Introduzione

Il machine learning possiede una storia lunga e complessa, che precede di molti decenni l’attuale sviluppo dell’intelligenza artificiale generativa.

Nel corso della sua evoluzione il termine ha assunto significati differenti, accompagnando trasformazioni teoriche e tecnologiche che ne hanno progressivamente ampliato il campo di applicazione.

Questo articolo nasce anche da una riflessione maturata nel corso delle attività del nostro Dottorato di Ricerca. Negli ultimi due anni abbiamo progressivamente sviluppato una certa contrarietà nei confronti di quelle applicazioni del machine learning orientate alla progressiva sostituzione di alcune fondamentali prerogative dell’essere umano.

È importante chiarire sin dall’inizio che tale contrarierà non riguarda il machine learning come disciplina scientifica, né tantomeno il suo impiego nella ricerca musicale. Essa riguarda esclusivamente quelle interpretazioni radicali che attribuiscono alla macchina un ruolo progressivamente sostitutivo della volontà, della responsabilità e della creatività dell’essere umano.

Analoga perplessità suscita quella parte della ricerca contemporanea che tenta di demandare ai sistemi artificiali funzioni tradizionalmente appartenenti alla sfera umana, come il riconoscimento, la simulazione o perfino la generazione delle emozioni, prospettiva frequentemente ricondotta all’ambito dell’affective computing. Pur riconoscendone l’interesse scientifico, riteniamo che tali approcci pongano interrogativi etici e culturali che meritano un’attenta riflessione, soprattutto quando vengono applicati ai processi artistici e musicali.

La posizione qui proposta non si fonda quindi su un rifiuto della tecnologia, bensì sul rifiuto di ogni forma di radicalismo tecnologico che rischi di relegare l’essere umano a un ruolo marginale nel processo creativo.

Al contrario, riteniamo che il machine learning possa rappresentare uno strumento di straordinaria utilità quando venga concepito come supporto alle capacità del compositore, del ricercatore e dell’interprete, senza mai sostituirne le decisioni artistiche.

In questo senso, più che proporre una nuova definizione della disciplina, intendiamo presentare quello che potremmo definire un guided approach to machine learning: una prospettiva metodologica nella quale l’apprendimento automatico rimane costantemente guidato dagli obiettivi, dai valori e dalla volontà dell’essere umano.

Le origini del Machine Learning

Per comprendere questa prospettiva è opportuno tornare alle origini del concetto.

L’espressione machine learning fu introdotta nel 1959 da Arthur Samuel, ricercatore di IBM e tra i pionieri dell’informatica moderna. Samuel sviluppò un programma capace di giocare a dama migliorando progressivamente le proprie prestazioni attraverso l’esperienza, senza che ogni possibile situazione fosse esplicitamente programmata.

L’idea era rivoluzionaria: una macchina poteva apprendere dai dati e modificare il proprio comportamento nel tempo.

È importante osservare come, in quella fase storica, il machine learning avesse ben poco a che vedere con ciò che oggi viene comunemente definito intelligenza artificiale. Le grandi reti neurali, i modelli linguistici, gli algoritmi generativi e gli attuali sistemi conversazionali erano ancora lontani diversi decenni.

Il problema scientifico affrontato da Samuel consisteva soprattutto nello studio dei meccanismi dell’apprendimento automatico e nella possibilità di costruire programmi capaci di migliorare progressivamente le proprie prestazioni.

L’evoluzione del concetto

Durante gli anni Sessanta e Settanta il machine learning si sviluppò principalmente nell’ambito del riconoscimento di pattern, della classificazione automatica e dell’apprendimento statistico.

Negli anni Ottanta e Novanta la disciplina si arricchì con reti neurali artificiali, alberi decisionali, algoritmi genetici, macchine a vettori di supporto e numerose altre metodologie.

Solo negli ultimi quindici anni, grazie all’enorme disponibilità di dati e alla crescente potenza di calcolo, il machine learning è divenuto uno degli strumenti fondamentali dell’intelligenza artificiale contemporanea.

Questa ricostruzione storica mostra chiaramente come il machine learning non coincida con una singola tecnologia né con un’unica filosofia progettuale. Si tratta, piuttosto, di un insieme estremamente articolato di metodologie, suscettibili ancora oggi di interpretazioni profondamente differenti.

