Come fanno piattaforme come Spotify a conoscere i tuoi gusti, a capire quando sei "saturo" di un genere musicale o quando le tue preferenze cambiano in base alla stagione? E come si applica l'Intelligenza Artificiale ai grandi temi della sostenibilità?
La Dott.ssa Giulia Clerici, ricercatrice di Machine Learning all'Università di Milano e coordinatrice scientifica del progetto paneuropeo Ellis, ci porta nel cuore della ricerca più avanzata. Scopri i segreti dei Multi-Armed Bandits (MAB) e come l'AI stia guidando l'innovazione in Europa.
Link utili
Trascrizione
Davide: Ciao, benvenuti a Il Cantiere AI Podcast. Oggi siamo qui con Giulia Clerici, ricercatrice di machine learning all'Università degli Studi di Milano, coordinatrice scientifica del progetto Ellis per l'unità di Milano e del task 4.3 del progetto Elias.
Giulia Clerici: Ciao! Sì, specifico subito i ruoli perché ci sono un po' di differenze e non voglio addossarmi responsabilità che non mi spettano!
Davide: Allora, intanto, se riesci in tre minuti (scherzo!), ci racconti come sei arrivata a occuparti di machine learning?
Giulia Clerici: Ho iniziato studiando informatica musicale. Durante la tesi triennale ho applicato tecniche di machine learning all'ambito musicale, in particolare per il riconoscimento automatico del parlante e del cantante. Mentre facevo la tesi mi sono accorta che esisteva questo mondo sterminato e che mi interessava tantissimo, quindi ho proseguito con la magistrale focalizzandomi proprio sul machine learning. Arrivata alla tesi magistrale, mi sono resa conto di aver visto solo la punta dell'iceberg. Da lì ho iniziato il dottorato a Milano sui Multi-Armed Bandits, una specifica famiglia di modelli e algoritmi. Ho difeso il dottorato l'anno scorso e ora continuo a fare ricerca, oltre a coordinare l'unità Ellis di Milano e il progetto Elias.
Davide: Ti chiedo subito una cosa che forse non c'entra direttamente con l'intelligenza artificiale moderna, ma mi incuriosisce: cos'è che rende la voce di alcuni cantanti riconoscibile come maschile o femminile per un software?
Giulia Clerici: Ci sono delle feature, chiamate MFCC (Mel-frequency cepstral coefficients), che caratterizzano in modo univoco la voce. È un discorso molto ampio, ma basandosi su questi dati si possono creare dei modelli per riconoscere chi sta parlando e se è di sesso maschile o femminile. Ai tempi del mio progetto triennale, il sistema riusciva a identificare se la persona stesse parlando o cantando. È un'area di ricerca che sta avendo molto più successo di quanto immaginassi; con l'evoluzione dell'AI e i tool di generazione vocale, sempre più persone si stanno interessando a questi aspetti.
Fabio: Partiamo dal cuore del tuo dottorato: i Multi-Armed Bandits (MAB). Che cosa sono? Sarebbero i sistemi di raccomandazione musicale, detta male?
Giulia Clerici: Non solo musicali! È curioso, ma questa famiglia di modelli nasce nel 1933 per esperimenti scientifici sui topi, che venivano messi di fronte a un labirinto a T con ricompense diverse ai vari lati per osservare le loro azioni. Oggi sono applicati principalmente ai sistemi di raccomandazione, ma potrebbero essere usati in molti altri ambiti, come la medicina (per suggerire terapie a pazienti specifici, sempre con supervisione umana). Io mi sono focalizzata sull'ambito musicale per mantenere un fil rouge con il mio percorso di studi.
Davide: Come funzionano esattamente?
Giulia Clerici: Si inseriscono nel campo dell'apprendimento sequenziale. A differenza dell'apprendimento supervisionato, dove hai già un dataset iniziale con le etichette, qui non hai informazioni a priori. L'idea dietro il nome è quella delle slot machine: il "bandito a più braccia". A ogni istante temporale tu "tiri una leva", fai una scelta, e osservi la ricompensa. All'inizio non sai quali azioni siano buone, ma passo dopo passo ne calcoli la media e capisci quali ti danno una ricompensa maggiore.
