L'IA: super strumento per promuovere il pensiero umano

Introduzione all'IA nel contesto scolastico. Traduzione dell'articolo presentato al convegno Didamatica 2022 sul workshop "Educare a pensare" - https://www.aicanet.it/didamatica2022

Introdurre l'IA a scuola

L'intelligenza artificiale sta diventando la nuova tendenza educativa e molte scuole stanno sviluppando progetti, corsi e curriculum sull'argomento. Questo processo di aggiornamento e riqualificazione delle competenze tecnologiche, che si sta svolgendo nelle scuole - dall'asilo fino alla scuola superiore -, sembra essere necessario per comprendere il presente e costruire un futuro migliore, ed è principalmente incentrato su risultati pragmatici/pratici/utili. È molto difficile trovare un focus specifico (così come uno scopo specifico) per decidere come educare i bambini in età scolare. Ogni Stato sta sviluppando una propria prospettiva istituzionale e strategica, per l'implementazione di un quadro politico e normativo per l'IA, che porterà a una progressiva adozione della tecnologia, in modo sempre più pervasivo.

In questo articolo vogliamo proporre una prospettiva alternativa per introdurre il tema dell'IA in un percorso educativo che non abbia una finalità puramente nozionistica. A settembre 2019 Ammagamma ha lanciato "Educare a pensare", un workshop concepito come un'esperienza immersiva, basata sul principio dell'identificazione con l'algoritmo durante le varie fasi di apprendimento. L'esperienza ha mostrato chiaramente come l'approccio metacognitivo possa creare le condizioni per aprire nuove prospettive di pensiero critico sull'uso dell'IA e sull'automazione del pensiero.

1 - Il contesto

L'impatto delle tecnologie intelligenti nella vita di tutti i giorni è ampio e profondo allo stesso tempo: i sistemi di raccomandazione stanno guidando le informazioni (Zuboff & Schwandt, 2019) e cambiano fisiologicamente il modo di pensare dell'uomo (Benasayag & Mazzeo, 2016). I sistemi di computer vision possono disegnare seguendo le orme di famosi artisti del passato (OpenAI, 2022) (Google, 2022) e i sistemi all'avanguardia per l'elaborazione del linguaggio naturale sono impressionanti per le capacità e funzionalità che integrano (OpenAI, 2022).

La Commissione Europea si sta impegnando a fondo per diffondere l'alfabetizzazione ai dati e le competenze legate all'IA; infatti, l'allegato due dell'ultima versione del Quadro delle competenze digitali per i cittadini (Vuorikari, Kluzer, & Punie, 2022) è focalizzato sull'IA.

Il progetto "Elements of AI", nato da un'iniziativa finlandese (Università di Helsinki, MinnaLearn, 2022) è stato adottato dalla stessa Unione Europea e il relativo format didattico gratuito è ora utilizzato in oltre 170 Paesi. Un'altra pietra miliare dell'educazione all'IA è la cosiddetta iniziativa AI4k12, che sta sviluppando linee guida e risorse scientifiche, oltre a favorire lo sviluppo di una community (Touretzky, Gardner-McCune, & Seehorn, Homepage, 2022). Le linee guida di AI4k12 sono organizzate intorno a cinque grandi idee, che coprono gli aspetti che ogni studente dovrebbe conoscere sull'IA (Touretzky, Gardner-McCune, & Seehorn, Envisioning AI for K-12: What Should Every Child Know about AI?, 2019).
Sapere come funziona l'intelligenza artificiale è certamente utile per immaginare soluzioni a problemi reali, ma l'IA può aiutarci più di così? (Holmes, Bialik, & Fadel, 2019) (Luckin, 2017)
Nel prossimo capitolo descriviamo un workshop sui concetti fondamentali dell'IA, che vuole aggiungere un nuovo scopo educativo: riscoprire il pensiero umano attraverso la scoperta del pensiero artificiale.