È proprio questa pluralità di significati che rende possibile elaborare approcci alternativi rispetto a quelli maggiormente diffusi nel dibattito contemporaneo.

Delega del processo creativo e affective computing

Nel panorama scientifico e artistico contemporaneo, l’applicazione del machine learning alla musica si muove prevalentemente lungo due direttrici che tendono a ridimensionare il ruolo dell’autore.

Da un lato, si assiste alla proliferazione di modelli generativi end-to-end, concepiti per produrre un output musicale finito a partire da un semplice input testuale o da un database di addestramento. In questo scenario, l’intervento umano si riduce spesso alla mera selezione o alla post-produzione di un materiale interamente strutturato dalla macchina.

Dall’altro lato, filoni di ricerca come l’affective computing tentano di formalizzare e mappare la complessa relazione tra strutture sonore ed emozioni umane, delegando agli algoritmi il compito di riconoscere o persino ottimizzare l’impatto emotivo di una composizione. Questo orientamento sottende l’idea che la risposta estetica possa essere interamente quantificata e, di conseguenza, ingegnerizzata.

È precisamente dinanzi a questa tendenza alla delega creativa e alla standardizzazione dei processi emotivi che si avverte l’esigenza di ridefinire i confini operativi della tecnologia nella ricerca musicale.

Un approccio guidato al Machine Learning

La prospettiva che proponiamo nasce proprio da questa consapevolezza. Se il machine learning costituisce una metodologia e non un fine, allora è possibile orientarne l’utilizzo secondo principi differenti.

Nel nostro caso il principio fondamentale consiste nella preservazione della centralità dell’essere umano. La macchina non rappresenta il soggetto del processo creativo, ma uno strumento progettato per ampliare le possibilità operative del compositore, del ricercatore e del musicista.

L’obiettivo non è automatizzare la creatività, bensì assisterla.

Più precisamente, riteniamo che il machine learning possa intervenire efficacemente nella risoluzione di problemi tecnici complessi, lasciando però all’essere umano ogni decisione estetica, artistica e progettuale. In questa prospettiva il rischio principale non consiste nell’utilizzo dell’intelligenza artificiale in quanto tale, bensì nell’eventuale progressiva delega delle decisioni creative alla macchina.

Per questa ragione il nostro interesse è rivolto a sistemi nei quali l’apprendimento automatico operi sempre entro limiti chiaramente definiti dall’autore del progetto, mantenendo la volontà umana quale riferimento costante dell’intero processo creativo.

Un esempio concreto

Questa impostazione trova una prima applicazione nel contesto del nostro dottorato di ricerca.

Il progetto riguarda lo sviluppo di nuove tecniche di sintesi sonora basate sull’integrazione tra wave terrain synthesis e phase distortion. In questo framework, il machine learning non viene impiegato per generare autonomamente materiale musicale né per sostituire il compositore nelle proprie scelte estetiche; al contrario, esso viene utilizzato come strumento di supporto tecnico.

Un esempio significativo riguarda il controllo delle complesse interazioni tra i parametri che regolano la risposta acustica del sistema. In presenza di particolari configurazioni, possono infatti manifestarsi instabilità numeriche o comportamenti indesiderati, gestibili tradizionalmente mediante regole rigide o istruzioni condizionali (if…then).

L’impiego del machine learning consente invece di apprendere, a partire da esempi selezionati dal ricercatore, modalità di comportamento più flessibili, adattando dinamicamente il sistema alle differenti condizioni operative. La scelta finale, gli obiettivi sonori e le decisioni artistiche rimangono interamente nelle mani del compositore.

Il caso di studio descritto risponde a una precisa scelta concettuale: rifiutare l’automazione del processo creativo per favorirne, invece, l’espansione. Mentre l’automazione mira a ridurre al minimo l’intervento umano per massimizzare l’efficienza produttiva della macchina, questa forma di integrazione si propone di potenziare le facoltà operative del musicista. In questo quadro, il machine learning perde qualsiasi pretesa di intenzionalità e si riappropria della sua natura originaria di strumento, i cui compiti si limitano all’ottimizzazione e alla gestione di variabili matematiche complesse o alla prevenzione di criticità strutturali.

È proprio questa, a nostro avviso, la direzione nella quale il machine learning può contribuire in modo più significativo alla ricerca musicale contemporanea, mantenendo la tecnologia al servizio della creatività e non viceversa.