L’adattabilità è stata uno degli obiettivi primari dell’IA sin dal suo inizio ed è ora pervasivamente richiesta non solo nel mondo virtuale ma anche nel mondo fisico. In particolare, l’adattività è legata alla capacità di un’entità di interagire con l’ambiente, di percepirne il contesto e le relative informazioni che cambiano nel tempo ed agire prontamente. In particolare, finora il machine learning è risultato come la principale tecnologia chiave abilitante per progettare sistemi artificiali adattivi. Nonostante la sua onnipresente adozione, ci sono gravi lacune nella nostra comprensione teorica di come i sistemi di apprendimento possano fornire garanzie e come possano essere efficacemente combinate con altri paradigmi di intelligenza artificiale durante la progettazione di sistemi artificiali adattativi.

Le sfide da affrontare includono: i fondamenti della teoria di apprendimento per l’adattività, la comprensione dell’ottimizzazione non convessa per i modelli di deep learning (tenendo conto dell’interazione tra gli aspetti statistici e gli algoritmi del processo formativo), lo studio di strutture ambientali notevoli che possono essere utilizzate per fornire migliori garanzie di adattabilità.