Fabio: Ci fai un esempio pratico?
Giulia Clerici: Pensa a Spotify. Arriva un nuovo utente sulla piattaforma e io non ho informazioni sui suoi gusti. Inizio a consigliargli brani diversi: rock, metal, folk, pop. In base alla sua reazione (se ascolta, mette like o skippa) ottengo una "ricompensa". A un certo punto devo scegliere una strategia per massimizzare il suo gradimento nel tempo. Qui entra in gioco il fulcro dei MAB: il dilemma tra exploration ed exploitation (esplorazione e sfruttamento). Devo decidere se sfruttare i generi che finora gli sono piaciuti, o esplorare nuove canzoni sperando di trovare il suo vero genere preferito. È come quando devi scegliere un ristorante: torni in quello che sai che è buono, o ne provi uno nuovo rischiando?
Davide: Nei tuoi studi hai esplorato anche i concetti di "noia" e "stagionalità". Come si integrano?
Giulia Clerici: I gusti musicali non sono stazionari. Se ascolto costantemente rock, a una certa potrei stufarmi e voler passare al pop o al jazz. Questa è la "noia" o sazietà: il livello di gradimento per uno stesso genere decresce se proposto troppe volte consecutive. La stagionalità, invece, riguarda il momento dell'anno: a dicembre amo le canzoni di Natale, ma se me le proponi a luglio il mio gradimento crolla. Lo stesso vale per i tormentoni estivi proposti a gennaio. Abbiamo cercato di creare un modello che generalizzasse e tenesse conto di questi cambiamenti comportamentali.
Fabio: Ma quindi riesci a prevedere la prossima hit estiva?
Giulia Clerici: No, quello no! Prevedere i trend musicali generali è uno studio molto più ampio che tocca la sociologia. Il nostro modello lavora a livello del singolo utente. Dice alla piattaforma: "Non consigliare più questa canzone a questo utente perché l'ha già sentita troppe volte e la ricompensa sarà bassa. Aspetta qualche giorno".
Davide: Pensando a un'applicazione venale: si potrebbe usare per capire quando è il momento giusto per fare un'offerta commerciale a un cliente senza risultare insistenti?
Giulia Clerici: Assolutamente sì. Un altro grandissimo ambito di applicazione dei Multi-Armed Bandits è quello finanziario: aste, dynamic pricing e offerte commerciali. Vengono usati moltissimo a livello industriale. La "memoria" del sistema dipende dal singolo utente. Io potrei ascoltare Taylor Swift tutti i giorni senza mai stancarmi, mentre un'altra persona dopo una canzone direbbe: "Ok, passiamo ad altro".
Fabio: Se usi lo stesso account in famiglia, il modello va in tilt! Io ho lo stesso account Spotify di mio figlio: mi trovo mischiate Carolina Benvenga, l'hard rock e il neomelodico. Tra l'altro, voglio fare un appello contro Spotify: a fine anno mi nascondono le canzoni per bambini dal Wrapped per non falsare le classifiche! Io voglio che "Il Pulcino Pio" e "Cuoricini" siano al primo posto, perché sono quelle che ascolto di più, anche se ci avevo infilato un po' di metal dei Disturbed per bilanciare!
Giulia Clerici: (ride) Il modello impazzisce in quei casi. Infatti bisognerebbe tracciare profili nettamente separati!
Davide: Parliamo di Ellis, di cui sei coordinatrice scientifica per Milano. Cos'è?
Giulia Clerici: Ellis è un'organizzazione no-profit paneuropea con sede a Tubinga, in Germania, che coinvolge 42 unità in Europa. Nasce per far collaborare le università e i centri di ricerca europei sui temi del machine learning e dell'AI, per tenere il passo con Stati Uniti e Asia. Io mi occupo di coordinare le attività locali per le quattro università milanesi (Statale, Politecnico, Bicocca e Bocconi) e di gestire il processo di valutazione per i nuovi ricercatori che vogliono diventare Fellows o Scholars.
Fabio: E il progetto Elias, invece?
