L’Hype Cycle di Gartner per il 2022: 4 categorie di Intelligenza Artificiale
È uscito l’Hype Cycle di Gartner per il 2022!
Se ci segui da un po’, saprai che Gartner è una società di consulenza che rappresenta un punto di riferimento per l’intero mondo dell’Intelligenza Artificiale.
E il loro Hype Cycle (in italiano “ciclo dell’hype”) è una delle metodologie più conosciute per comprendere il rapporto tra una nuova tecnologia e il mercato.
Si comincia con la salita dell’Innovation Trigger, in cui la tecnologia innovativa comincia ad entrare nel mercato, scatenando i primi “effetti wow”.
Dopo del tempo, la tecnologia raggiunge il Peak of Inflated Expectations, ossia il momento in cui le promesse si scontrano con la realtà.
Immediatamente, la tecnologia inizia a “scivolare” verso la Trough of Disillusionment, dove il mercato comincia a vedere i primi fallimenti e le promesse mancate.
Giunto al picco più basso, la tecnologia inizia una risalita, la Slope of Enlightenment, nel momento in cui il mercato vede con precisione cosa la tecnologia stessa può fare per davvero.
L’Hype Cycle si conclude con il Plateau of Productivity e la tecnologia diventa a tutti gli effetti mainstream e perfettmente integrata nel mercato.
Ora, finita questa spiegazione, perché è fondamentale conoscere l’Hype Cycle e rimanere aggiornati?
Perché l’Intelligenza Artificiale è una tecnologia che si sta integrando nel mercato ad una velocità mai vista prima, tanto da poterci mettere meno di 5 anni per raggiungere il Plateau.
Questo signfica che, una volta uscita una nuova tecnologia, il tempo per investirci in modo tale da ottenere un ritorno è davvero poco.
E se vuoi capire quali sono le tecnologie che entreranno nel mercato nei prossimi 5 anni – e dare un’occhiata tramite gli occhi dello specialista – puoi leggere questo articolo.
Una nuova visione sul mondo dell’Intelligenza Artificiale
L’Hype Cycle di Gartner per l’Intelligenza Artificiale per il 2022 divide questa tecnologia in 5 categorie:
– Data-centric AI o IA incentrata sui dati
– Model-centric AI o IA incentrata sul modello
– Application-centric AI o IA incentrata sulle applicazioni
– Human-centric AI o IA incentrata sull’uomo
Data-centric AI o IA incentrata sui dati
Per migliorare le prestazioni di un sistema di Intelligenza Artificiale, tradizionalmente si modifica il modello.
La data-centric AI rappresenta un approccio che prevede il miglioramento del sistema lavorando sui dati per il training degli algoritmi.
Questo permette alle aziende di aggiungere dati per creare nuove funzionalità e sviluppare i modelli di Intelligenza Artificiale, anche senza avere familiarità con le varie tipologie di modelli esistenti sul mercato.
E allo stesso modo di migliorare la data governance, la qualità dei dati e preservarne l’integrità.
Una delle innovazioni fondamentali della data-centric AI sta nei “dati sintetici“.
I dati sintetici rappresentano una tipologia di dati generati artificialmente, anziché ottenuti tramite osservazioni o misurazioni.
Questa nuova tendenza va incontro a tree problemi fondamentali delle aziende odierne:
1 – La ridotta disponibilità di dati,
2 – L’ utilizzo di informazioni personali,
3 – I costi da affrontare.
In molti casi è facile portare il modello di Intelligenza Artificiale a raggiungere performance discrete, magari con il 60-70% di accuratezza nei risultati.
In più, molto spesso utilizzare informazioni personali all’interno di un data set fa entrare le aziende nell’occhio dei garanti della privacy.
E, come se non bastasse, la raccolta di questi dati rappresenta un costo non indifferente.
Per superare questi risultati e risolvere questi problemi, alle volte è necessario introdurre nuovi dati sintetici nel data set attraverso le cosiddette tecniche di “data augmentation”:
– Metodi statistici, con i quali si creano dati sulla base di caratteristiche più geometriche,
– Approcci semantici,
– Generative Adversarial Network, che creano immagini che “non esistono”,
– Simulazioni per creare data set completamente nuovi.
Come immaginiamo, uno dei problemi da evitare sarà quello dell’overfitting, ossia di aumentare i dati al punto tale che le prestazioni del sistema di Intelligenza Artificiale potrebbero ridursi.
Model-centric AI o IA incentrata sui modelli
A fronte i grandi quantità di dati, utilizzare modelli diversi porta a risultati diversi.
Gartner mette in risalto il fatto che ci sono delle innovazioni che includono i modelli: la physics-informed AI, la causal AI, la composite AI e la generative AI, i foundation models e il deep learning.
Ora, come funziona la Composite AI?
Come abbiamo visto anche sui nostri progetti, nel momento in cui si punta a risolvere un problema con l’Intelligenza Artificiale, si raccolgono i dati, si genera il modello e lo si porta nell’architettura.
Dopodiché, capita che ci sia bisogno di creare nuove funzionalità, poiché le innovazioni portano a nuove necessità – come per esempio un modello di Computer Vision associato ad un modello di Natural Language Processing.
Questa cosiddetta Composite AI – intesa come collaborazione fra modelli per ottenere risultati migliori – diventerà mainstream, secondo le previsioni di Gartner, nei prossimi 2-5 anni.
