Choose Colour style

C’è una questione che si sta facendo strada in questo momento nel mondo dell’Intelligenza Artificiale.

Se ne sta parlando da qualche tempo, e adesso stanno uscendo degli articoli nuovi sull’argomento (con titoli molto enfatici) quasi ogni giorno…

Perciò è molto probabile che ne sentiremo parlare in futuro.

Si tratta dell’Intuizione Artificiale.

Secondo un articolo di Analytics Insight – testata a cui noi talvolta facciamo riferimento – l’Intelligenza Artificiale sta per giungere alla fine della sua terza era e sta per entrare nella quarta, quella dell’Intuizione Artificiale.

I ricercatori del MIT hanno scoperto che è possibile unire la capacità intuitiva dell’essere umano agli algoritmi dell’Intelligenza Artificiale, da cui deriva il nome Intuizione Artificiale.

Sentire queste parole fa venire in mente di tutto, ma ciò che ci interessa adesso è andare più a fondo del semplice titolone con “Intuizione Artificiale” oppure “nuova era dell’Intelligenza Artificiale”.

Quindi, partiamo con una domanda…

Che cosa sarebbe l’Intuizione Artificiale?

Prima di tutto, bisogna chiarire la differenza fra intuizione e deduzione, termini che spesso si confondono. 

La deduzione è il risultato di un ragionamento, mentre l’intuizione è una forma di conoscenza implicita che non fa uso del ragionamento per giungere ad una conclusione.

Quindi, è un po’ esagerato dire che all’interno di un modello di Intelligenza Artificiale riesca a crearsi una forma di conoscenza implicita.

In realtà questo tipo di logica va avanti da un ramo dell’Intelligenza Artificiale che è l’apprendimento non supervisionato.

Secondo questo apprendimento, gli algoritmi imparano da soli senza avere degli input da parte degli umani.

Gli si fornisce un dataset in cui l’umano non riesce a trovare un pattern o delle relazioni, mentre l’Intelligenza Artificiale riesce a trovarli e a formulare delle ipotesi.

In realtà questo tipo di apprendimento esiste da tempo, ed è una delle linee dell’Intelligenza Artificiale da cui ci si aspetta di più anche verso il futuro.

Da qui potrebbe essere stato estratto il concetto di Intuizione Artificiale…

Invece, dire che ci sono delle informazioni intrinseche che l’Intelligenza Artificiale riesce a recuperare o è già in possesso per dare un risultato che non è presente nel dataset, mi sembra un po’ una soluzione spinta e più legata al marketing.

Riprendendo l’Hype Cycle di Gartner, il termine Intuizione Artificiale sembra nascondere l’algoritmo non supervisionato sotto una promessa gonfiata.

Quello di cui si può essere sicuri è che l’evoluzione dell’Intelligenza Artificiale passerà per gli algoritmi non supervisionati.

Perciò, manteniamo giusto un’auta di dubbio sull’argomento intuizione Artificiale.

Il modello non supervisionato è ottimo se hai grandi quantità di dati molto eterogenei

Questo tipo di modello è controverso, perché si rifà all’idea del modello che impara da sé, va avanti da solo e funziona in maniera quasi autonoma.

Eppure è già applicato in diversi campi all’interno dei business, dell’insutria eccetera.

Insomma, non è il solito Terminator che viene in azienda ed è in grado di muoversi in autonomia…

Stiamo parlando di modelli che non devono essere addestrati perché hanno a che fare con dati talmente vasti che non sarebbe possibile etichettarli.

O magari sarebbe possibile, ma solo impiegando un effort molto molto alto, e quindi alla fine sarebbe come mettere lì le persone a lavorare al posto dell’automa.

Come detto, il sistema non supervisionato si utilizza in tutti quegli ambiti dove ci sono grosse quantità di dati eterogenei, impossibili da etichettare.

Il sistema in automatico trova dei pattern, delle correlazioni e quindi “clusterizza” i dati, cioè li divide in cluster.

Gli esempi dove si possono applicare queste metodolgie sono nell’ambito del marketing, per trovare la segmentazione dei clienti, magari attraverso l’uso dei social, o andando a collezionare dati da più fonti.

Anche in questo caso si possono reperire dati da tantissime fonti e il sistema in automatico cerca di trovare le correlazioni, e quindi di segmentare.

Una volta che i dati sono segmentati, c’è bisogno di qualcuno che interpreti o etichetti i cluster.

Al momento gli esempi che conosciamo vengono dal mondo dei cybercrimini, quindi dal mondo bancario, dove si creano dei sistemi in grado di scovare queste criticità, le frodi, problemi di hacking, eccetera.

Si usa soprattutto perché in questo periodo abbiamo a che fare con un grande numero di transazioni che hanno tempi molto brevi, e quindi l’unico sistema per scovarli è utilizzare dei sistemi automatici che sono impossibili da addestrare.

È impossibile avere un operatore che va ad addestrare il modello, ma il sistema deve in qualche modo, in autonomia, capire quando ci sono delle sequenze di operaizoni che hanno la probabilità più alta di essere delle sequenze fraudolente.

Il sistema poi è in grado di discriminarle e di metterle da qualche parte, ma ci deve essere sempre qualcuno che interpreta ciò che ha fatto la macchina.

Stiamo andando davvero verso la quarta era dell’Intelligenza Artificiale?

Quindi, stiamo davvero andando verso la quarta era dell’Intelligena Artificiale?

In realtà siamo in fase embrionale.

La quarta era è l’era dove ci si aspetta che i sistemi di Intelligenza Artificiale siano un po’ più autonome, precise e riescano ad essere trasportate in diversi domini senza dover ogni volta partire da zero e quindi creare sempre dei modelli nuovi.

Semplificando, dalla quarta era ci si aspetta che le macchine siano più intelligenti.

E il modello non supervisionato può essere visto come un inizio di questa nuova fase, dove magari gli algoritmi di base ci sono già e li conosciamo già da un po’ di anni.

Oggi li stanno applicando perché hanno ancora una volta ci sono i dati, ci sono le macchine, da un lato ci sono i dati e dall’altro ci sono le macchine veloci che possono interpretare in maniera veloce questi dati e dare risultati interessanti.