Dal pensiero dicotomico alla logica fuzzy

Dal pensiero dicotomico alla logica fuzzy

Condividi con i tuoi amici...

In questo articolo parleremo di un aspetto che per certi versi accomuna e per altri, distingue il pensiero umano da quello di un’intelligenza artificiale che applica la logica fuzzy.

Se da una parte l’AI imita l’uomo, d’altra parte vedremo come può essere utile all’uomo imitare l’AI.

Per capire che cos’è la logica fuzzy puoi leggere l’articolo in cui sono state descritte in modo semplice le basi di questo argomento: Le basi della logica fuzzy.

In breve, la logica fuzzy, sviluppata da Lotfi A. Zadeh negli anni ’60, è un’estensione della logica booleana tradizionale che tiene conto dell’imprecisione e dell’ambiguità, proprio come il modo in cui gli esseri umani trattano l’informazione. Invece di affidarsi a un sistema esclusivamente binario di vero (1) o falso (0) come nella logica classica, la logica fuzzy permette che un elemento possa appartenere a un insieme (o essere vero) con un certo grado che varia continua tra 0 e 1.

La logica fuzzy si ispira all’apertura cognitiva umana nel senso che cerca di modellare il ragionamento fluido e non-binario che gli esseri umani usano naturalmente quando affrontano situazioni ambigue o nuance. Per esempio, quando consideriamo concetti come “caldo” o “freddo”, non vi è un punto preciso in cui una temperatura può essere categoricamente etichettata come l’uno o l’altro—ciò dipende dal contesto e da altre variabili. Gli esseri umani valutano queste condizioni “fuzzy” in maniera non dicotomica, ma piuttosto su una scala graduale, ed è questo tipo di pensiero che la logica fuzzy cerca di catturare e quantificare.

La capacità di gestire le informazioni incomplete o poco chiare in maniera sistematica e quantitativa è preziosa in molte sfere della decisione umana, compresi campi come la medicina, l’economia e la pianificazione urbana. La logica fuzzy fornisce strumenti per modellare fenomeni complessi che non sono facilmente quantificabili con metodi tradizionali, aiutando così a comprendere meglio e gestire sistemi dinamici e multifattoriali. Le tecniche basate su tale logica sono spesso utilizzate per ottimizzare processi e sistemi, fornendo agli umani nuove prospettive sull’efficienza e sul problem-solving in ambienti incerti e variabili. La logica fuzzy è utilizzata nello sviluppo di interfacce uomo-macchina e sistemi esperti che necessitano di interpretare input umani che possono essere vago o ambiguo, aiutando a migliorare le moderne tecnologie di assistenza e automazione.

Il bisogno di chiusura cognitiva

Se da una parte la logica fuzzy si ispira all’apertura cognitiva umana, l’uomo mostra in molti casi un bisogno di chiusura cognitiva che si contrappone a quella condizione di inesattezza o confusione che fa da premessa alla logica fuzzy. Questo bisogno in parte è giustificato e in parte no e può sfociare in uno o più bias cognitivi.

Il bisogno di chiusura cognitiva (NCC: Need for Closure Cognitive) è un concetto sviluppato da Arie Kruglanski nel contesto della teoria della motivazione cognitiva. Questo bisogno fa riferimento al desiderio di trovare risposte veloci e definitive a questioni e problemi, riducendo l’ambiguità e l’incertezza.

La ricerca di chiusura cognitiva è motivata dal desiderio di sicurezza e prevedibilità che una risposta definitiva o una struttura cognitiva stabile fornisce.

Kruglanski e Webster (Kruglanski, A. W., & Webster, D. M., (1996). Motivated closing of the mind: “Seizing” and “freezing.” Psychological Review, 103(2), 263-283) hanno definito due processi principali attraverso cui le persone cercano di soddisfare questo bisogno:

Seizing (Catturare): Il processo di afferrare con rapidità soluzioni o credenze che appaiono soddisfacenti e sufficienti per formare un giudizio senza continuare a cercare ulteriori informazioni. Fondamentalmente si tratta di un evidente “salto” verso conclusioni basate su dati o prime impressioni limitate.

