2025: il futuro dell’Intelligenza Artificiale secondo Gartner
È tornata sui giornali Gartner, una delle più importanti società di ricerca tecnologica e consulenza del mondo – nonché vecchia conoscenza del podcast.
Una società talmente influente da riuscire ad introdurre un concetto nuovo, il cosiddetto “ciclo dell’hype” o Hype Cycle, in inglese.
Si tratta di una rappresentazione grafica con cui si descrive il livello di entusiasmo (hype, appunto) che vive il mondo nei confronti di una nuova tecnologia…
E ogni anno Gartner pubblica lo stato dell’entusiasmo nei confronti delle diverse tecnologie di Intelligenza Artificiale.
È un documento piuttosto corposo e, per certi aspetti, anche controverso.
Perciò, nella nuova puntata #78 del podcast, parliamo delle 4 più importanti tendenze dell’Intelligenza Artificiale che si sono stabilite in questo 2021 e che, probabilmente, avranno un’importanza nel 2025.
1. ModelOps – Operativizzare le iniziative di Intelligenza Artificiale
Per la maggior parte delle aziende integrare le soluzioni di Intelligenza Artificiale all’interno delle operazioni e dei flussi di lavoro, è un processo complesso.
Infatti, secondo Gartner, in media ci vogliono circa 8 mesi perché un modello di Intelligenza Artificiale si integri nel flusso di lavoro e dia un valore tangibile.
Possiamo confermare anche noi in quanto esperti che ci possono volere dei mesi, ma influisce molto anche l’approccio della seniority.
Non a caso diciamo sempre che è bene affidarsi a degli esperti che sappiano supportare le aziende al meglio.
In ogni caso, per ridurre i fallimenti di un progetto, secondo Gartner le aziende devono operativizzare con efficienza le loro architetture di Intelligenza Artificiale.
Le aziende, secondo quanto dice Gartner, dovrebbero considerare i ModelOps.
I ModelOps sono una modalità operativa per introdurre l’Intelligenza Artificiale, molto simile a quella che abbiamo riportato nel nostro libro, Intelligenza Artificiale per l’Impresa.
È una modalità che suddivide il processo in 6 step:
Step 1: Raccolta dei dati,
Step 2: Elaborazione in pre-processing dei dati,
Step 3: Implementazione degli algoritmi e training per risolvere un particolare problema,
Step 4: Messa in produzione del modello,
Step 5: Misurazione dell’efficacia, testing e validazione,
Step 6: Retraining del modello con i dati di eccezione.
E poi si ricomincia da capo, facendo ripartire il ciclo e raccogliendo nuovi dati.
Questa è la struttura delle ModelOps che le aziende dovranno implementare, adottando anche nuove metodologie per introdurre queste tecniche.
E secondo Gartner, entro il 2025, il 75% delle aziende avrà operativizzato le architetture di Intelligenza Artificiale grazie anche alla rapida maturazione e sviluppo dell’Intelligenza Artificiale stessa.
2. Composite AI e Generative AI
Le aziende che introducono l’Intelligenza Artificiale, prima evidenziano un caso d’uso o uno specifico problema e poi passano alla raccolta dati e allo sviluppo del modello.
Con l’andare avanti del tempo, è lecito pensare che le aziende che vedono le potenzialità dell’Intelligenza Artificiale inizieranno a voler introdurre sempre più soluzioni.
Di conseguenza, sarà sempre più evidente che ci sono dati, risorse di calcolo e modelli che si sviluppano per rispondere a differenti richieste o necessità dell’azienda.
Gartner prende come esempio il concetto di composite AI, che sarà sempre più frequente come struttura nelle aziende.
Con composite AI si intende un network basato sull’Intelligenza Artificiale con differenti tecniche che lavorano su modelli verticali.
Utilizzando un approccio di condivisione di network, rispetto ai singoli verticali di Intelligenza Artificiale, si otterrà un’efficienza più alta.
Avremo modelli che risolvono automatismi specifici, ma allo stesso modo possono fornire output utilizzati ad un livello di Intelligenza Artificiale superiore.
L’output di specifici algoritmi verrà elaborato da un’altra Intelligenza Artificiale ‘superiore’ per fare analisi di qualunque genere.
