Il ragionamento probabilistico (o inferenza probabilistica) è un paradigma metodologico dell'intelligenza artificiale, della logica e della filosofia della scienza volto a modellare il processo decisionale e la formulazione di conclusioni in condizioni di incertezza. A differenza della logica classica (booleana), che opera su valori di verità binari (vero/falso), il ragionamento probabilistico quantifica il grado di credenza o la verosimiglianza di un evento utilizzando la teoria della probabilità. In informatica e cibernetica, l'introduzione di questo approccio ha permesso di superare la rigidità dei primi sistemi esperti basati su regole formali di tipo if-then, inadatti a gestire dati incompleti, rumorosi o intrinsecamente ambigui.

Una delle difficoltà delle logiche probabilistiche è la loro tendenza a moltiplicare le complessità computazionali delle loro componenti probabilistiche e logiche. Altre difficoltà includono la possibilità di risultati controintuitivi, come nel caso della fusione delle credenze nella teoria di Dempster-Shafer. L’affidabilità delle fonti e l’incertezza epistemica riguardo alle probabilità da esse fornite, come definite nella logica soggettiva, sono ulteriori elementi da considerare. La necessità di affrontare un’ampia varietà di contesti e problematiche ha portato a numerose proposte diverse.

Fondamenti Il nucleo teorico del ragionamento probabilistico si basa sugli assiomi di Kolmogorov e sul calcolo delle probabilità condizionate. Formalmente, data una proposizione o un evento , la sua probabilità assume un valore nell'intervallo .

Il principio cardine dell'inferenza è espresso dal Teorema di Bayes, il quale descrive come aggiornare la probabilità di un'ipotesi (definita probabilità a priori) alla luce di una nuova evidenza :

dove: è la probabilità a posteriori dell'ipotesi data l'evidenza; è la verosimiglianza (likelihood) di osservare l'evidenza se l'ipotesi fosse vera; è la probabilità a priori dell'ipotesi; è la probabilità marginale dell'evidenza, che funge da fattore di normalizzazione.

Modelli di rappresentazione dell'incertezza Per evitare l'esplosione combinatoria nel calcolo delle probabilità congiunte in domini complessi, la ricerca in IA ha sviluppato modelli grafici in grado di sfruttare le relazioni di indipendenza condizionata tra le variabili.

Reti bayesiane

Le reti bayesiane (o grafi aciclici diretti) sono modelli grafici in cui i nodi rappresentano variabili casuali e gli archi orientati rappresentano dipendenze causali o probabilistiche. Se non esiste un arco tra due nodi, essi sono considerati condizionatamente indipendenti date le loro variabili genitori. La distribuzione di probabilità congiunta è fattorizzata come:

Modelli di Markov Nei contesti in cui le variabili evolvono nel tempo, si utilizzano i Modelli di Markov. Essi si basano sulla proprietà di Markov, secondo cui lo stato futuro dipende unicamente dallo stato presente e non dalla storia passata del sistema:

Estensioni come i Modelli di Markov Nascosti (HMM) sono impiegati quando lo stato effettivo non è direttamente osservabile, ma se ne possono misurare solo gli effetti probabilistici. Algoritmi di inferenza L'inferenza consiste nel calcolare la distribuzione di probabilità di un sottoinsieme di variabili d'interesse, date le evidenze osservate. Gli approcci si dividono in due categorie principali:

Inferenza esatta Eliminazione di variabili: Un algoritmo di programmazione dinamica che riduce la complessità calcolando marginalizzazioni parziali passo dopo passo. Algoritmi dell'albero di giunzione (Junction Tree): Trasformano il grafo ciclico in un albero equivalente per consentire la propagazione dei messaggi in tempo polinomiale rispetto alla dimensione della struttura formata.

Inferenza approssimata Quando il grafo è altamente connesso, l'inferenza esatta diventa NP-difficile. Si ricorre quindi a metodi stocastici: Metodi Monte Carlo basati su Catene di Markov (MCMC): Come il Gibbs sampling o l'algoritmo di Metropolis-Hastings, che campionano lo spazio degli stati per approssimare la distribuzione a posteriori. Inferenza Variazionale: Trasforma il problema di inferenza in un problema di ottimizzazione, cercando una distribuzione trattabile che minimizzi la divergenza di Kullback-Leibler rispetto alla distribuzione reale.

Applicazioni principali Il ragionamento probabilistico trova impiego in molteplici ambiti tecnologici e scientifici: Diagnostica medica: Sistemi che stimano la probabilità di una patologia incrociando sintomi e referti clinici. Robotica e Guida Autonoma: Algoritmi come il Filtro di Kalman o la localizzazione Monte Carlo permettono ai veicoli di stimare la propria posizione nello spazio nonostante il rumore dei sensori. Elaborazione del linguaggio naturale (NLP): Modelli probabilistici per il riconoscimento vocale, la traduzione automatica e l'analisi del sentiment. Filtri Spam: Classificatori naive bayes utilizzati per catalogare i messaggi di posta elettronica in base alla ricorrenza di parole chiave.

Note

Bibliografia Adams, E. W., 1998. A Primer of Probability Logic. CSLI Publications (Univ. of Chicago Press). Bacchus, F., 1990. "Representing and reasoning with Probabilistic Knowledge. A Logical Approach to Probabilities". The MIT Press. Carnap, R., 1950. Logical Foundations of Probability. University of Chicago Press. Chuaqui, R., 1991. Truth, Possibility and Probability: New Logical Foundations of Probability and Statistical Inference. Number 166 in Mathematics Studies. North-Holland. Haenni, H., Romeyn, JW, Wheeler, G., and Williamson, J. 2011. Probabilistic Logics and Probabilistic Networks, Springer. Hájek, A., 2001, "Probability, Logic, and Probability Logic," in Goble, Lou, ed., The Blackwell Guide to Philosophical Logic, Blackwell. Kyburg, H. E., 1970. Probability and Inductive Logic Macmillan. Kyburg, H. E., 1974. The Logical Foundations of Statistical Inference, Dordrecht: Reidel. Kyburg, H. E. & C. M. Teng, 2001. Uncertain Inference, Cambridge: Cambridge University Press. Williamson, J., 2002, "Probability Logic," in D. Gabbay, R. Johnson, H. J. Ohlbach, and J. Woods, eds., Handbook of the Logic of Argument and Inference: the Turn Toward the Practical. Elsevier: 397–424.

Voci correlate Belief propagation, noto anche come sum-product message passing Catena di Markov Database probabilistico Filtro di Kalman Probabilità bayesiana Programmazione probabilistica Rete bayesiana Teorema di Bayes

Categoria:Intelligenza artificiale Categoria:Teoria della probabilità Categoria:Logica Categoria:Ragionamento automatico