Freezing (Congelare): Il processo di adesione rigida avviene una volta che una credenza o giudizio è stato formato. Evitando o ignorando attivamente informazioni che potrebbero contraddire o complicare la comprensione esistente, le persone “congelano” il proprio sistema di credenze per evitare il disconforto associato alla dissonanza cognitiva.

Quando gli individui con un alto bisogno di chiusura cognitiva si confrontano con situazioni ambigue o complesse, sono più propensi a ricorrere a pensieri dicotomici.

La propensione a vedere il mondo in termini di opposizioni nette (es. buono/cattivo, giusto/sbagliato) può essere una strategia per gestire e ridurre l’incertezza.

Il pensiero dicotomico fornisce una cornice semplice e chiara per interpretare eventi complessi, il che è psicologicamente confortante per chi desidera chiusura cognitiva.

Queste inclinazioni possono essere particolarmente forti in situazioni di stress o quando il tempo per prendere decisioni è limitato. In questi contesti, il bisogno di chiusura può diventare predominante, spingendo gli individui a adottare posizioni più definitive e meno flessibili.

Gli studi hanno trovato correlazioni tra la necessità di chiusura cognitiva e vari atteggiamenti conservatori, pregiudizi e resistenza ai cambiamenti. Inoltre, è stato osservato che il bisogno di chiusura può variare in base a fattori contestuali e temporanei come il livello di stanchezza o di stress, e può anche essere influenzato da tratti di personalità stabili.

Aspetti funzionali della chiusura cognitiva

È importante notare che il bisogno di chiusura cognitiva ha aspetti funzionali: fornisce una guida nell’ambiente riducendo l’overload informativo e consentendo alle persone di agire con decisione.

Tuttavia, quando diventa eccessivo o quando applicato in modo inappropriato, può portare a distorsioni nel giudizio e nella valutazione delle prove, a una maggiore suscettibilità ai bias di conferma, e a una resistenza ingiustificata al cambiamento e all’adattamento alle nuove informazioni.

In un ambiente ricco di informazioni, l’analisi prolungata di ogni possibile opzione può essere paralizzante e inefficace. L’NCC aiuta a selezionare rapidamente l’informazione pertinente e a ignorare quella non rilevante, permettendo così di prendere decisioni in modo tempestivo e con un limitato dispendio di risorse cognitive.

L’incertezza può generare ansia e stress. La chiusura cognitiva contribuisce a ridurre questi stati ansiogeni fornendo chiarezza e sicurezza attraverso la formazione di giudizi definiti e il mantenimento di sistemi di credenze stabili.

Il nostro cervello ha risorse limitate. Il bisogno di chiusura cognitiva consente di conservare energia mentale dirigendo l’attenzione e l’elaborazione verso solo alcune alternative, evitando l’overload e il burnout cognitivo.

Grazie al bisogno di chiusura, le persone sono inclini a utilizzare euristiche, ovvero scorciatoie cognitive, per trattare le informazioni in modo rapido e spesso efficace. Questo favorisce una risposta veloce agli stimoli ambientali, che può essere essenziale per gestire situazioni quotidiane o di emergenza.

Il bisogno di chiusura cognitiva porta anche a sistemi di credenze stabili che fungono da base per comportamenti e attitudini prevedibili, contribuendo così alla coerenza dell’individuo nel tempo e facilitando le interazioni sociali.

L’NCC contribuisce alla formazione e al mantenimento dell’identità personale e del senso di auto-efficacia, in quanto permette agli individui di sviluppare convinzioni chiare su chi sono e cosa rappresentano.

È degno di nota che il bisogno di chiusura cognitiva può variare da persona a persona e può essere influenzato da situazioni specifiche. Tutti noi sperimentiamo momenti in cui un maggiore bisogno di chiusura può essere vantaggioso – come nelle situazioni di crisi dove deve essere presa una decisione immediata – o momenti in cui è meglio avere un basso bisogno di chiusura, come quando stiamo cercando soluzioni creative a un problema complesso.

