Lo studio della mente umana e il tentativo di riprodurne il funzionamento mediante calcolatori è stato l’obiettivo di molti studiosi: scienziati, filosofi, ingegneri e sociologi si sono a lungo confrontati su questa affascinate quanto controversa tematica.
Dalla nascita ufficiale, avvenuta nello storico convegno al Dartmouth College nel 1956 per opera dell’informatico statunitense J. McCarthy – vincitore del Premio Turing nel 1971- ad oggi, l’Intelligenza Artificiale, nonostante le iniziali difficoltà, si è affermata in ogni campo lavorativo, subentrando nelle più elementari attività di vita quotidiana, acquisendo il merito di essere tra le tecnologie più importanti del XXI secolo.
È bene però sottolineare che il progresso della robotica e conseguentemente dell’intelligenza artificiale è avvenuto attraverso il compenetrarsi di due diversi piani: il tecnico-ingegneristico e il teorico-filosofico. Il loro sviluppo ha permesso di arrivare alla concezione attuale dell’automa, inteso come androide, che diede negli anni ’50 lo scienziato britannico Alan Turing, oggi universalmente riconosciuto come uno dei pionieri dell’informatica.
Infatti, l’Intelligenza Artificiale può essere definita come “la teoria e lo sviluppo di sistemi informatici in grado di svolgere compiti che normalmente richiedono la presenza dell’uomo, come la percezione visiva, il riconoscimento vocale, il processo decisionale” e nel corso delle ultime decadi ha raggiunto un livello di maturità tale da poter essere utilizzata in maniera pervasiva in vari ambiti: dalla diagnosi in ambito bio-medico alla finanza, dalla consulenza manageriale ai criteri per la selezione del personale.
Abbiamo voluto approfondire i recenti sviluppi e le crescenti capacità computazionali dei sistemi di Intelligenza Artificiale esaminando le potenzialità ed i rischi confrontandoci con Raffaele Miele, Docente del Master in Data Science della Rome Business School che ha affermato:
“L’Intelligenza Artificiale si basa su algoritmi capaci di replicare il comportamento umano e si distinguono in paradigma forte, relativo alle attività cognitive, e in paradigma debole, relativo ad attività specifiche.
L’obiettivo molto ambizioso (relativo al paradigma forte) di creare delle macchine che riuscissero a sostituire completamente gli umani non è stato raggiunto. D’altro canto è innegabile che, sul paradigma debole, siano stati fatti importanti progressi negli approcci pratici che permettono di aiutare e aumentare la capacità dell’uomo su molte attività tecniche. Ad esempio è possibile utilizzare l’IA per l’analisi dei flussi video generati da telecamere per applicazioni di sicurezza: un algoritmo ben costruito può effettuare un controllo piuttosto affidabile su grandi quantità di informazioni e identificare, ad esempio, i momenti in cui una persona sta entrando in un luogo sensibile. In questo caso possiamo certamente affermare che l’automazione basata sull’IA nei luoghi di lavoro ne migliori l’efficienza.”
Attualmente nell’ analizzare i rischi legati all’utilizzo dell’IA si parla spesso di “bias”, ossia di tutte quelle distorsioni, nei risultati prodotti, che derivano da assunzioni errate nel processo di apprendimento. Infatti, l’impiego di un modello di IA con “bias” porta a prendere decisioni “soggette a pregiudizio”.
Le conseguenze possono essere molte. Un esempio tra tanti: un algoritmo di selezione dei candidati ottimali di una grande azienda è stato accantonato perché tendeva a penalizzare sistematicamente le donne per quanto riguarda i lavori nel settore tecnologico.
Le distorsioni possono insinuarsi negli algoritmi in diversi modi: ad esempio per l’introduzione di assunzioni errate nel processo di apprendimento. Naturalmente esistono varie soluzioni per misurare e ridurre le conseguenze negative dei cosiddetti bias e permettere così che l’Intelligenza Artificiale sia “responsabile” nel senso di un suo uso etico e trasparente.
“Per non compromettere un’evoluzione efficace dell’IA è inoltre importante che le decisioni basate sugli algoritmi possano essere spiegabili. Si parla infatti di explainability, ovvero la necessità concreta di capire come e perché il modello sia arrivato ad una determinata scelta o previsione. Questo problema è particolarmente sentito da quando si è diffuso l’utilizzo del Deep Learning – l’apprendimento profondo – in quanto il processo decisionale seguito dagli algoritmi è basato su oggetti molto complessi e difficili da interpretare.”
Per le aziende comprendere il comportamento dei consumatori così come i fattori che influenzano il loro processo decisionale rappresentano un driver fondamentale sul quale basare i modelli di business.
Il comportamento dei consumatori è un fenomeno complesso da osservare che non attiene unicamente al potere di acquisto ma è un combinato disposto di fattori relative all’età, al livello culturale, al sesso e che sono influenzati da gruppi di riferimento, da opinion leader e nella più stretta attualità dai brand ambassador e dai social network.
In questo scenario assume una primaria importanza il machine learning, l’apprendimento automatico, ovvero la capacità delle macchine di apprendere dati senza essere preventivamente programmate e fare delle previsioni.Sotto questo punto di vista i big data e le piattaforme di machine learning sono molto utilizzate dalle imprese per raggiungere i propri obiettivi.
