La rivoluzione dell’IA è iniziata (e ne siamo tutti consapevoli)
Negli ultimi anni, il mercato dell’Intelligenza Artificiale (IA) ha mostrato una crescita esponenziale. Secondo un rapporto di Precedence Research, le dimensioni del mercato globale dell’intelligenza artificiale (IA) sono state valutate a 454,12 miliardi USD nel 2022 e si prevede che raggiungeranno circa 2.575,16 miliardi di dollari entro il 2032, progredendo con un tasso di crescita annuo composto (CAGR) del 19% dal 2023 al 2032.
L’IA Generativa sta inoltre mostrando un potenziale significativo nell’aumentare la produttività in vari settori, tra cui lo sviluppo software, le customer operations, la ricerca e sviluppo di prodotti, le vendite e il marketing [1]. L’IA, infatti, può generare nuovi contenuti, automatizzare compiti ripetitivi e fornire soluzioni innovative a problemi complessi. Riconoscendone l’enorme potenziale, i big player in ambito tech sono in accesa competizione nello sviluppo di Large Language Models (LLM), che sono all’avanguardia di questa ondata tecnologica. Questi modelli, caratterizzati dalla loro capacità di comprendere e generare il linguaggio umano, stanno diventando un elemento tecnologico chiave nella trasformazione di diversi settori.
Nel nostro precedente articolo “Intelligenza Artificiale & Business: la tua azienda è pronta per l’IA?” abbiamo presentato un framework per valutare il livello di “AI-readiness” di un’azienda. Assumendo che la vostra azienda sia in linea con questi criteri, quali sono le domande chiave da porsi per procedere all’implementazione di soluzione IA?
Innanzitutto: per cosa può servire davvero l’IA?
Cosa nasconde la buzzword “Intelligenza Artificiale”
L’Intelligenza Artificiale, spesso vista come un campo unitario e omogeneo, in realtà comprende un’ampia gamma di concetti e applicazioni. Al vertice di questa diversità c’è l’Intelligenza Artificiale Generale (AGI), una forma teorica di IA che può comprendere, apprendere e applicare la sua intelligenza in modo ampio e universale, simile alle capacità cognitive umane. D’altra parte, l’IA Ristretta (anche detta Debole) si concentra su compiti specifici e opera entro limiti ben definiti. Oggi, l’IA Ristretta è la forma più comune e diffusa, ma l’avanzamento dei modelli multimodali sta alimentando nuove discussioni e speculazioni sull’eventuale emergere dell’AGI.
Ma come capire quando davvero serve l’IA?
La prima domanda fondamentale da porsi è se il problema richiede una risposta deterministica, precisa e definitiva, o una risposta probabilistica, dove i risultati si basano su probabilità e previsioni. Minimizzare un percorso nella pianificazione delle consegne ai clienti o ottimizzare la programmazione per ridurre le indisponibilità, ad esempio, sono compiti che possono essere completati con algoritmi di ottimizzazione, specialmente quando la variabilità delle alternative è ristretta e segue regole e vincoli predefiniti.
La seconda domanda da porsi è se un approccio statistico potrebbe ugualmente portare a risultati soddisfacenti. Quando il numero di variabili è limitato e le relazioni sono per lo più lineari, l’analisi statistica potrebbe essere un approccio semplice ma efficace. Questo può verificarsi per l’analisi di serie temporali nella previsione della domanda o nei controlli di qualità. Al contrario, quando ci si trova di fronte a una gamma crescente di variabili e le cui interazioni risultano essere progressivamente non lineari, diventa evidente l’indispensabilità dell’IA. L’IA supera i limiti sia di analisi della mente umana sia i vincoli computazionali di metodi tradizionali nell’individuare correlazioni complesse e insights da banche dati consistenti, offrendo efficienza e profondità di analisi.
L’ultima domanda è relativa al tipo di compito da svolgere. Questa domanda è fondamentale nel discernere l’applicazione di IA appropriata. L’IA può essere classificata in due tipi funzionali: predittiva e generativa. L’IA predittiva analizza i dati storici per fare previsioni su eventi futuri, ampiamente utilizzata in applicazioni come la previsione della retention dei clienti nel retail o la previsione della domanda in contesti dove diversi aspetti impattano sulle scelte di acquisto (es: promozioni, product bundling). L’IA generativa, tuttavia, va oltre creando nuovo contenuto, come testo, video, immagini, esemplificata da strumenti come Chat-GPT o DALL-E che genera immagini a partire da descrizioni testuali.
