![\"\"](\"https:\/\/www.phdmedia.com\/italy\/wp-content\/uploads\/sites\/27\/2019\/05\/Copertina_-AI-love-FUN_PHD_2019_maggio.jpg\")
<\/a><\/p>\n<\/p>\n
Tempo fa lei si \u00e8 occupato di sarcasmo e di come le macchine lo possano comprendere, quello studio venne notato e pubblicato a livello internazionale: com\u2019era nato e cosa sosteneva?<\/strong><\/p>\n Il lavoro era nato nel contesto di un periodo di ricerca presso una nota media company durante il quale studiavamo modelli di comprensione del linguaggio sui social media. Analizzando i discorsi tra gli utenti, il linguaggio figurativo, il sarcasmo in particolare, emergeva come forma di comunicazione diffusa che poneva delle sfide particolari, specialmente nell\u2019identificazione del sentimento di un post, come per esempio l\u2019opinione positiva o negativa su un personaggio politico o su un evento. Adottando algoritmi di analisi testuale, il sentimento generale veniva ribaltato quando in una frase, in particolare, il senso letterale e quello intenzionale erano opposti, come nel caso del sarcasmo. Un ulteriore aspetto cruciale su cui ci siamo soffermati riguarda la multimedialit\u00e0 dei contenuti web, nei quali il testo \u00e8 sempre pi\u00f9 spesso accompagnato da immagini e filmati. L\u2019esempio tipico \u00e8 quello di un post in cui la frase \u201cChe bella giornata oggi!\u201d \u00e8 associata all\u2019immagine di un terribile temporale. Diversamente dagli approcci correnti che analizzavano solo la parte testuale, ci siamo focalizzati sulle conoscenze provenienti da media eterogenei.<\/p>\n Come funzionava l\u2019algoritmo messo a punto? Con quale percentuale di successo permetteva alla macchina di individuare un contenuto sarcastico?<\/strong><\/p>\n L\u2019algoritmo era composto da due principali moduli che modellavano rispettivamente la componente testuale e visiva. Nella modellizzazione del linguaggio abbiamo utilizzato aspetti lessicali che misurano l\u2019utilizzo di particolari parole e la loro frequenza, variabili sintattiche come l\u2019impiego di punteggiatura, emoticon o emoji e variabili legate al sentimento e alla soggettivit\u00e0 del post. Per quanto riguarda la componente visuale, le immagini sono state analizzate adottando modelli di deep learning<\/em> che attualmente sono diventati lo standard per moltissimi task di analisi di immagini digitali, come \u201cobject detection\u201d o \u201cscene understanding\u201d. In particolare, abbiamo usato una rete neurale in grado di identificare oltre 1500 concetti diversi in un\u2019immagine, ciascuno con un grado di confidenza associato. Modelli diversi di fusione delle due dimensioni, testuale e visuale, sono stati poi testati in un ambiente supervisionato, in cui una parte dei post annotati dagli utenti come sarcastici attraverso l\u2019utilizzo degli hashtag #sarcasm e #sarcatistic sono stati usati per addestrare il modello finale. La variante pi\u00f9 performante del sistema messo a punto era in grado di identificare un contenuto sarcastico con un\u2019accuratezza tra il 70% e l\u201985% a seconda della piattaforma social utilizzata.<\/p>\n Come si sono evoluti i sistemi di riconoscimento automatico del sarcasmo? Come funzionano oggi, cosa sono in grado di fare?<\/strong><\/p>\n Nel corso degli ultimi anni sono stati proposti diversi approcci che utilizzano sempre pi\u00f9 pesantemente varianti di reti neurali e l\u2019interazione tra le modalit\u00e0 testuale e visiva, visto il carattere visuale crescente nella comunicazione sui social media. Un aspetto interessante affrontato di recente \u00e8 la possibilit\u00e0 non solo di riconoscere la presenza di sarcasmo o ironia, ma di generare automaticamente frasi sarcastiche mediante, per esempio, l\u2019impiego di varianti di recurrent neural networks<\/em>. Le applicazioni sono molte: annotazione automatica di immagini o generazione automatica di commenti che contengano linguaggio figurativo, oppure l\u2019implementazione di agenti conversazionali, per esempio chatbox<\/em>, che adottino uno stile linguistico specifico.<\/p>\n Su quali altre forme di espressione creativa nei social media possono essere applicate queste tecniche di analisi: umorismo, metafore, caricature ecc.?<\/strong><\/p>\n Le forme creative alle quali tecniche di intelligenza artificiale sono state applicate sono numerose: le metafore linguistiche e visuali, il riconoscimento e la generazione di opere d\u2019arte secondo stili predefiniti o la composizione di brani musicali. In generale, l\u2019ambito della creativit\u00e0 computazionale \u00e8 stato molto attivo nell\u2019ultimo decennio, con l\u2019introduzione di molti approcci che tentano di riprodurre il processo creativo, considerato una delle prerogative uniche dell\u2019essere umano e del suo sistema cognitivo. Un altro interessante esempio, con il quale sono venuto in contatto durante lo stesso periodo di ricerca gi\u00e0 citato, aveva lo scopo di valutare l\u2019umorismo di una serie di commenti postati dai lettori del settimanale \u201cNew Yorker\u201d all\u2019interno del \u201cNew Yorker Cartoon Caption Contest\u201d, uno spazio in cui i lettori sono chiamati a postare una didascalia umoristica da associare a un\u2019immagine scelta dai redattori. L\u2019algoritmo era in grado di individuare automaticamente le tre didascalie pi\u00f9 divertenti con una precisione simile a quella dei redattori umani.