“Il machine learning riguarda tutta quella parte dell’informatica che attiene al paradigma debole dell’intelligenza artificiale e che cerca di aumentare e amplificare la capacità delle persone di seguire dei task. Di fatto sono degli algoritmi che studiano i dati ed estraggono pattern ovvero delle regolarità.”
Tra le diverse applicazioni di intelligenza artificiale l’hybrid cloud è una delle soluzioni che si sta più diffondendo tra le aziende internazionali e pian piano anche nelle italiane. È una combinazione di:
Questo permette di ottenere tutti i benefici del cloud e di garantire standard elevatissimi di sicurezza e protezione dei dati. I vantaggi sono molteplici: un risparmio di costi, l’agilità e la diretta conseguenza di una trasformazione veloce che nel business rappresenta un asset per ottenere un vantaggio competitivo.
“I vantaggi apportati dal cloud ibrido, soprattutto per il business digitale, sono innegabili. Ad esempio se sono proprietario di un sito e-commerce che nel periodo natalizio ha importanti picchi è mio interesse reggere il carico, perché proprio durante quel traffico le mie vendite raggiungono le vette attese. Allo stesso tempo, però, è importante garantire gli standard di protezione del dato necessari. Utilizzando l’hybrid cloud nel periodo di maggiorerichiesta una parte del lavoro si trasferisce su una piattaforma pubblica che permette di scalare e aumentare in tempo reale le risorse e in questo modo di non perdere denaro, mentre i dati sensibili restano su un cloud privato sotto il diretto controllo dell’azienda ”.
“Un professionista dell’intelligenza artificiale spende almeno l’80% del tempo a fare una delle seguenti cose:
studiare i dati e comprendere il problema di Business (se focalizzato sulla costruzione degli algoritmi di IA).
Mettere in produzione i risultati (se focalizzato nella parte di Ingegnerizzazione).
Queste attività richiedono un mix di conoscenze molto diverse tra di loro: competenze statistiche avanzate per il trattamento dei dati, capacità di comprendere problemi di business (ad esempio per fermare un’emorragia di clienti o portare maggiore efficienza nelle proprie campagne di marketing) e capacità informatiche, perché tutti gli algoritmi creati devono essere poi essere rilasciati nei sistemi aziendali. È difficile trovare un unico professionista capace di governare tutti questi saperi: ecco allora che il lavoro di squadra diventa importante. È poi fondamentale studiare, aggiornarsi in modalità lifelong learning, perché il mondo cambia ogni 5 anni e bisogna stare al passo con le trasformazioni. Mi piace ripetere che in quest’epoca un professionista dell’Intelligenza Artificiale deve vedersi, almeno per parte del proprio tempo, come un ricercatore”
La potenza e l’impatto dirompente dell’AI nella società sta modificando anche il mondo del lavoro dove le aziende richiedono sempre nuove applicazioni. Sono innumerevoli le figure professionali emergenti perché negli ultimi 10 anni l’intelligenza artificiale sta trovando applicazione massiva in tutti i settori industriali. Sarà allora importante porre in essere un quadro normativo capace di disciplinare queste tematiche. L’Unione Europea è al lavoro in tal senso. Ad oggi, la sperimentazione avviene maggiormente nelle start-up.
“Mi sento di poter dire che il limite dell’applicabilità in azienda dell’Intelligenza Artificiale è dato solo dalla fantasia. Un esempio: non è più fantascienza dire che è possibile far parlare le macchine del caffè con i consumatori per aumentare il livello di gradimento degli stessi. Per quanto riguarda i nuovi trend, superata la classica attività diapprendimento supervisionato perché leggermente inflazionata, trovo molto importante la capacità di effettuare analisi “non supervisionate” (come l’identificazione delle anomalie) in quanto necessarie in diversi settori. Tra i tanti esempi cito: la sicurezza (fisica e cyber) e diversi contesti dell’IoT (Internet of Things).Parliamo anche di Quantum Computing che è un modo di rivedere il calcolo e che sfrutta le leggi della meccanica quantistica per risolvere problemi troppo complessi per i computer classici. Settori molto amati dai giovanissimi sono rappresentati dal metaverso, dalla tecnologia blockchain, la computer vision e il Natural Language Processing.”
Data Scientist con competenze tecniche e business-acumen. Dieci anni di background accademico (Machine Learning e Statistica) e più di 10 anni di esperienza nella consulenza, l’insegnamento e il Coaching. Diversi anni di esperienza come remote worker. Dalla fine del 2014 ha costruito da zero e guidato un piccolo team di Data Science che gestisce attualmente da remoto. Esperienza professionale nell’applicazione dell’Intelligenza Artificiale in diversi ambiti tra cui: marketing, frodi, sicurezza informatica, previsioni, intelligence, motori di raccomandazione. È titolare della cattedra di Data Mining e Big Data presso l’università Unimercatorum e del corso “Laboratorio basi di dati” presso l’Università Federico II di Napoli.
Ti è piaciuto l’articolo? Se sei appassionato di Intelligenza Artificiale allora potrebbe interessarti il nostro Executive Master in Data Science
