È un modo chiaro e concreto per capire di cosa si tratta: non tanto un processo mentale, quanto una capacità di migliorare nel fare, attraverso l’esperienza. Una prospettiva in linea con quanto suggeriva Alan Turing, che preferiva porsi una domanda diversa da quella classica: “Le macchine possono pensare?”. Meglio chiedersi, piuttosto: “Le macchine possono fare ciò che facciamo noi, in quanto esseri pensanti?”.