Leader di pensiero nell'apprendimento automatico attivo

Per Andreas Krause, l'intelligenza artificiale e l'apprendimento automatico sono tra le questioni più interessanti del nostro tempo. Lo spettro di approcci che ha sviluppato e plasmato spazia dai fondamenti teorici e matematici alle questioni pratiche riguardanti l'interazione tra gli esseri umani e le persone in formazione.

"Gli esseri umani sono in grado di imparare a risolvere compiti anche complessi in modo molto efficiente", spiega Andreas Krause, professore di informatica all'ETH di Zurigo. "Vorrei capire come si possa insegnare alle macchine ad apprendere in modo altrettanto efficiente", spiega Krause, che è uno dei principali ricercatori europei nel campo dell'apprendimento automatico in rapido sviluppo.

? entrato per la prima volta in contatto con il tema dell'apprendimento automatico durante la sua tesi di diploma, completata all'Università Tecnica di Monaco nel 2004. Per approfondire le sue conoscenze di base, si è poi recato a Pittsburgh e ha scritto la sua tesi di dottorato alla Carnegie Mellon University su questioni relative al recupero ottimale delle informazioni. Dopo aver completato il dottorato nel 2008, nel 2009 si è trasferito al Caltech di Pasadena come professore assistente, prima di entrare all'ETH di Zurigo nel 2011. Da allora, ha assunto ruoli di leadership anche presso lo Swiss Data Science Centre, l'ETH AI Center e l'iniziativa europea per i sistemi di formazione, ELLIS.

Il premio R?ssler 2021, che ha ricevuto mercoledì in occasione dell'evento di ringraziamento della Fondazione dell'ETH, onora i suoi risultati pionieristici. "Andreas Krause è un eccellente ricercatore, un docente impegnato e, come giovane scienziato, ha già raggiunto una serie di meriti in una delle tecnologie più influenti del XXI secolo", ha detto l'ETH Jo?l Mesot nel suo discorso elogiativo.

Il fascino delle persone in formazione

Andreas Krause è particolarmente interessato alle questioni relative all'acquisizione ottimale di informazioni, che richiedono un apprendimento efficiente, attivo e rafforzativo. La gestione dell'incertezza è fondamentale quando non tutte le informazioni sono disponibili o ci sono molte soluzioni alternative.

Nel classico apprendimento automatico "passivo", un processo di apprendimento viene addestrato utilizzando grandi insiemi di dati al fine di ricavare determinati modelli da dati annotati da esperti - ad esempio, è possibile trovare una regola di classificazione che riconosca se le foto mostrano pedoni o segnali stradali. A differenza dei metodi di apprendimento passivo, i metodi di apprendimento "attivo" decidono da soli di quali dati hanno bisogno per svolgere efficacemente il compito in questione. Ad esempio, da un set di immagini, selezionano quelle che gli esperti devono etichettare e che sono utili per il progresso dell'apprendimento, risparmiando tempo e costi e riducendo gli errori. Altri metodi attivi suggeriscono esperimenti il cui risultato promette un guadagno di informazioni.

Questi programmi informatici sono noti anche come agenti di formazione. "Sono affascinato dai metodi di apprendimento attivo in cui un agente di apprendimento decide autonomamente quali dati gli sono utili per prendere buone decisioni", dice Andreas Krause.

Tali questioni si pongono, ad esempio, nella robotica. Krause lo illustra con un drone che impara a risolvere determinati compiti in modo indipendente attraverso la sperimentazione. La difficoltà in questo caso è che all'inizio non è possibile dire con esattezza cosa potrebbe o non potrebbe portare a un incidente. All'inizio il drone deve comportarsi con cautela e più dati ha raccolto e analizzato, meglio sarà in grado di operare senza mettere in pericolo se stesso o altri.

Il dilemma tra vecchi e nuovi dati

Tuttavia, l'acquisizione indipendente di informazioni non è del tutto banale: per svolgere il suo compito in modo ottimale, l'agente di formazione deve trovare un buon mix di dati esistenti e di dati che deve acquisire in aggiunta.

In questo contesto, la ricerca fa riferimento al "dilemma dell'esplorazione-sfruttamento": se l'agente di apprendimento decide autonomamente quali esperimenti effettuare per ottenere dati aggiuntivi, le sue decisioni influenzano anche le persone in formazione e quali no.

Uno dei risultati pionieristici di Andreas Krause è l'aver sviluppato il primo metodo di apprendimento matematico per il quale è possibile dimostrare, sulla base di alcune ipotesi, che risolve efficacemente il "dilemma esplorazione-sfruttamento" anche in applicazioni complesse. In termini matematici, si tratta di una variante dell'ottimizzazione bayesiana, che è anche alla base dell'apprendimento di droni che non dovrebbero schiantarsi e che consente di ottenere alcune garanzie formali di sicurezza in determinate condizioni.

Insegnante e ricercatore pioniere con cuore e anima

La ricerca di Andreas Krause è di natura molto matematica: affinché i metodi di apprendimento attivo, ad esempio, possano ottenere dati utili nel modo più efficiente possibile, sono necessarie funzioni "sottomodulari" molto specifiche. Oggi Andreas Krause è considerato un pioniere che ha introdotto l'ottimizzazione submodulare nell'apprendimento automatico. I risultati di una pubblicazione molto influente di Andreas Krause, realizzata negli Stati Uniti, hanno trovato applicazione pratica persino nelle reti di distribuzione dell'acqua: La questione era dove posizionare al meglio i sensori per misurare in modo ottimale la qualità dell'acqua.

Andreas Krause non è solo un pensatore acuto quando si tratta delle basi matematiche dell'apprendimento automatico, ma anche una persona che riflette sul potenziale impatto di queste tecnologie sull'economia e sulla società. Si preoccupa che sia gli algoritmi o le regole di calcolo su cui si basano i processi di apprendimento siano affidabili, spiegabili e comprensibili, sia che i risultati, le decisioni o le raccomandazioni siano giusti e affidabili per le persone su cui influiscono.

? con questa convinzione che Andreas Krause si dedica alla formazione. Per lui è importante fornire ai futuri esperti di IA una solida base in matematica e informatica, nonché un senso di responsabilità nell'uso di queste tecnologie. Il "Gufo d'oro", che gli studenti dell'ETH gli hanno conferito nel 2012 per il suo insegnamento, e gli oltre mille studenti che frequentano le sue lezioni di "Introduzione al Machine Learning" sono la testimonianza di questo impegno. Ha inoltre svolto un ruolo di primo piano nella creazione del programma master in Data Science e del DAS Data Science, e presso l'ETH AI Center si assicura che gli aspetti imprenditoriali siano sempre più integrati nell'istruzione, in modo che un maggior numero di spin-off possa mettere in pratica le competenze acquisite in materia di AI.