2 - Educare a Pensare

"Educare a pensare" è un'esperienza laboratoriale rivolta a un pubblico molto eterogeneo - dai 10 ai 99 anni - ed è stata realizzata per la prima volta a settembre 2019 (Ammagamma, 2019) nell'ambito del programma del Festivalfilosofia (Consorzio per il festivalfilosofia, 2019). L'obiettivo del laboratorio è spiegare i concetti di base dell'apprendimento automatico e riflettere sulla differenza tra il modo in pensano gli esseri umani e le macchine.
Il percorso didattico è suddiviso in sei fasi e si sviluppa a partire dall'esempio molto comune del rilevamento del viso, presente da molti anni nell'app fotocamera dello smartphone:

1. Intelligenza
2. Set di dati
3. Codifica
4. Apprendimento automatico
5. Test di apprendimento
6. Applicazioni

2.1 Intelligenza

L'intelligenza artificiale può essere considerata un sogno ancestrale che ha origine nei tentativi dell'essere umano di costruire automi o di trasferire un'intelligenza a oggetti materiali e/o a riti immateriali. Oggi si parla molto spesso di intelligenza artificiale, ma è molto importante, prima di tutto, chiedersi cosa si intende con la parola "intelligenza". Provando a condurre una riflessione a partire da immagini, è sufficiente chiedersi cosa stiamo vedendo quando guardiamo un'immagine. Da un certo punto di vista si presume che tutti vedano, più o meno, la stessa cosa; allo stesso tempo dobbiamo però riconoscere che ognuno vede qualcosa di diverso, a seconda delle esperienze di vita, del contesto, del background personale.

In un certo senso, potremmo dire che l'esperienza della visione è in qualche modo additiva. Queste semplici scoperte sono i concetti fondamentali dell'intelligenza umana, che derivano anche dall'etimologia della parola intelligenza, dal latino "intelligere": la capacità di - legere - leggere e scegliere - inter - tra le righe, comprendendo il contesto e selezionando il livello di profondità interpretativa desiderato. 

Ora che abbiamo definito chiaramente alcune premesse metodologiche, siamo pronti a esplorare cosa significa interrogarsi su come pensano le macchine, utilizzando l'esempio del riconoscimento facciale.

2.2 Dataset

Il primo ingrediente necessario per implementare un sistema di apprendimento automatico (Machine Learning, ML) sono i dati, perché le macchine imparano dagli esempi, esattamente come gli esseri umani. Possiamo immaginare un sistema di ML come un cervello "vuoto", capace solo di calcolare e mettere in relazione logica le informazioni. Quando selezioniamo i dati scegliamo le informazioni di cui la macchina ha bisogno per imparare.
   L'attività di questa fase consiste nello scegliere una fotografia tra tante, per creare un insieme di dati (dataset) utili ad insegnare a una macchine a rilevare automaticamente un volto. Dopo aver scelto una foto, discutiamo insieme le ragioni per cui è stata scelta e valutiamo se è di buona qualità per l'addestramento di un sistema di ML.
Le immagini corrette mostrano volti frontali in cui i tratti fisionomici sono ben visibili; al contrario, i volti con dettagli che disturbano la fisionomia o le immagini di scarsa qualità e dimensione possono rovinare l'apprendimento.

2.3 Codifica

Una volta definito il dataset si delimita la porzione di realtà da cui la macchina apprende. Questo passaggio può essere considerato fortemente concettuale: i dati sono l'output del processo di conversione dal mondo analogico a quello digitale, ma non tutti i dati ottenuti sono utili e possono migliorare la qualità dell'apprendimento; quindi, alcuni dati possono essere eliminati dall'algoritmo. L'approccio del ML che stiamo considerando utilizza immagini di volti in scala di grigi 24x24 pixel (Viola & Jones, 2021)e non considera i colori come un'informazione necessaria per effettuare il rilevamento dei viso.
Nel processo di codifica ogni informazione viene tradotta in numeri, perché le macchine sono l'evoluzione tecnologica delle calcolatrici ed elaborano i dati con calcoli algebrici. Il processo di codifica può impoverire la rappresentazione della realtà o creare molti dati inutili, ma l'apprendimento automatico richiede una quantità "necessaria e sufficiente" di dati di buona qualità: pochi dati non sono rappresentativi, mentre troppi dati richiedono più energia per essere elaborati senza migliorare significativamente le prestazioni.

