Le relazioni: motore della conoscenza e della progettazione di sistemi ad agenti

Relazioni e sistemi ad agenti

Non è azzardato identificare il processo di conoscenza come il processo più caratterizzante la nostra vita. La conoscenza è l’attività di relazione che condiziona l’autoproduzione, l’evoluzione e l’auto-conservazione delle reti viventi. Essa si sviluppa tramite l’apprendimento che, a sua volta, trova radici nella capacità di osservazione e di memorizzazione del singolo.

La cosa fantastica è che ogni osservazione è fortemente dipendente da chi osserva, per cui, pur analizzando la stessa cosa, ne potremmo avere descrizioni e percezioni differenti: il famoso bicchiere mezzo pieno o mezzo vuoto! Mettere insieme le interpretazioni effettuate da diversi osservatori o addirittura dallo stesso osservatore, ma in contesti temporalmente o spazialmente diversi, permette di costruire una semantica (in campo di ricerca sarebbe meglio parlare di ontologia) quanto più completa della realtà vissuta.

Le interazioni con l’ambiente sono azioni cognitive e non è certo il cervello l’unica struttura coinvolta, perché l’intero organismo partecipa al processo di conoscenza con tutta la complessità dei suoi sensi. Si supera così la dicotomia cartesiana tra spirito e materia, corpo e anima, che nella ormai ineludibile visione complessa della natura, diventano due aspetti complementari, indissolubilmente relazionati. Questa interpretazione ci permette di passare da una visione meccanicistica o riduzionista contraddistinta dalle proprietà quantitative delle parti, ad una visione valorizzata dalle proprietà qualitative e relazionali proprie dei sistemi complessi.

Il passaggio è cruciale per arrivare alla comprensione dei modelli di organizzazione della natura e ai concetti di autopoiesi e di evoluzione. In questo modo si esaltano le singole proprietà che danno origine ad un “tutto” le cui peculiarità, fortemente innovative, non si possono trovare nei singoli componenti. Il concetto non è nuovo, già agli inizi del XX secolo la “psicologia delle forme e della rappresentazione” della Gestalt dimostrò ampliamente la famosa massima: “Il tutto è diverso dalla somma delle sue parti” (Das Ganze unterscheidet sich von der Summe seiner Teile) che ogni massaia conosce bene assemblando gli ingredienti della sua gustosa ricetta finale.

Nell’approccio sistemico alla realtà, emergono due differenti significati di evoluzione connessi ai concetti di quantità e di qualità. Le quantità, come la massa o l’energia, ci raccontano le proprietà delle parti, e la loro somma totale è uguale alla massa o all’energia dell’intero sistema. Al contrario, le qualità come il benessere, lo stress o la salute, non possono essere espresse come la somma di proprietà delle parti. Queste, infatti, derivano dalle loro relazioni. Ne consegue che mai potremo conoscere completamente, e quindi capire, la natura di sistemi complessi come gli ecosistemi, gli organismi, le società e le economie se tentiamo di descriverli soltanto in termini puramente quantitativi escludendone l’interpretazione qualitativa.

Il valore aggiunto è nelle relazioni tra gli individui che permettono di esaltare il capitale sociale, ricco di esperienza, felicità, autostima e rispetto. Si potrebbe fare l’esempio di una città d’arte come Roma o Firenze. La qualità della vita che queste offrono è agli ultimi posti delle classifiche nazionali pur essendo la quantità dei cittadini o delle opere d’arte che esse ospitano molto significativa [1]. Il degrado è tutto relazionale, di frammentazione sociale e di assenza, parziale se non addirittura completa, del concetto di co-costruzione partecipativa e multidisciplinare alla qualità della vita dei cittadini.

E la tecnologia in tutto questo? Non poteva certo restare a guardare, ma soprattutto non poteva lasciare l’uomo privo di un supporto quale solo gli elaboratori di ultima generazione e le ricerche sull’Intelligenza Artificiale possono offrire.

Si parla di sistemi ad agenti intelligenti. In verità, è solo con una certa approssimazione che si può dire che la disciplina che si occupa di agenti intelligenti in ambito informatico è l’Intelligenza Artificiale perché non è sempre vero che gli “agenti” artificiali siano anche “intelligenti”, né che tutti i sistemi “intelligenti” siano “agenti”. Insomma, come sempre in questi casi, caratterizzati da continui lavori in corso nel campo della ricerca, non esiste una definizione universalmente accettata e condivisa. La definizione che potrebbe trovare una certa convergenza è quella che vede un agente come un sistema computazionale, costituito da un programma software ed eventualmente da un supporto hardware, in grado di:

·      interagire con l’ambiente circostante tramite sensori e che è reattivo fornendo una risposta adeguata agli input acquisiti;

·      prendere decisioni, e di conseguenza di agire, in modo autonomo, con il fine di raggiungere un obiettivo, (chiamato generalmente goal che può essere predefinito o negoziato); pertanto può parlare di agente proattivo;

·      comunicare (coordinarsi, cooperare, negoziare) e di instaurare relazioni con altri agenti (anche con esseri umani). È quindi capace di conoscenza e di interazione sociale.

