Interfacce utente intention-driven: c'è una vecchia storia in cui un professore dice ad uno studente confuso: "Non ascoltare quello che dico. Ascolta quello che intendo dire." I computer, per molto tempo, sono stati come uno studente confuso: non riuscivano a capire cosa intendesse dire l'utente. Ma questa situazione sta cambiando. Pensiamo solo a quando sbagliamo a scrivere una parola su Google ed esso ci suggerisce quello che intendevamo cercare.
Non molto tempo fa, gli utenti sapevano che dovevano essere precisi nella maggior parte delle interazioni con i computer, poiché essi sono estremamente letterali (un singolo punto e virgola può cambiare completamente la natura del comportamento di un computer!). Ma è probabile che nei prossimi decenni si svilupperanno molte interfacce utente intention-driven, che cambieranno il modo in cui interagiamo con i nostri pc.
Scienza e manipolazione di dati: un'altra importante applicazione è nella manipolazione dei dati di ricerca, dove il machine learning può essere usato per cercare quel "conosciuto sconosciuto" nascosto nei dati, come degli schemi ricorrenti, ad esempio. Non solo, tutto il campo del machine learning può anche guidare la creazione di diversi, nuovi settori di mercato e aree di crescita in ambito tecnologico.
Il ruolo delle reti neurali e del deep learning: la domanda che ci viene spontanea allora è: quale sarà il ruolo specifico delle reti neurali e del deep learning in tutto questo?
Negli anni '80 vi era un grande entusiasmo ed ottimismo sulle reti neurali, che tuttavia è andato via via diminuendo durante gli anni '90, quando si iniziarono ad usare altre tecniche per il machine learning. Oggi, le reti neurali sono tornate alla grande, battendo ogni record di prestazioni e risolvendo numerosi problemi prima di difficile risoluzione. Ma chi ci garantisce che domani non si sia sviluppato un nuovo approccio che scaccerà via di nuovo le reti neurali?
Perciò, è più facile pensare al futuro del machine learning che non delle reti neurali in specifico. Parte del problema è che che vi sono ancora tante domande senza risposta sulle reti neurali. Perchè una rete neurale può generalizzare così bene? Come evitano l'overfitting, dato il grande numero di parametri che ci sono in gioco? Perché l'algoritmo del gradiente decrescente funziona così bene? Come mai le reti neurali funzionano meglio con set di dati più grandi? Oggi come oggi, le risposte a queste domande sono ancora imprecise ed incomplete. Quindi, è difficile pensare al ruolo delle reti neurali in futuro: tutto dipende da quanto bene riusciremo a comprenderle.
Le reti neurali porteranno presto allo sviluppo di un'intelligenza artificiale?: o anche: possiamo puntare a computer general-purpose (ovvero in grado di svolgere più compiti possibile)? Anche qui il problema rimane sulle nostre scarse conoscenze in questo campo: non solo non conosciamo quali sono le parti fondamentali, ma non sappiamo neanche quali domande porci per iniziare! È come pensare di costruire un 747 senza conoscenze sui motori a reattore o sui principi dell'aerodinamica!
A conferma, pensate alla storia della medicina: nei primi passi, era dominata da alcuni pionieri che studiavano l'intero corpo umano. Man mano che la conoscenza cresceva, gli studiosi dovettero specializzarsi, in quanto si scoprirono molti campi di ricerca: cardiologia, immunologia e tanti altri ancora.
Tale schema è tuttavia ricorrente: fisica, matematica, chimica e tante altre scienze lo hanno seguito. Il punto di partenza è sempre un monolite, con poche idee veramente importanti. Ma man mano che il tempo passa, vengono fatte sempre più scoperte e le conoscenze diventano troppe per una solo persona.
Il deep learning invece è ancora in una fase iniziale di questo processo: le idee importanti della materia possono ancora essere padroneggiate da una sola persona. Nonostante sia un campo nel quale si stanno facendo progressi, è ancora piuttosto monolitico. Non sono ancora stati sviluppati dei sotto-campi di ricerca. Ma questo non toglie che in futuro il deep learning non potrà portare allo sviluppo di un'intelligenza artificiale general-purpose.