2.4 Apprendimento automatico

In questa fase l'uomo imita la macchina seguendo i principali passi concettuali dell'algoritmo di apprendimento automatico, seguendo il documento di riferimento sul rilevamento dei volti con classificatore a cascata (ibidem). L'analisi del set di dati viene eseguita utilizzando funzioni Haar (ibidem), volto dopo volto, e questo processo può essere imitato con l'attività di creazione di un mosaico del nostro volto, utilizzando delle tessere che rappresentano le funzioni Haar.

Dopo aver analizzato il set di dati, l'algoritmo di apprendimento estrae matematicamente il modello del volto; questo processo lo possiamo replicare osservando ogni mosaico del volto realizzato e cercando di trovare caratteristiche comuni. I mosaici dei volti possono mostrare o meno barba, baffi, capelli, orecchini, occhiali, ma praticamente tutti hanno occhi, naso e bocca. Il risultato del processo di apprendimento automatico è un modello addestrato, che rappresenta la descrizione matematica del modello di volto estratto dal dataset.

2.5 Test di apprendimento

La penultima fase si concentra sulla verifica del modello addestrato e della relazione tra modello e risultato del rilevamento. Il rilevamento dei volti nell'acquisizione video può essere effettuato online, utilizzando le librerie JavaScript di OpenCV e il classificatore a cascata Haar (OpenCV, 2022). Possiamo testare l'efficacia del rilevamento del modello occhi-naso-bocca rimuovendo gli elementi del volto con occhiali da sole, mani, cappelli o maschere. Dopo varie prove, applicando un approccio di reverse engineering, possiamo capire meglio il bilanciamento degli elementi per il rilevamento del volto e forzare il fallimento del riconoscimento. Se non siamo soddisfatti delle prestazioni di rilevamento possiamo migliorarle modificando il dataset o l'algoritmo di apprendimento, ma in entrambi i casi dovremo ricominciare dalla fase 2.

2.6 Applicazioni

L'approccio di ML per il rilevamento dei volti può essere facilmente generalizzato per il rilevamento degli oggetti e, successivamente, per il funzionamento di un sistema generico di apprendimento automatico. Il rilevamento dei volti viene utilizzato in molte applicazioni di uso comune, dai filtri divertenti allo sblocco  dello smartphone, fino ad arrivare alla pubblica sicurezza. Estendendo il compito di rilevamento a vari oggetti, possiamo utilizzare questi sistemi di visione computerizzata nel settore automobilistico, per il controllo della qualità dei prodotti e in tutte quelle situazioni che coinvolgono il senso della vista, come il rilevamento delle emozioni dalle espressioni facciali.
In generale, un algoritmo di apprendimento automatico genera un modello dai dati e il modello addestrato rappresenta la descrizione matematica dei dati, il pattern estratto dal dataset. Successivamente possiamo usare il modello addestrato per prevedere il pattern in nuovi dati forniti in input.

3 - Conclusioni

Se vogliamo capire e promuovere la comprensione dell'intelligenza artificiale, dobbiamo accettare la responsabilità di interrogarci sull'intelligenza umana, sul suo funzionamento, sui suoi meccanismi, sulla sua riproducibilità.

La sequenza di fasi descritta nell'articolo può essere ripercorsa come una proposta di riflessione metacognitiva.

1. Intelligenza: il concetto di intelligenza ci chiama a mettere in discussione il modo in cui comprendiamo il mondo, il modo in cui lo percepiamo, lo categorizziamo, lo riconduciamo a schemi interpretativi, lo contestualizziamo, lo memorizziamo e lo rappresentiamo. Comprendere l'impatto dell'IA, coglierne le caratteristiche strutturali ed epistemologiche, implica la necessità di capire e riappropriarsi del funzionamento dell'intelligenza umana. Parlare di intelligenza significa chiedersi cosa si intende per intelligenza, con quali categorie concettuali, con quali schemi culturali, con quali prospettive storiche.

