Una linea guida pratica per la scoperta causale avanzata da LLM che riduce al minimo i rischi di allucinazioni (con codice Python)
“Il mondo è tutto ciò che è così.”
lLudwig Wittgenstein – Trattato logico-filosofico (1922)
NO il bambino capisce la natura del movimento alla nascita.
Noi, gli esseri umani, e molti altri animali non umani veniamo al mondo dotati di sistemi che ci aiutano a conoscere l’ambiente, ma il giorno della nostra nascita non sappiamo molto dell’ambiente stesso¹.
Dobbiamo imparare.
A questo proposito, abbiamo una somiglianza con i sistemi di apprendimento automatico.
Le prime scoperte in psicologia e (proto)-le neuroscienze riguardanti l’apprendimento negli esseri umani e in altri animali non umani sono diventate un’ispirazione per costruire sistemi artificiali in grado di imparare dall’esperienza.
Uno dei paradigmi di apprendimento di maggior successo che ha portato alla rivoluzione del machine learning negli anni 2010 è stato l’apprendimento supervisionato.
Le reti neurali addestrate in modo supervisionato ci hanno permesso di avanzare di decenni con progressi su problemi di vecchia data come la classificazione delle immagini o la traduzione automatica.
Gli esseri umani e altri animali non umani sono dotati di un apparato di apprendimento che (concettualmente², ma non necessario in termini di implementazione) assomiglia all’apprendimento supervisionato³.
Tuttavia, esiste anche una differenza fondamentale tra il modo in cui apprendono i bambini e gli algoritmi supervisionati.
Hhai mai visto un genitore cercare di convincere il proprio figlio a smettere di lanciare in giro un giocattolo? Alcuni genitori tendono a interpretare questo tipo di comportamento come scortese, distruttivo o aggressivo, ma i bambini spesso hanno un insieme di motivazioni molto diverse (Talpe, 2023).
Fonte: towardsdatascience.com
