Judea Pearl, nato nel 1936, è un ingegnere elettrico, informatico e teorico della causalità. Nato a Tel Aviv e attivo a lungo alla University of California, Los Angeles, ha dato contributi decisivi all’intelligenza artificiale probabilistica, alle reti bayesiane e al ragionamento causale.
La sua biografia è importante perché sposta l’intelligenza artificiale da una visione centrata soltanto su regole simboliche e deduzione verso un problema più vicino ai sistemi reali: ragionare con informazione incompleta, osservazioni rumorose, incertezza e interventi.
Reti bayesiane
Le reti bayesiane rappresentano variabili e dipendenze probabilistiche tramite grafi orientati. Permettono di descrivere relazioni condizionali, aggiornare credenze alla luce di nuove osservazioni e costruire procedure di inferenza per contesti in cui non tutto è misurabile direttamente.
Per l’ingegneria dei sistemi intelligenti questo passaggio fu essenziale. Diagnosi, riconoscimento, manutenzione predittiva, supporto alle decisioni e sistemi esperti richiedono di combinare evidenze parziali senza ridurre il mondo a regole certe.
Dal probabile al causale
Il contributo più riconoscibile di Pearl sta nella formalizzazione del ragionamento causale. Una correlazione può aiutare a prevedere, ma non basta per progettare un intervento. Nei sistemi tecnici e scientifici la domanda spesso è diversa: che cosa accade se modifico una variabile, cambio una politica, sostituisco un componente o introduco un controllo?
Pearl ha dato forma matematica a questa distinzione usando grafi causali, modelli strutturali e il calcolo degli interventi. In questo modo concetti come causa, controfattuale e azione diventano oggetti manipolabili, non soltanto parole filosofiche.
Impatto interdisciplinare
La sua influenza supera l’intelligenza artificiale in senso stretto. Statistica, epidemiologia, economia, scienze sociali, robotica e apprendimento automatico usano problemi causali ogni volta che devono distinguere previsione e spiegazione. La lezione è metodologica: un modello utile deve chiarire quali assunzioni sta facendo sul meccanismo che genera i dati.
Grafi causali
I grafi causali permisero di rappresentare ipotesi sui meccanismi che generano i dati. La differenza tra osservare una correlazione e intervenire su una causa diventa così esplicita, discutibile e formalizzabile.
Eredità
Pearl rappresenta l’ingegneria dell’incertezza quando incontra il ragionamento causale. Nel percorso dell’atlante, la sua voce collega probabilità, intelligenza artificiale, grafi e progettazione delle decisioni: non solo calcolare che cosa è probabile, ma capire che cosa può essere cambiato.