2. Dataset: la composizione del dataset attraverso un processo di libera selezione delle fotografie apre una riflessione sul modo in cui la nostra percezione della realtà si basa su elementi di riferimento, modelli, che ci permettono di distinguere le cose e riconoscerle in base alle loro caratteristiche.

3. Codifica: una volta definito il patrimonio informativo in modo univoco e quantitativamente rilevante, possiamo tradurre la quantità in modellazione qualitativa, individuando le macrocategorie della nostra interpretazione e la nostra capacità di rappresentazione.

4. Machine learning: in questa fase i partecipanti sono invitati a comprendere la differenza tra la capacità di elaborazione della macchina e quella dell'intelligenza umana. L'intelligenza umana definisce il perimetro della sua unicità attraverso la capacità di decostruire la realtà, di simboleggiarla, di metaforizzarla, di condurre astrazioni.

5. Test di apprendimento: parallelamente alla fase di valutazione del machine learning, i partecipanti sono chiamati a interrogarsi sul proprio modo di apprendere, sulle proprie caratteristiche, attivando così un contesto di riflessione e analisi comparativa, al fine di valorizzare le caratteristiche distintive e comprendere le potenzialità della dimensione collaborativa.

6. Applicazioni: una volta definita la struttura concettuale, sviluppata l'architettura logica, implementata la macchina e testata la sua capacità, ci troviamo di fronte alla necessità di interrogarci sull'uso che vogliamo fare dell'intelligenza artificiale, sui vantaggi che può generare, sulle condizioni che può consentire.

Un percorso chiaro, suddiviso in tappe distinte in modo evidente e con una logica lineare, ci conduce attraverso una riflessione strutturata sul nostro modo di pensare, sui condizionamenti, sugli automatismi, sulle potenzialità inespresse. Abituati a considerare l'educazione semplicemente come un contesto di acquisizione di conoscenze, abbiamo perso l'abitudine di riflettere su come la conoscenza viene creata, come viene fatta circolare, arricchita e protetta. Aumentare la consapevolezza tecnologica e le competenze STEM è molto importante per garantire una cittadinanza attiva e buone prospettive di lavoro, ma non è sufficiente. Le implicazioni dell'IA in tutti i campi della nostra vita sono complesse e più profonde di ogni rivoluzione tecnologica precedente e la risposta del nuovo-umanesimo a questo passaggio evolutivo deve essere guidata da progetti educativi (Dominici, 2019) (Dominici, 2022).

L'approccio metacognitivo permette di cogliere le differenze tra il modo di pensare dell'essere umano e i sistemi di intelligenza artificiale; inoltre, permette di comprendere - o mettere in discussione - gli approcci alla conoscenza e i nuovi processi decisionali, favorendo una riflessione critica sul modo in cui il mondo viene rilevato, interpretato, compreso e rappresentato. (Monari & Tegon, 2021)

Riflettere sull'intelligenza artificiale e sui sistemi automatizzati di gestione delle informazioni significa accettare la sfida di un nuovo orizzonte cognitivo, significa comprendere la responsabilità di cercare un nuovo significato - o valore perduto - dell'intelligenza umana, con le sue caratteristiche, le sue difficoltà e la sua straordinaria capacità di adattamento.

Il vero "super potere" dell'intelligenza artificiale è permettere all'intelligenza umana di riscoprire se stessa.
   