Equilibrio tra Chiusura e Apertura

Mentre un’alta necessità di chiusura può portare a rigidità e dogmatismo, la capacità di moderare questo bisogno significa essere in grado di adattarsi a nuove informazioni e circostanze quando è necessario. Pertanto, trovare un equilibrio fra la ricerca di certezza e l’apertura al nuovo è cruciale per il benessere psicologico e per la capacità di funzionare efficacemente in un mondo in continua evoluzione.

La capacità di un individuo di bilanciare il bisogno di chiusura con la flessibilità cognitiva è associata a competenze come la tolleranza all’ambiguità e alla resilienza. Questa bilanciata apertura mentale è essenziale per la crescita personale e l’adattamento ad un ambiente che si modifica costantemente.

Imparare dall’AI

Gli esseri umani possono imparare molto da come l’intelligenza artificiale (IA) applica la logica fuzzy, l’AI quando impiega tale logica mostra come approcci non dicotomici al ragionamento e alla soluzione di problemi possano essere implementati sistematicamente, offrendo uno strumento quantitativo per trattare l’incertezza. Gli esseri umani possono trarre insegnamento dalla logica fuzzy per affrontare sfide complesse e per migliorare la progettazione di macchine e sistemi che lavorano in sintonia con la naturale inclinazione umana alla valutazione fuzzy di molte situazioni reali.

Una delle principali utilità della logica fuzzy è la sua capacità di trasformare i concetti qualitativi in concetti quantitativi attraverso la definizione di gradi di appartenenza, permettendo così di trattare in modo formale e operazionale termini e concetti che per la loro natura sono vaghi o imprecisi.

Vantaggi della Quantificazione

Trasformare concetti come “calore”, “rischio”, “soddisfazione” o “bellezza”, che sono intrinsecamente soggettivi e sfumati, in valori numerici via logica fuzzy ha diversi vantaggi:

Permette di assegnare un valore preciso a concetti che altrimenti sarebbero suscettibili a interpretazioni diverse, rendendo possibile confrontarli e misurarli in modo standardizzato.

Migliora il processo decisionale in situazioni complesse, fornendo un mezzo per combinare diverse informazioni qualitative in un framework decisionale quantitativo e basato sui dati.

Aiuta a modellare comportamenti e sistemi complessi dove la linearità e le distinzioni nette sono inadeguate per descrivere accuratamente la realtà osservata.

Quantificare concetti qualitativi facilita la comunicazione tra esperti di diversi campi e tra uomo e macchina poiché riduce la soggettività associata a termini puramente qualitativi.

Applicazione dell’AI nell’analisi dei sistemi socioeconomici

L’idea che l’intelligenza artificiale (AI) possa in futuro aiutare a individuare sistemi economici e politici che trascendano l’ideologia e promuovano un equilibrio che tenga conto di tutti i membri di una società è una visione ambiziosa e spesso discussa in letteratura accademica e nel dibattito pubblico. Questa visione si basa sul potenziale di AI per processare e valutare enormi quantità di dati, stimare impatti complessi di varie politiche, e modellare scenari diversi con alto livello di precisione.

L’applicazione dell’AI nell’analisi dei sistemi socioeconomici potrebbe operare nei seguenti modi:

L’AI può analizzare grandi moli di dati per identificare pattern e correlazioni che potrebbero non essere evidenti agli analisti umani. Questo potrebbe comprendere l’analisi di trend economici, flussi di lavoro, dinamiche di mercato, e altri fattori socioeconomici.

Potrebbe essere usata per creare modelli predittivi che valutano l’efficacia di differenti politiche economiche e politiche, simulando come tali policy potrebbero influenzare vari settori della società, incluso il benessere dei cittadini, l’uguaglianza, la crescita economica, e la sostenibilità ambientale.

Incrociando dati storici, socioeconomici e demografici, l’AI potrebbe stimare gli effetti di alcune politiche, guidando i responsabili delle decisioni verso scelte che massimizzano l’utilità collettiva riducendo congetture e influenze ideologiche.

Potrebbero essere utilizzate tecniche di AI per esplorare una vasta gamma di scenari futuri basati su assunzioni diverse, valutando le probabilità di vari esiti e fornendo ai decisori pubblici una guida basata su dati solidi.