Garantire il cosiddetto “Human In The Loop”
Quando si parla di IA per i processi decisionali, emerge un differente livello di criticità delle applicazioni “machine-driven”, tipicamente su 3 livelli [2]:
- Higher-level decision support: le decisioni sono in primo luogo prese dall’umano, considerando principi di etica, esperienza, bias da eliminare, logica, emozione, competenza e stile personale – Decisions are primarily made by humans
- Augmented machine support: l’IA genera raccomandazione, fornisce analitiche a supporto della mente umana per comprendere e validare le analisi
- Highly automated settings: richiedono di pensare a guardrail ed al coinvolgimento del decisore in casi eccezionali
L’Explainable AI (XAI) cerca di affrontare questa sfida fornendo spiegazioni leggibili e comprensibili sui risultati dei modelli, consentendo agli utenti di comprendere come e perché vengono raggiunte determinate conclusioni in particolare per il primo e secondo tipo di processi decisionali. L’utente comprende la logica su cui si fondano le previsioni e può migliorare la propria base di conoscenza per il processo decisionale o fornire feedback al modello per migliorare i criteri di previsione. Il risultato è un decision-maker “potenziato” che rimane “al posto di comando”, ma con una migliore comprensione delle determinanti. Questo diventa di valore in settori in cui le relazioni tra fattori sono molteplici e complesse da analizzare con tecniche tradizionali come la sanità, le formulazioni chimiche e altro ancora.
Secondo, infatti, un sondaggio condotto da IBM [3] nel 2022, 4 aziende su 5 hanno dichiarato di non poter applicare l’AI su larga scala poiché non in grado di spiegare come l’AI avesse raggiunto una decisione. Tra le barriere di adozione dell’AI troviamo la necessità di evitare bias non intenzionali e di controllare il deterioramento delle performance dei modelli (drifting), la necessità di comprendere meglio l’importanza dei dati di input e di spiegare perché il modello restituisca una certa previsione.
Come Intellico, stiamo esplorando e sviluppando, pertanto, tecniche avanzate di XAI, come Graph Neural Networks (GNNs) per l’IA predittiva e Knowledge Graphs per l’IA generativa, che possono giocare un ruolo chiave nell’aumentare il livello di comprensione dell’umano sui risultati delle predizioni. Le GNNs sono un tipo di reti neurali che sviluppano le soluzioni su una struttura a grafo, rendendole particolarmente efficaci per cogliere e rappresentare relazioni e interconnessioni nelle predizioni. I Knowledge Graphs invece rappresentano un approccio per rappresentare le interconnessioni concettuali tra dati, fornendo uno schema dinamico e omnicomprensivo per generare nuovi contenuti e idee. Questi approcci non solo aumentano la comprensione dei meccanismi sottostanti le predizioni o la generazione di contenuti, ma così facendo aumentano anche la fiducia nell’affidabilità ed accuratezza dei modelli stessi.
Conclusione
L’IA è diventata uno strumento pragmatico che le imprese stanno attivamente sfruttando per un vantaggio competitivo. La chiave per un’integrazione efficace dell’IA risiede nella comprensione della sua natura versatile e della sua capacità di adattamento a vari contesti. In Intellico, abbiamo adottato un approccio mirato nell’accompagnare i nostri clienti in questo percorso, attraverso sessioni di envisioning dedicate. Queste sessioni sono progettate per fornire le basi concettuali necessarie per comprendere la trasformazione in atto e orientare gli sforzi progettuali in modo più consapevole ed efficiente, identificando le aree in cui l’IA può aggiungere il massimo valore in relazione ai problemi specifici da affrontare
[1] The economic potential of generative AI: The next productivity frontier, McKinsey, 2023
[2] AI Isn’t Ready to Make Unsupervised Decisions, HBR 2022
[3] Global AI Adoption Index 2022, IBM 2022
