Mente e conoscenza
La conoscenza risiede nelle connessioni
(James McClelland)

I modelli di rappresentazione delle conoscenze

Rielaborazione da una lettura del cd "I segreti della mente" ed. Le Scienze, edizione italiana di Scientific American. 

Uno degli elementi che più differenziano i modelli connessionisti e i modelli tradizionali di rappresentazione e di elaborazione delle conoscenze nel corso dell'attività cognitiva è costituito dal modo in cui la conoscenza è immagazzinata nella rete. Tradizionalmente i logici, i filosofi e gli scienziati cognitivi hanno immaginato che la nostra conoscenza sia, in un certo senso, scritta in una sorta di libro, caratterizzato da una terminologia esplicita e con un formato consultabile da parte della nostra attività cognitiva.
Nei modelli connessionisti, invece, la conoscenza è direttamente contenuta nelle connessioni interneuronali. Questo è un modo interessante e innovativo di rappresentare la conoscenza, poiché implica che essa non sia direttamente accessibile da parte dei processi mentali. La conoscenza è ciò che guida il pensiero, ma non qualcosa che noi consultiamo mentre pensiamo. Le connessioni fra i neuroni non possono essere ispezionate; non possono essere lette o interpretate per qualcun altro. Possono solo influenzare il modo in cui un neurone attiva altri neuroni. E nello stesso modo la conoscenza delle connessioni, nelle nostre simulazioni, ci consente di capire che stiamo guardando una particolare parola, e di utilizzare l'informazione proveniente dalle lettere vicine per dedurre l'identità di una lettera specifica. Ma questa conoscenza non è esplicitamente disponibile come tale. Ecco qual è la vera differenza tra i modelli connessionisti di rappresentazione delle conoscenze e l'approccio tradizionale alla rappresentazione della conoscenza.

Una rete capace di apprendere
Seguiamo testualmente J. McCLelland:

"Vorrei descrivervi un esempio nel quale si vede come queste idee possano tradursi in azione nella realtà. L'esempio riguarda l'apprendimento di un compito in apparenza relativamente semplice: imparare a dire se due segnali sono uguali o diversi l'uno dall'altro. Per semplicità userò le cifre 0 e 1. Quando i nostri due segnali sono questi, o questi, diremo che sono "differenti", mentre se sono questi, o questi, diremo che sono "uguali".

