“There is no such thing as a free lunch” è un proverbio americano che ha origine negli anni trenta e fa riferimento alla pratica dei saloon statunitensi di offrire un pranzo gratis ai clienti che avessero consumato almeno una bevanda.
In realtà, le pietanze offerte contenevano alte concentrazioni di sale che costringevano i clienti a ordinare bevande aggiuntive. In sostanza, la proposta del pranzo gratis serviva da specchietto per le allodole per attirare i clienti all’interno del saloon e poi spingerli all’acquisto in modo indiretto.
La morale del proverbio è di facile lettura: non è possibile ottenere qualcosa di valore senza doverlo pagare in qualche modo.
In una famosa pubblicazione del 1996, David Wolbert, matematico e informatico americano, teorizza per la prima volta il “No free lunch theorem”, che si pone a fondamento di ogni modello di machine learning.
Wolbert dimostra che in assenza di una precondizione certa sui dati, non esiste alcuna ragione per preferire un modello rispetto all’altro.
In machine learning, dunque, non c’è modo di avere “il pranzo gratis”.
È necessario, infatti, testare tutti i possibili algoritmi sui dati disponibili per identificare l’algoritmo migliore per ogni specifico caso.
In altre parole, senza delle precise conoscenze su un dominio applicativo, non è matematicamente possibile selezionare un algoritmo di Machine Learning a priori, ma andrebbero testate tutte le famiglie di algoritmi consone con il problema per poi capire quale strada percorrere.
Inoltre, scegliere l’algoritmo giusto non è sufficiente: è necessaria la corretta configurazione dell’algoritmo per il set di dati utilizzato e questo presuppone tanto lavoro a livello di ottimizzazione degli iperparametri.
Ma è durante questo processo che tutto diventa più intrigante. È qui che il lavoro di un data scientist, pur rimanendo all’interno delle regole e dei costrutti che caratterizzano il processo analitico, si avvicina a quello dell’artista, proprio per l’estro, l’intuizione e l’originalità necessari per affrontare particolari problemi.
Per molti creatività e Data Science possono sembrare completamente separate, due mondi opposti e tra loro inconciliabili. Dopotutto, può risultare controintuitivo pensare fuori dagli schemi quando hai a che fare con dati, processi e algoritmi.
Ma la realtà è ben diversa.
La creatività è una caratteristica che contraddistingue i Data Scientist di successo, in grado di combinare il processo decisionale basato sui dati con l’intuizione creativa.
Abbracciare la creatività all’interno della Data Science significa generare idee fruttuose e soluzioni innovative innescate da nuovi interrogativi. E, al contempo, ridurre il rischio di prendere decisioni inefficienti sulla base di prospettive limitate.
La parte più difficile di questo processo è immaginare alternative a ciò che è proprio di fronte a sé, che si tratti di una metrica, di un algoritmo o di uno schema operativo. Ma spesso, superare la consuetudine per sperimentare percorsi inediti di risoluzione dei problemi può rivelarsi una scelta vincente.
Il miglior modo per progredire sotto quest’aspetto è l’esperienza. Infatti, attraverso l’esperienza è possibile inquadrare correttamente il contesto operativo per compiere scelte più aleatorie, ma allo stesso tempo più ambiziose e con un potenziale maggiore.
Per questo motivo noi di DataMasters abbiamo deciso, in occasioni delle festività natalizie, di metterci un po’ della nostra creatività e progettare una rete neurale in grado di adattarsi potenzialmente a qualsiasi problema.
Ma non è tutto. Questa rete presenta una peculiarità, una caratteristica unica che la rende perfetta per questi giorni di festa: è a forma di albero di natale.
Durante la progettazione, infatti, ci siamo concessi un exploit creativo, ci piace definirlo una forma artistica di Machine Learning.
Una scelta fatta in realtà con una precisa finalità: dimostrare quanto sia concreta la possibilità di abbracciare l’ispirazione creativa che, erroneamente, viene considerata estranea alla Data Science.
L’obiettivo è di incoraggiare i nostri studenti a sperimentare e implementare flussi di lavoro basati sulla creatività, coltivando l’attitudine a immaginare nuovi approcci che possono rivelarsi più efficaci nel produrre i risultati desiderati.
Per questo motivo abbiamo voluto pubblicare questo strumento altamente prestazionale, data la sua struttura molto profonda e con meccanismi residuali multipli che ne garantiscono l’addestramento.
Uno strumento di immediata applicabilità che può essere testato su casi d’uso reali immaginando nuovi modi per aggiungere valore attraverso l’utilizzo dei dati.
Scarica questa “Christmas Neural Network” e non dimenticare di farci sapere come l’hai utilizzata e tutti i tuoi spunti e idee a riguardo!