Da qui si passa a ipotizzare o generare soluzioni, quella che Gartner evidenzia come generative AI.
Con la generative AI e la composite AI c’è la possibilità di creare contenuti utilizzando diversi tipi di Intelligenza Artificiale che a loro volta forniscono il loro contributo nel loro verticale.
Grazie a questa tecnologia si è potuto creare un farmaco per il disturbo ossessivo compulsivo in meno di 12 mesi, ottimo risultato nel campo farmaceutico.
Seguendo questo trend, Gartner stima che nel 2025 più del 30% dei farmaci e dei materiali saranno scoperti utilizzando queste tecniche di generative AI.
3. Intelligenza Artificiale Responsabile
Questo è un argomento molto chiacchierato – tanto che ne abbiamo parlato anche noi in un articolo sui 9 principi per un’Intelligenza Artificiale etica.
È un argomento fondamentale, in special modo nel momento in cui l’Intelligenza Artificiale guadagnerà terreno e rimpiazzerà o affiancherà gli esseri umani nelle decisioni.
Più sarà predominante la presenza dell’intelligenza Artificiale, più saranno gli impatti positivi e negativi di queste decisioni.
È evidente che se rimane incontrollata, l’Intelligenza Artificiale potrebbe subire dei bias che potrebbero portare dei problemi che si traducono in perdita di produttività e di profitto.
Per esempio, gli algoritmi possono dedurre l’etnia e il genere da dati statistici – come un nome femminile o un codice postale -, perciò i bias impliciti sono più difficili da trovare.
Altro esempio, un data-scientist potrebbe non notare che un numero di click sul sito può essere discriminatorio nei confronti dell’età delle persone.
Questo potrebbe chiaramente portare a dei bias che tendono a favorire le persone con un’età diversa rispetto ad altre persone.
Altro esempio: un’Intelligenza Artificiale potrebbe classificare un matrimonio occidentale, ma potrebbe non saper riconoscere i matrimoni di altre etnie.
Le aziende devono sviluppare sistemi di Intelligenza Artificiale con equità e trasparenza, e prendersi cura, oltre che degli aspetti etici, a sicurezza e la privacy.
4. Small data vs. Big Data
I dati sono il nodo cruciale per chi sviluppa Intelligenze Artificiali.
In questo caso, Gartner fa notare che noi utilizziamo dei dati storici che ci permettono di costruire una predizione del futuro.
Se prendiamo degli esempi dal settore industriale, i dati costanti nel tempo che vengono prodotti sono relativi alla produzione e usati per predire il comportamento delle macchine.
Secondo Gartner, i dati raccolti durante il Covid rappresentano un evento straordinario, perciò non sono più così utili per predire il futuro.
In alcuni settori e ambienti, il cambiamento è stato così massiccio che i modelli non possono più basarsi sui dati storici per avere una predizione precisa.
Naturalmente, i nostri spostamenti in macchina degli ultimi tre anni rappresentano una mole di dati più piccola rispetto ai dati raccolti negli ultimi dieci anni.
Questo ci mette di fronte ad un problema, cioè che le previsioni verso il futuro sono più difficili per l’Intelligenza Artificiale, sia da analizzare che da proporre.
Per risolvere questo problema, Gartner mette in evidenza l’utilizzo di nuove tecniche che stanno emergendo, che vengono definite small data o wide data.
Con gli small data si cerca di dare maggiore valore ed efficienza ad una quantità di dati ridotta, per dare un peso maggiore nella valutazione e nella creazione di modelli predittivi.
Di fatto, invece di avere i Big Data e un’analisi molto precedente nel tempo, si preferisce utilizzare un lasso di tempo minore, cambiando i valori dei dati in fase di creazione del dataset.
Gartner prevede che nel 2025 il 70% delle aziende sarà costretta a spostare il proprio focus dai big data agli small data o wide data.
Questo è un altro trend di cui avevamo già intravisto l’arrivo quando abbiamo parlato di fare i training con il minor numero di risorse.
Per fare un esempio: il less-than-one-shot-learning è una tecnica che permette ad un’intelligenza Artificiale di riconoscere un cane senza averlo mai visto.