Andiamo ora a costruire una rete in grado di imparare a calcolare la seguente funzione: se i due segnali di entrata sono identici, allora il segnale di uscita sarà uguale a 1; se i due segnali di entrata sono diversi, allora il segnale di uscita sarà uguale a 0. Vediamo, ora, come avviene l'apprendimento nella rete: la forza delle connessioni prima tra i segnali di entrata e i neuroni intermedi, e poi tra i neuroni intermedi e i segnali di uscita, sono del tutto casuali. Questo dipende dal fatto che, quando presentiamo uno dei quattro segnali di entrata possibili, la risposta della rete è anch'essa casuale. Ad esempio, se presentiamo 1 e 0, con una piccola connessione positiva qui e una piccola connessione negativa qui, né i neuroni intermedi, né i neuroni di uscita saranno molto attivi, e questa non è la risposta attesa.
Detto questo, noi possiamo, però, insegnare alla rete qual è la risposta corretta da dare a ciascun segnale: 0 quando i segnali sono diversi, e 1 quando sono uguali. La rete avrà così la possibilità di confrontare i propri risultati con la risposta corretta. Quest'idea corrisponde esattamente a quella di confrontare le previsioni con le informazioni che ci vengono presentate dall'ambiente.
La rete utilizza, quindi, un algoritmo denominato "retropropagazione" che, partendo dallo scarto tra le sue previsioni e il risultato desiderato, modifica gradualmente le forze delle connessioni tra i neuroni.
Ricapitoliamo come avviene l'apprendimento della rete. Alla rete sono presentate delle informazioni, a partire dalle quali essa fa delle previsioni. Di volta in volta la rete paragona le sue previsioni con i risultati attesi e, per retropropagazione, modifica le forze delle connessioni tra i suoi neuroni. Progressivamente questo processo consentirà alla rete di trovare quelli che sono i valori corretti in grado di indurre le connessioni a modificarsi, producendo le risposte attese.
Come si passa da un'idea a un'altra?
Supponiamo che io stia pensando a una tazza da caffè sulla quale è dipinta una giraffa. In termini connessionisti si pensa che a questo punto accada questo: il fatto di pensare alla tazza con la giraffa attiva gruppi di neuroni in diverse parti del mio cervello. Uno di questi gruppi si trova in regioni strettamente visuali o, in altre parole, parti del cervello che rappresentano esattamente l'aspetto della tazza, la forma del manico e il modo in cui esso si congiunge alla tazza stessa. Un altro gruppo di neuroni magari rappresenta il mio pensiero del momento: "Mi piacerebbe che questa tazza fosse piena di caffè perché ho proprio bisogno di caffeina". Un'altra parte del mio cervello può contenere un gruppo di neuroni attivi, che rappresenta il mio pensiero sulla giraffa: "che immagine strana per una tazza da caffè!". Si arriva, dunque, a un concetto molto semplice: il contenuto del pensiero è rappresentato da una "distribuzione di attività", la quale specifica per ciascun neurone se esso è o non è attivo. E quando io penso, immagino che queste distribuzioni di attività evolvano e si modifichino a ogni passaggio dei miei processi cognitivi.
Ma se il contenuto del pensiero è una distribuzione di attività, allora ci si può chiedere come si passa da un pensiero a un altro. Questo è precisamente il compito delle connessioni interneurali, che mi permettono di passare da una distribuzione di attività alla successiva. Dunque, l'idea fondamentale è che ciò che fa evolvere le distribuzioni di attività sono proprio le connessioni tra i neuroni.
Un buon esempio è il modello di cui abbiamo parlato: quando le attivazioni cominciano a formarsi a livello delle lettere, esse producono a loro volta attivazioni a livello delle parole. La successione dei pensieri è, pertanto, rappresentata dalla successione delle distribuzioni di attività del modello. L'apprendimento modifica le connessioni
Uno degli aspetti più interessanti e importanti dei modelli connessionisti è il modo in cui l'esperienza modifica le connessioni fra neuroni. Vorrei spiegarvi questo concetto prendendo l'esempio dello sviluppo del bambino, poiché ritengo che questo sia uno degli ambiti in cui è davvero importante comprendere come l'esperienza si integri nel cervello. In quest'area le mie idee si rifanno a quelle di Jean Piaget, secondo il quale in ogni momento il bambino piccolo cerca di prevedere e di comprendere ciò che gli accade attorno.
I modelli connessionisti cercano di spigare ciò che accade immaginando che il cervello usi l'informazione proveniente dalle esperienze recenti come base per cercare di prevedere ciò che accadrà, e che quindi il cervello osservi ciò che accade realmente. Immaginiamo che un bambino abbia di fronte uno schermo opaco, e che una palla venga fatta rotolare sul pavimento così da farla scomparire dietro lo schermo. La domanda è: che cosa dovrebbe aspettarsi il bambino? Se non ha conoscenze precedenti, può darsi che non si aspetti che la palla riappaia dall'altra parte dello schermo. Se questo è il caso, proverà davvero sorpresa a vedere riapparire la palla. Noi pensiamo che sia proprio questo tipo di sorpresa a spingere il bambino ad apprendere che gli oggetti continuano a esistere anche quando noi non li vediamo più. L'idea fondamentale è la seguente: nel corso di una qualunque esperienza la mente continua a cercare di prevedere gli eventi futuri, mentre ciò che accade realmente indica alla mente ciò che essa avrebbe dovuto prevedere. Il cervello segue, quindi, una regola di apprendimento molto semplice: esso corregge i parametri delle nostre aspettative mentali, in modo che la volta successiva le nostre previsioni siano più precise. Quando questi parametri sono ben regolati, noi abbiamo a nostra disposizione un modello interno del mondo che ci circonda. Questo è il concetto fondamentale." (James Mc Clelland)