<\/p>\n Sar\u00e0 importante per l\u2019interazione uomo-macchina nel futuro rendere l\u2019intelligenza artificiale in grado di riconoscere queste forme di espressione creativa? Perch\u00e9?<\/strong><\/p>\n Sicuramente l\u2019abilit\u00e0 di un sistema di intelligenza artificiale di riconoscere forme di creativit\u00e0 potr\u00e0 concorrere a ridurre l\u2019enorme gap che attualmente esiste per forme di ragionamento che per noi umani sono relativamente semplici e che invece sono molto complesse da modellare in sistemi artificiali. La capacit\u00e0 non solo di riconoscere ma anche di generare contenuti creativi potrebbe avere conseguenze importanti, per esempio, sull\u2019industria dell\u2019intrattenimento, sia nella fase di supporto alla produzione che nella fruizione finale da parte degli utenti. Alcuni colleghi del Dipartimento di Informatica di Torino, per esempio, in collaborazione con il Centro Ricerche RAI stanno sviluppando una logica per la generazione automatica di nuovi personaggi e trame di prodotti di intrattenimento che siano il risultato della ricombinazione creativa di elementi estratti da database preesistenti. La strada, comunque, \u00e8 ancora estremamente lunga. In primo luogo, non esiste una definizione univoca di creativit\u00e0 e il riconoscimento di un post divertente o del tono sarcastico di un commento sono processi complicati anche per un annotatore umano, su cui spesso non c\u2019\u00e8 convergenza. Inoltre, essi necessitano della conoscenza del contesto e di nozioni di \u201csenso comune\u201d di cui i sistemi artificiali non sono dotati.<\/p>\n Quale peso ha l\u2019elemento \u201cludico\u201d nella ricerca sull\u2019AI? In quali contesti, per quali finalit\u00e0 trova o trover\u00e0 applicazione?<\/strong><\/p>\n Un\u2019evidente connessione fra ricerca in AI e dimensione ludica \u00e8 data dai recenti sviluppi di algoritmi basati su reti neurali in grado di imparare giochi anche complessi senza essere stati istruiti esplicitamente sulle regole. Il caso dell\u2019algoritmo \u201cAlphaGo\u201d sviluppato da Google DeepMind \u00e8 uno degli esempi pi\u00f9 recenti e discussi di un modulo di intelligenza artificiale in grado di battere ripetutamente il campione mondiale di \u201cGo\u201d, ritenuto fino a quel momento un problema estremamente complesso da risolvere per una macchina. A parte l\u2019ovvia applicazione dei sistemi di ragionamento automatico ai moderni videogames, algoritmi di intelligenza artificiale sono presenti in massa anche in applicazioni dell\u2019industria dell\u2019intrattenimento, come servizi di streaming audio o video. Un ulteriore aspetto \u00e8 il diffuso utilizzo di meccanismi di gamification per incentivare comportamenti virtuosi, per esempio nel caso delle applicazioni fitness, oppure per spingere un prodotto in campagne di marketing, incentivare l\u2019utilizzo di servizi mobile di vario genere o l\u2019adozione e la condivisione di contenuti nei social media. E questi sono solo alcuni esempi di un ben pi\u00f9 ampio campo di applicazione.<\/p>\n Nella sua attivit\u00e0 di ricerca vengono utilizzati i metodi computazionali per indagare fenomeni sociali, estetici e creativi. In che modo?<\/strong><\/p>\n Negli ultimi anni ho lavorato spesso all\u2019applicazione di modelli computazionali e grosse moli di dati eterogenei a differenti aree solitamente dominio di approcci qualitativi o esperimenti su scala limitata. In particolare, nell\u2019ambito della disciplina oggi conosciuta come computational social science<\/em>, l\u2019obiettivo \u00e8 stato quello di utilizzare dati digitali spesso provenienti da piattaforme di social media per la modellizzazione di diversi aspetti e problematiche della societ\u00e0 contemporanea. Ad esempio, la semantica di una relazione in una rete sociale o, recentemente, il rapporto tra consumi alimentari e malattie croniche. In parallelo, mi sono occupato di modelli per la quantificazione del valore estetico di un\u2019immagine. In particolare, partendo da un dataset annotato da utenti umani, il modello era in grado di associare automaticamente uno score a un contenuto visuale, abilitando una serie di meccanismi di incentivazione che preferissero la qualit\u00e0 rispetto alla popolarit\u00e0, che \u00e8 un fenomeno prettamente sociale non sempre allineato con il valore intrinseco di un item. Infine, analizzando un insieme di caratteristiche legate a un micro-video, come il contenuto, le tecniche di ripresa, le regole di composizione, le propriet\u00e0 di immagini e suono, l\u2019originalit\u00e0, abbiamo costruito un classificatore in grado di discernere tra video creativi e non. Si tratta di applicazioni finalizzate alla riduzione del cosiddetto \u201cinformation overload\u201d.