Gli agenti intelligenti hanno quindi capacità di apprendimento (machine learning) intesa come capacità di acquisire nuove conoscenze, o migliorare le proprie prestazioni, sulla base dell’esperienza maturata. A seconda di ciò che si vuole apprendere e del tipo di feedback disponibile, l’apprendimento può assumere forme diverse. Per esempio, si può apprendere l’utilità di un comportamento in base agli effetti che produce, si possono apprendere descrizioni di categorie a partire da una serie di casi, o si può anche imparare a riconoscere pattern o schemi in assenza di informazioni sull’output (è il caso dei big data). Ogni apprendimento ha la sua tipologia di rete artificiale che lo implementa ma tutte hanno lo stesso obiettivo: riprodurre i sistemi complessi propri della natura. Per questo le caratteristiche comuni a tutti gli agenti si possono riassumere nelle seguenti proprietà:

·      sono sistemi aperti, dissipativi, lontani dall’equilibrio;

·      le dinamiche dei flussi sono non-lineari, ed il sistema è dunque capace di emersione, cioè di transizioni verso nuovi equilibri;

·      il sistema è una rete di sottosistemi auto-organizzati, il cui limite è il confine con l’ambiente. Nella rete si stabiliscono gerarchie, sia collaboranti, sia competitive;

·      il sistema interagisce con l’ambiente e autodetermina la sua organizzazione interna attraverso i processi di apprendimento;

·      un sistema cresce in modo imprevedibile, non illimitato, arricchendo la sua dotazione relazionale, piuttosto che accrescendo il peso e il volume dei flussi e delle riserve di energia e materia.

Particolarmente interessanti sono le architetture multi-agente che possono modellare una “società di agenti” che svolgono funzioni di alto livello e coprono ruoli diversi. In ogni caso, ogni agente interagisce con l’ambiente circostante in modo autonomo ed è “egoista”, ha cioè le proprie “preferenze” relativamente agli stati del suo mondo. Di conseguenza, proprio come accade in natura, il principale problema all’interno di un’architettura multi-agente è il raggiungimento condiviso di un obiettivo comune.

Uno dei primi filoni di ricerca è stato quello del Semantic Web finalizzato a costruire un Web in cui agenti artificiali hanno la capacità di comprendere, e non solo di analizzare sintatticamente o in modo statistico, i contenuti delle ricerche effettuate da un utente. Alla base di questo paradigma c’è la rappresentazione della conoscenza mediante ontologie, grazie alle quali i contenuti sono descritti semanticamente utilizzando specifici linguaggi formali. Interessante e particolarmente attiva è poi la possibilità di usare agenti intelligenti per la co-costruzione del web attraverso lo studio del comportamento e delle abitudini/attitudini dell’utente navigatore.

Ma i campi di applicazione hanno soltanto il limite della fantasia e della capacità del ricercatore a trovare nuove soluzioni performanti in grado di migliorare la quantità e la qualità di vita dell’uomo al fine di renderlo più libero. In medicina? I sistemi di diagnosi medica per tumori, insufficienza cardiaca, diabete, reazioni avverse ai farmaci… sono sempre di più i settori della salute su cui stanno scommettendo i big della tecnologia. Basti citare l’impegno di colossi quali Google con il suo progetto DeepMind, in grado di processare milioni di informazioni mediche in pochi minuti, velocizzando di molto i processi sanitari, che siano di natura clinica, come l’archiviazione delle cartelle, o diagnostica. Ma molto attiva è anche Ibm, che, entrata con Watson, è stabilmente nelle corsie degli ospedali. Watson sembra essere in grado di anticipare di due anni le diagnosi di insufficienza cardiaca rispetto ai metodi tradizionali.

Tutte le soluzioni hanno come denominatore comune l’approccio relazionale e trovano nel principio della co-costruzione il loro aspetto vincente. Numerose sono le comunità scientifiche e gli ambienti di lavoro che realizzano questo paradigma. Personalmente, trovo molto interessante e stimolante l’ambiente NETLOGO [2]. NETLOGO è una piattaforma OPEN di modellazione e simulazione basata su agenti, consente di creare modelli dinamici di sistemi complessi e simulazioni partecipative. Particolarmente intrigante sono le simulazioni di modelli dedicati alla biologia e alla natura perché contengono anche elementi utili per una riflessione etica e morale. Molto rappresentativo è il modello “Wolf sheep predation” [3] che simula la competizione tra lupi e pecore e ben rappresenta il nostro sfruttamento delle risorse naturali. Nel simulatore i lupi sono condannati all’estinzione causa la loro ingordigia di cibo. Poiché infatti la loro capacità di riproduzione è superiore a quella delle pecore, alla fine … i lupi non avranno più di cosa mangiare.

Un’ultima considerazione: la bibliografia sugli agenti intelligenti è estremamente vasta. Il presente articolo si ispira, principalmente a due testi base: Michael Wooldridge “An Introduction to Multi Agent Systems” – 2002 e Russel e Norvig, “Artificial intelligence: a modern approach” – 2003.

[1] Oltre il 20° posto secondo la classifica 2018 emessa dal Sole 24 Ore. ⇑

[2] Per chi volesse approfondire: https://ccl.northwestern.edu/netlogo/ ⇑

[3]http://www.netlogoweb.org/launch#http://www.netlogoweb.org/assets/modelslib/Sample%20Models/Biology/Wolf%20Sheep%20Predation.nlogo ⇑