Decision AI: come l’Intelligenza Artificiale aiuta le aziende a prendere decisioni migliori
Prendere decisioni sta diventando sempre più complesso sia per gli imprenditori che i manager.
Infatti, secondo Gartner, una delle più grandi società di consulenza, il 65% delle decisioni è diventato più complesso rispetto a due anni fa.
La stessa Gartner ritiene che il peso del decision making sia diventato «insostenibile».
E prendere decisioni è una delle attività core di un imprenditore, le cui decisioni danno vero valore all’azienda.
Ora, che cosa fanno adesso gli imprenditori per riuscire a prendere decisioni migliori e più sicure, in un ambiente così caotico e complesso?
Come fanno ad avere piena coscienza che le decisioni siano in qualche modo corrette?
Adottano il cosiddetto approccio data-driven, cioè un approccio che permette di prendere decisioni basandosi sui dati a propria disposizione.
Infatti, dei dati corretti aiutano gli imprenditori e i manager a prendere decisioni corrette.
Ecco, questa è la realtà attuale e, visti gli ultimi trend, la necessità di dati delle aziende non farà altro che aumentare.
Ora, questo tipo di approccio sta portando alla nascita di un nuovo tipo di Intelligenza Artificiale, fatta appositamente per aiutare le persone a prendere decisioni migliori.
Stiamo parlando della cosiddetta Decision AI (che in Italia non abbiamo ancora tradotto precisamente).
E ne parleremo in questo articolo.
Che cos’è la Decision AI?
In passato l’approccio data-driven per prendere decisioni era molto comune, quindi che cosa c’è di diverso nel 2022?
Ad oggi le aziende sono molto più digitalizzate rispetto a qualche anno fa, e hanno raccolto tanti dati su cui basare le proprie decisioni.
Tanto che adesso si parla proprio di Decision AI o Decision Intelligence, cioè una tecnologia che permette di prendere decisioni sfruttando l’Intelligenza Artificiale in ogni reparto aziendale, dalla supply chain al marketing, dalla produzione al post-vendita.
Secondo Gartner, la Decision AI darà un contributo talmente importante che un terzo delle grandi corporate lo implementerà nei prossimi due anni.
Ora, noi la chiamiamo Decision AI, ma per come è stata presentata, ci ricorda molto la Augmented Intelligence, di cui abbiamo parlato in precedenza.
Infatti, la Augmented Intelligence è un tipo di Intelligenza Artificiale che ha come obiettivo fornire suggerimenti all’esperto di dominio per aumentare le prestazioni.
Fornire suggerimenti significa – è giusto specificarlo – che la Decision AI non sostituisce l’esperto di dominio o il manager del reparto.
La Decision AI sostituisce gran parte delle azioni ripetitive e mentali per fornire all’esperto di dominio un recap di dati sui quali prendere decisioni.
Infatti, non stiamo parlando di delegare le decisioni all’Intelligenza Artificiale, ma di supportare l’esperto di dominio nel prendere decisioni più corrette, più veloci e con performance più alte e ottenere un miglior risultato finale.
Un settore che sicuramente sta ottenendo molti risultati grazie alla Decision AI è proprio quello medico.
Abbiamo già parlato in passato di alcuni esempi proprio in questo settore, in particolare di come attraverso l’Intelligenza Artificiale è stato possibile ridurre dell’85% il tasso di errore sulle diagnosi del cancro al seno.
Questo tipo di tecnologia non dà solo un sostegno alle performance prettamente umane, sia chiaro.
La Decision AI può aiutare le aziende a ridurre anche il proprio impatto ambientale – questione a cui l’Intelligenza Artificiale sta già dando il suo contributo riducendo le emissioni di CO2 delle aziende.
Per esempio, una delle più grandi aziende produttrici di beni di consumo ha tagliato ben 142 tonnellate dalle proprie emissioni di CO2.
Di che cosa hanno bisogno le aziende per implementare la Decision AI?
Le aziende hanno bisogno fondamentalmente di 3 cose:
1. Un dataset per l’Intelligenza Artificiale – cioè l’insieme di tutti i dati che servono per addestrare i modelli di Intelligenza Artificiale
2. Un’Intelligenza Artificiale customizzata per il proprio business – reti neurali o altre forme di algoritmi a seconda dei problemi e degli obiettivi dell’azienda
3. Un’interfaccia disponibile a tutti i reparti dell’azienda – affinché le persone non tecniche possano usufruirne
Naturalmente sappiamo che per la maggior parte delle aziende, implementare la Decision AI potrebbe essere piuttosto arduo.
Per questo motivo possiamo aspettarci che nei prossimi due anni ci sarà un picco di richieste da parte delle aziende per team esternalizzati di Intelligenza Artificiale per avere in breve tempo soluzioni customizzate attorno ai bisogni specifici.
La differenza fra affidarsi ad un team esternalizzato rispetto ad uno interno è molto grande.
Affidarsi ad un team esterno significa implementare in tempi rapidi la soluzione, mentre l’alternativa sarebbe quella di creare un team interno con tutte le difficoltà del caso: reperire risorse competenti, dedicare del tempo alle risorse e all’implementazione.
Il consiglio che dà Gartner, infatti, è di implementare la Decision AI il prima possibile e nelle aree più critiche che possono essere migliorate grazie ad un approccio data-driven o all’Intelligenza Artificiale, o dove le decisioni possono essere calate grazie anche all’automazione.