<\/p>\n Progetti come \u201cHappy maps\u201d e \u201cSmelly maps\u201d ai quali ha partecipato utilizzano i metadati per costruire una sorta di cartografia alternativa delle citt\u00e0, basata sulle emozioni e\/o sulle percezioni. Ce ne parla e ci dice quali sono gli obiettivi di ricerca?<\/strong><\/p>\n La percezione dello spazio che ci circonda ha un effetto importante sulle emozioni, le attivit\u00e0, la vita sociale e in generale il well being<\/em> di un individuo. Attraverso l\u2019analisi di dati geolocalizzati, provenienti da piattaforme social come Instragram o Flickr, l\u2019obiettivo \u00e8 stato quello di modellare le percezioni sensoriali di scene urbane secondo le dimensioni visive, olfattive e sonore. Immaginate di camminare lungo una strada, quanto \u00e8 esteticamente piacevole l\u2019ambiente circostante? Quali suoni e odori sono presenti? Quali sono le emozioni che di conseguenza vengono generate? Queste sono solo alcune delle domande alle quali abbiamo cercato di dare una risposta quantitativa, con una metodologia scalabile e riproducibile. Le applicazioni sono molte: da sistemi di routing<\/em> che suggeriscono il percorso pi\u00f9 piacevole (anzich\u00e9 quello pi\u00f9 veloce) tra due punti della citt\u00e0, fino al supporto decisionale per amministratori e architetti nella fase di progettazione di nuovi spazi pubblici o di gestione di quelli presenti. Le attivit\u00e0 sono inserite nell\u2019ambito nell\u2019iniziativa GoodCityLife (http:\/\/goodcitylife.org<\/a>) che coinvolge un gruppo interdisciplinare di ricercatori con l\u2019obiettivo di fornire strumenti per rendere le nostre citt\u00e0 non solo pi\u00f9 efficienti, ma soprattutto pi\u00f9 a misura d\u2019uomo e felici.<\/p>\n La \u201cdigitalizzazione\u201d delle nostre abitudini quotidiane, l\u2019uso massiccio dei social network hanno cambiato la nostra percezione di alcune emozioni? Del divertimento?<\/strong><\/p>\n \u00c8 innegabile che la diffusione delle tecnologie digitali abbia modificato i meccanismi di interazione sociale in forme che per\u00f2, ad oggi, non \u00e8 possibile definire nella loro interezza. Il punto \u00e8 che siamo in una fase in cui non siamo in grado di quantificare l\u2019impatto sulla societ\u00e0, basti pensare alle discussioni sull\u2019effetto che il discorso collettivo sui social media ha avuto su elezioni politiche o argomenti di interesse globale, come il cambiamento climatico o la Brexit. Alla fine l\u2019uso massivo dei social media \u00e8 un fenomeno che ha poco pi\u00f9 di quindici anni.<\/p>\n L\u2019intelligenza artificiale, dunque, ci pu\u00f2 dare una visione diversa del mondo? Pu\u00f2 aiutarci a trovare connessioni finora nascoste? E gli aspetti \u201cfun\u201d possono essere il terreno di sperimentazione?<\/strong><\/p>\n Personalmente credo che il beneficio pi\u00f9 evidente dell\u2019intelligenza artificiale, cos\u00ec come viene concepita oggi, sia proprio la possibilit\u00e0 di estendere le capacit\u00e0 umane, semplificando tasks<\/em> che prima era complessi e spingendo in avanti i limiti di quello che l\u2019uomo \u00e8 in grado di compiere. Non si tratta di sostituire ma di coadiuvare. In questa visione sono molti gli esempi in cui moderni algoritmi di apprendimento sono stati in grado di facilitare scoperte e allargare gli orizzonti della conoscenza umana, basti pensare per esempio all\u2019analisi di immagini mediche e alla conseguente scoperta di nuove patologie cancerogene prima sconosciute. \u00c8 importante inoltre sottolineare come il gioco possa essere parte integrante del processo di avanzamento della conoscenza, basti pensare agli innumerevoli esempi di games with a purpose<\/em> o serious games<\/em> incentrati sulla raccolta di dati o la risoluzione di un task<\/em> collaborativo attraverso il divertimento e il gioco. Un esempio storico \u00e8 \u201cFoldit\u201d, un videogioco sperimentale che aveva lo scopo di studiare il ripiegamento proteico e la progettazione di nuove proteine, o il famoso \u201cESP Game\u201d sviluppato da Luis von Ahn in cui due giocatori dovevano associare indipendentemente una descrizione testuale a un\u2019immagine, ricevendo un incentivo in punti per ogni match<\/em> fra parole. Queste descrizioni collettive erano poi state usate da Google per migliorare l\u2019accuratezza del proprio algoritmo di ricerca.<\/p>\n <\/p>\n