L’AI potrebbe essere utilizzata per progettare sistemi politici ed economici su misura per le specificità culturali, storiche, e socioeconomiche di una determinata popolazione, assicurando che le policy siano appropriate al contesto.

Tuttavia, vi sono sfide e considerazioni etiche significative da affrontare:

Algoritmi e modelli di IA devono essere trasparenti e i loro maker devono poter rendere conto delle decisioni che sono prese sulla base delle loro suggestioni.

Un grosso rischio nell’uso dell’AI è quello di perpetuare o aggravare bias esistenti nei dati. L’AI deve essere progettata e addestrata con attenzione per evitare discriminazioni.

La valutazione fornita dall’AI è solo un pezzo del puzzle. Le raccomandazioni data-driven devono essere interpretate nel contesto di preoccupazioni morali, etiche e politiche più ampie.

L’uso di sistemi AI avanzati per informare la politica potrebbe incontrare resistenze da parte del pubblico, specialmente se ciò è percepito come una minaccia all’autonomia e alla libertà individuale.

Esempio: il reddito di cittadinanza

Consideriamo il problema del reddito di cittadinanza, un argomento che è spesso al centro di accesi dibattiti ideologici con posizioni ben definite: una parte sostiene che sia un diritto inalienabile mentre l’altra che sia un incentivo alla non produttività.

Queste posizioni rappresentano spesso estremi di un continuum sociale ed economico e lasciano poco spazio per il ragionamento complesso e per soluzioni sfumate.

Applicando la logica fuzzy a un problema come il reddito di cittadinanza si potrebbero valutare meglio tutte le variabili in gioco e si potrebbero trovare soluzioni personalizzate che tengono conto di diversi fattori in maniera meno categorica. Di seguito, vi è un esempio semplificato di come la logica fuzzy potrebbe essere utilizzata:

Definizione dei Fattori e Loro Gradi di Appartenenza

Con la logica fuzzy, invece di assegnare ai cittadini una etichetta di “beneficiario” o “non beneficiario” in base a regole fisse, si potrebbero definire input fuzzy quali “bisogno economico”, “capacità di lavoro”, “disponibilità di posti di lavoro nel settore di riferimento”, e “atteggiamento verso il lavoro”. A ciascuno di questi fattori sarebbero assegnati dei gradi di appartenenza.

Esempio di Regole Fuzzy

Si potrebbero definire regole quali:

  • Se il “bisogno economico” è “alto” e la “capacità di lavoro” è “bassa”, allora l’individuo è “molto idoneo” a ricevere il reddito di cittadinanza.
  • Se il “bisogno economico” è “moderato” e la “disponibilità di posti di lavoro” è “alta”, allora l’individuo è “poco idoneo” a ricevere il reddito di cittadinanza.

Le combinazioni di questi fattori condurrebbero a una scala graduale di idoneità per ricevere il beneficio, anziché a una risposta sì/no.

Gestione Dinamica e Personalizzata

Questo sistema fuzzy potrebbe anche essere dinamico nel tempo, adattando il livello di supporto in base ai cambiamenti nelle circostanze personali e di mercato. Un individuo potrebbe dunque ricevere un reddito di cittadinanza calibrato in funzione di molteplici variabili piuttosto che una somma fissa.

Vantaggi di un tale Approccio

  • Risposta Personalizzata: Incoraggia un’applicazione differenziata e misurata delle politiche sociali.
  • Dinamismo: Permette una risposta flessibile e dinamica alle mutevoli condizioni economiche.
  • Riduzione dei Conflitti Ideologici: Riduce il potenziale per contrasti ideologici fornendo una soluzione più basata su evidenze e dati.
  • Efficienza e Equità: Promuove l’obiettivo di un equilibrio tra efficienza economica e equità sociale.

In conclusione, l’uso della logica fuzzy in contesti complessi come la politica socioeconomica può fornire un quadro per affrontare le sfumature e le complessità che altrimenti verrebbero omesse in un approccio rigido e dicotomico. Rende possibile il superamento delle visioni polarizzate a favore di soluzioni più dettagliate, modulari e potenzialmente più giuste per i problemi socioeconomici.