Come possono le aziende istruire l’Intelligenza Artificiale ad aiutarle a prendere decisioni migliori?
Partiamo da un presupposto fondamentale.
L’Intelligenza Artificiale non può essere istruita e non può lavorare senza l’intervento umano.
Questa è la base su cui si fonda qualsiasi progetto di Intelligenza Artificiale.
Ora, l’Intelligenza Artificiale ha bisogno dell’intervento umano durante il training iniziale e sulla raccolta dei feedback finali sulla qualità delle decisioni.
In poche parole, è una reale collaborazione con lo scopo di migliorare le decisioni umane e le performance dell’Intelligenza Artificiale.
E ci sono diverse metodologie per iniziare questa collaborazione.
La metodologia più classica ed immediata a livello intuitivo si basa sui FEEDBACK VALUTATIVI.
In termini semplici, consiste nello spiegare all’Intelligenza Artificiale se l’output è corretto o meno e se i passaggi del ragionamento sono corretti.
È il metodo che usa un insegnante di matematica per analizzare il procedimento risolutivo di un’equazione, in modo da correggere sia il risultato che i passaggi che l’alunno ha compiuto per raggiungerlo.
La seconda metodologia è basata sulla PREFERENZA.
Uno stesso risultato lo si può raggiungere seguendo due metodi diversi, ma l’essere umano riesce comunque a scoprire quale dei due sia il migliore.
Infatti, a volte il ragionamento che l’Intelligenza Artificiale deve seguire non è lineare.
E ogni passaggio “preferenziale” va condiviso con l’algoritmo, il quale deve apprendere perché è stata presa quella decisione anche attraverso un ragionamento diverso rispetto al training iniziale.
Questo perché ci sono dei passaggi che l’algoritmo non vede e non riesce a comprendere in prima battuta.
La terza metodologia è basata sul concetto di OBIETTIVI DI ALTO LIVELLO.
Prima si definisce un obiettivo “complesso” che si vuole raggiungere, mentre l’Intelligenza Artificiale prova a dare una soluzione tramite trial and error – attività di basso livello.
L’algoritmo andrà avanti per tentativi finché non riuscirà a raggiungere l’obiettivo di alto livello.
La quarta metodologia è basata sulle AZIONI UMANE.
Con questa metodologia si propone all’Intelligenza Artificiale di imitare il comportamento umano per raggiungere un obiettivo.
Per esempio, se dobbiamo insegnare ad un personaggio di un videogioco come concludere un livello, si può insegnare all’algoritmo il movimento degli occhi che l’essere umano compie per vincere.
Insomma, l’algoritmo apprende come l’essere umano raggiunge l’obiettivo.
Questo naturalmente implica il fatto che la metodologia che l’Intelligenza Artificiale apprende è quella che l’umano gli trasmette.
Se esistesse una metodologia migliore, l’Intelligenza Artificiale non potrebbe apprenderla.
La quinta metodologia è definita SENZA ETICHETTE.
Con questa metodologia si dà la possibilità all’Intelligenza Artificiale di imparare in autonomia.
Possiamo prendere un esempio che abbiamo già portato in una puntata del podcast, parlando di MuZero, un algoritmo di DeepMind che era riuscito a imparare come vincere a 4 giochi da tavolo attraverso una tecnica molto particolare.
Gli erano stati forniti dei video di partite di questi giochi e analizzando autonomamente i video era riuscito ad imparare le regole e a come vincere.
L’algoritmo si è costruito il suo insieme di regole e, continuando ad apprenderne di nuove, è riuscito ad applicarle ai vari giochi da tavolo.
Attraverso questa metodologia si lascia che l’Intelligenza Artificiale apprenda in autonomia partendo da un dataset creato dall’umano, ma svincolata da alcune regole dettate dai pattern del dataset stesso in fase di creazione.
Ma questa Decision AI è solo un bel nome per definire un concetto già esistente?
Si è parlato per un periodo piuttosto breve di Intuizione Artificiale, finché il mondo non si è accorto (forse) che si trattava di un nome particolare per descrivere l’apprendimento non supervisionato.
Ora, si è parlato del futuro dell’Intelligenza Artificiale nel 2022 e Gartner ci ha tenuto a sottolineare che l’Augmented Intelligence avrebbe avuto un particolare ruolo.
Ora, forse la Decision AI è un modo particolare per descrivere l’Augmented Intelligence?
È qualcosa che rimarrà nel tempo oppure sparirà assieme all’Intuizione Artificiale?
Certamente è un nome che racchiude una modalità operativa evoluta e alle volte c’è necessità di creare nomi particolari per trasmettere un messaggio…
E senza dubbio questi nomi aumentano l’hype soprattutto perché gli si dà un connotato specifico come il machine learning e il deep learning…
Ma la sostanza non cambia.
Al di là del nome, le aziende dovrebbero interessarsi ad un approccio data-driven attraverso l’utilizzo di strumenti e algoritmi evoluti.
Dare un nuovo nome può essere interessante, ma deve tradursi poi in qualcosa di concreto.
In futuro potrebbero emergere delle ricerche e dei modelli ancora più avanzati, e non ci si può basare solo sul fatto di chiamare un oggetto in un modo più divertente o più interessante per il mercato.