***

Riferimenti

Ammagamma. (2019, 14 e 15 settembre). Laboratorio Educare a pensare. Recuperato da Festival Filosofia: link
Ammagamma. (2019, 14,15 settembre). Video racconto del workshop. Recuperato da Youtube: https://youtu.be/GyAAkla7hyI
Benasayag, M. e Mazzeo, R. (2016). Il cervello aumentato, l'uomo diminuito. Trento, Italia: Erickson.
Carlisle, D. (2010, aprile). graphicx: Supporto migliorato per la grafica. Recuperato da http://www.ctan.org/tex-archive/ help/Catalogue/entries/graphicx.html
Consorzio per il festivalfilosofia. (2019, 13,14,15 settembre). Festivalfilosofia edizione 2019. Recuperato da Festivalfilosofia: https://www.festivalfilosofia.it/edizione-2019.
Dominici, P. (2019, novembre). Educare al futuro nell'era dell'obsolescenza. 2019 IEEE 18th International Conference on Cognitive Informatics & Cognitive Computing (ICCI*CC) (pp. 278-285). IEEE.
Dominici, P. (2022). TEMPI DURI: La crisi del pensiero nella società della non-conoscenza. Cadmus, rivista scientifica internazionale.
Google. (2022, 13 settembre). Homepage di Imagen. Recuperato da Ricerca Google: https://imagen.research.google.
Holmes, W., Bialik, M. e Fadel, C. (2019). L'intelligenza artificiale nell'istruzione. Promesse e implicazioni per l'insegnamento e l'apprendimento. Boston, USA: Centro per la riprogettazione del curriculum.
Luckin, R. (2017, 8 novembre). Occasional Paper: Le implicazioni dell'intelligenza artificiale per gli insegnanti e la scuola. Recuperato dal blog di Rose Luckin: link
Monari, P. e Tegon, R. (2021). L'IA per l'apprendimento e l'IA per l'apprendimento. Atti della 2a Conferenza Internazionale della Rivista Scuola Democratica "Reinventare l'istruzione". II, pp. 151-158. Il Mulino.
OpenAI. (2022, 13 settembre). Homepage di DALL-E 2. Recuperato da OpenAI: https://openai.com/dall-e-2/
OpenAI. (2022, 13 settembre). Homepage del GPT-3. Recuperato da OpenAI: https://openai.com/api/.
OpenCV. (2022, 13 settembre). Tutorial js. Recuperato da OpenCV Docs: https://docs.opencv.org/3.4/df/d6c/tutorial_js_face_detection_camera.html.
Touretzky, D., Gardner-McCune, C., & Seehorn, D. (2019). Immaginare l'intelligenza artificiale per i bambini: cosa dovrebbe sapere ogni bambino sull'intelligenza artificiale? Atti della Conferenza AAAI sull'intelligenza artificiale (p. 33(01)). Palo Alto, California USA: AAAI Press.
Touretzky, D., Gardner-McCune, C. e Seehorn, D. (2022, 13 settembre). Homepage. Recuperato da AI4K12: https://ai4k12.org
Università di Helsinki, MinnaLearn. (2022, 13 settembre). Homepage. Recuperato da Elementi di IA: https://www.elementsofai.com/.
Viola, P. e Jones, M. (2021). Rilevamento rapido di oggetti mediante una cascata potenziata di caratteristiche semplici. Atti della Conferenza IEEE Computer Society 2001 su Computer Vision e Pattern Recognition. CVPR 2001 (pp. 511-518). Nashville, TN, USA: IEEE Computer Society.
Voronkov, A. (2004). Sistema per conferenze EasyChair. Recuperato da easychair.org
Voronkov, A. (2014). Discorso programmatico: EasyChair. In Proceeedings of the 29th ACM/IEEE International Conference on Automated Software Engineering (pp. 3-4). ACM. Recuperato da http://dl.acm.org/citation.cfm?id=2643085&dl=ACM&coll=DL
Voronkov, A. e Hoder, K. (n.d.). Modelli. Recuperato da Templates for proceedings: https://easychair.org/proceedings/template.cgi?a=12732737.
Vuorikari, R., Kluzer, S. e Punie, Y. (2022). DigComp 2.2: The Digital Competence Framework for Citizens - With new examples of knowledge, skills and attitudes. Lussemburgo: Ufficio delle pubblicazioni dell'Unione europea.
Wikipedia. (n.d.). EasyChair. Recuperato da Wikipedia: https://en.wikipedia.org/wiki/EasyChair
Zuboff, S., & Schwandt, K. (2019). L'era del capitalismo della sorveglianza: la lotta per un futuro umano alla nuova frontiera del potere. Londra, Inghilterra: Profile Books.