Giulia Clerici: Elias è un po' il "figlio" di Ellis. È un progetto europeo che si concentra sull'intelligenza artificiale per la sostenibilità: ambientale, sociale e individuale. L'obiettivo è anche promuovere la diversità, coinvolgendo più ricercatrici donne (che in informatica sono ancora poche) e università dell'Est Europa, per rendere la rete di ricerca più equa e capillare.
Davide: Sulla sostenibilità degli LLM ci sono tanti dubbi. Consumano tantissima energia, siamo in perdita dal punto di vista ambientale. Ci sono ricerche in merito?
Giulia Clerici: Sì, nel progetto Elias ci sono use case molto pratici. Ad esempio, con Bosch in Ungheria stanno usando l'AI per ottimizzare il consumo energetico dei loro edifici super moderni. C'è anche molta ricerca sulla scoperta di nuovi materiali sostenibili per sostituire la plastica. A livello sociale, c'è un progetto per mitigare la disinformazione sui migranti in Europa analizzando le notizie. L'obiettivo è trasformare la ricerca teorica in soluzioni reali.
Fabio: Da ricercatrice, come hai visto cambiare il mondo del lavoro legato all'AI?
Giulia Clerici: Quando ho finito la magistrale, in pieno periodo Covid, ricordo che poche aziende lavoravano davvero sull'AI. Negli annunci cercavano un "Data Scientist" e poi ti facevano analizzare i file su Excel. Ma durante il mio dottorato c'è stata un'esplosione pazzesca. Ora tutti sanno cos'è l'AI, compresi i miei nonni! Vedo che sempre più aziende integrano applicazioni pratiche per automatizzare task e risparmiare tempo. La crescita è stata così veloce ed esponenziale che ha sorpreso anche noi ricercatori.
Davide: Nel tuo specifico campo, qual è il prossimo grande passo che ti aspetti?
Giulia Clerici: C'è un trend immenso verso i Large Language Models (LLM) e la Generative AI. All'ultima conferenza ICLR a Singapore, il 90% delle presentazioni verteva su questi argomenti. Nel mio settore, molti professori stanno cercando di prendere la teoria dei Multi-Armed Bandits e applicarla agli LLM.
Fabio: È una bolla o è un vero cambio di paradigma?
Giulia Clerici: Ne parlavo proprio con i colleghi alle conferenze! È un trend fortissimo spinto dal mercato. Ma c'è un problema pratico: le cose cambiano ogni settimana. Escono nuove release a un ritmo folle ed è faticosissimo stare al passo anche a livello accademico. La potenza c'è, ma non sappiamo esattamente dove stiamo andando.
Davide: Siamo in chiusura, passiamo alle nostre domande di rito. Un libro che ci consigli di leggere?
Giulia Clerici: Se cercate la "bibbia" tecnica del mio settore, consiglio Bandit Algorithms di Lattimore e Szepesvári. Se invece parliamo di narrativa pura che ho letto di recente, dico Il Cardellino di Donna Tartt.
Fabio: Un podcast o una serie TV?
Giulia Clerici: Ascolto soprattutto podcast di attualità per tenermi informata, come Morning o Stories. Anche lì, volenti o nolenti, finiscono spesso per parlare di intelligenza artificiale, perché ormai tocca tutti.
Davide: Ultima domanda: un tool di intelligenza artificiale che usi nel tuo lavoro? Immagino non usi ChatGPT per scrivere il codice...
Giulia Clerici: In realtà uso tantissimo ChatGPT! E vi assicuro che nel mondo della ricerca lo usano quasi tutti. Lo uso per sbrigare i task burocratici o banali: prendere appunti da un meeting e fargli fare un riassunto, creare tabelle riassuntive, trovare nuove idee. Lo usiamo persino in ambito tecnico! Se hai una linea di codice che non funziona, gliela dai in pasto per trovare il bug. Ho visto ricercatori dargli un'equazione matematica complessa per farsi spiegare perché una dimostrazione si bloccava in un certo punto. Aiuta a risparmiare moltissimo tempo!
Davide: Fantastico. Grazie mille Giulia per il tuo tempo e per questa bellissima panoramica!
Giulia Clerici: Grazie a voi, a presto!