Questo si tradurrà in importanti cambiamenti:
– Le aziende che non hanno accesso a grandi quantità di dati storici avranno comunque accesso alla potenza dell’Intelligenza Artificiale, basandosi sull’esperienza umana, da cui trarre valore lavorando sui modelli,
– Permette di ampliare le capacità e le applicazioni delle stesse tecnologie (cosa che può avvenire tra un analizzatore di testi in computer vision e un correttore grammaticale di NLP, per esempio)
La Causal AI include diverse tecniche, come i grafici causali e la simulazione.
Questo tipo di Intelligenza Artificiale è utile per scoprire le relazioni causali e migliorare di conseguenza il processo decisionale e viene utilizzato per generare informazioni “sintetiche” quando queste sono mancanti tramite simulazioni.
Non si tratta di dati reali, ma simulano il comportamento del prodotto o del macchinario.
Su questi dati si costruiscono poi delle AI che permettono di modellare i processi o guidare i processi decisionali.
Questo permette di dare uno sguardo al futuro, lavorare molto bene sulle simulazioni.
È una tecnologia che secondo Gartner diventerà mainstream nei prossimi 5-10 anni.
I vantaggi della causal AI includono:
– Partendo da data set piccoli a cui si aggiungono dati simulati, questi si possono integrare ai modelli in maniera più efficiente,
– Avendo la possibilità di simulare o di esplorare dei grafici causali, c’è più obiettività nel risultato dell’AI e nella capacità di prendere o suggerire una decisione,
– Aumento della spiegabilità dell’AI grazie all’acquisizione di relazioni causa-effetto facili da interpretare
– Con le simulazioni si possono osservare situazioni che nel mondo reale non si verificano così frequentemente da creare un data set valido per trovare i limiti dei modelli,
– Riduzione dei bias nei sistemi di intelligenza artificiale che rende più evidenti i collegamenti causali
Application-centric AI
All’interno di questa categoria, due sono le tecnologie che diventeranno mainstream nel breve periodo: la Decision Intelligence (o Decision AI) e la Edge AI.
La Decision Intelligence viene implementata per migliorare il processo decisionale comprendendo e ingegnerizzando i processi decisionali e la valutazione dei risultati tramite feedback.
La Decision Intelligence, in particolare:
– Renderà più sostenibili e resilienti i modelli decisionali in base a rilevanza e trasparenza
– Avendo una “super mente” capace di elaborare iperspazi di dati -tenendo conto dei fattori di incertezza nei business – va da sé che i risultati delle decisioni saranno più prevedibili e precisi.
La Edge AI si riferisce all’uso di tecniche di IA integrate negli endpoint di IoT, gateways e server edge, in applicazioni che vanno dai veicoli autonomi alle streaming analytics.
I vantaggi per l’azienda includono:
– Migliore efficienza operativa, come la produzione di sistemi di visual inspection
– Migliore customer experience
– Riduzione della latenza nel processo decisionale, con l’uso delle local analytics
– Riduzione dei costi di connettività, con meno traffico di dati tra l’edge e il cloud
– Disponibilità persistente della soluzione, indipendentemente dalla connettività di rete
Tutto questo rappresenta un tema molto attuale, soprattutto nel mondo del’industria, dove sempre più spesso si posizionano il motore di calcolo dell’Intelligenza Artificiale a bordo macchina per ottenere applicazioni più veloci e che rispondono in tempi più rapidi.
Human-centric AI
Come riporta Gartner, anche l’Intelligenza Artificiale dovrà avere a che fare con i suoi creatori.
Questo gruppo di innovazioni include AI Trust, Risk and Security Management (TRiSM), AI responsabile, etica digitale, AI maker e kit didattici.
All’interno di questo tipo di AI rientrano tutte le regolamentazioni che stanno emergendo nel mondo, poiché c’è bisogno di definire come verranno costruite le prossime AI e quali regole “regoleranno” le AI.
Noi abbiamo affrontato i temi di bias nel corso del tempo, ma questi bias, al di là di creare problemi nella fase di inferenza o decisionale dell’AI, includono vari aspetti che poi vanno a toccare l’adozione dell’AI stessa: scelte etiche, trasparenza, equità, pregiudizi, spiegabilità, responsabilità, sicurezza, privacy e conformità normativa.
Sono degli aspetti che abbiamo toccato più volte e Gartner non ci passa sopra, mettendo anche in risalto che ci vorranno dai cinque ai dieci anni affinché l’adozione di queste tecnologie diventino realtà e abbia un impatto reale sui business.
Certo, non è una prospettiva confortante – cinque o dieci anni sono un periodo lunghissimo per l’eticizzazione dell’IA -, ma sono tempi relativamente comprensibili.
Bisogna fare accordi, applicare i regolamenti con un ente regolatore, vanno stabilite delle leggi, va modificato il modo con cui si interagisce con l’AI, vanno raccolti i data set in un modo diverso, vanno trainati i modelli e va cambiato il modo di pensare all’AI.
Per ora diamo per scontato che, una volta che l’Intelligenza Artificiale sarà più matura, ci sarà anche un’accelerazione in questo ambito.
Al momento siamo ancora un po’ distanti da ciò che l’Intelligenza Artificiale può fare.
Nel momento in cui ci saranno i primi “wow” sull’Intelligenza Artificiale Generale, avremo anche una grossa spinta dal punto di vista normativo.
