Intelligenza Artificiale e dati, insieme per risolvere le sfide del futuro

La Redazione
Content Intelligence Network

Play hard with hard AI

 

Ricalcando il “Così fan tutte” mozartiano possiamo azzardare che l’Intelligenza Artificiale (AI) sia «come l’araba fenice, che vi sia ciascun lo dice, dove sia nessun lo sa». Ma cosa indica realmente questo termine ormai sulla bocca di tutti, tra allarmismi catastrofici (perderemo tutti il lavoro!) e possibilità che fantascienza spostati?

A questo e a mille altri interrogativi ha provato a dare una risposta Pietro Perona, professore presso il California Institute of Technology – Caltech e Amazon Fellow, annoverato tra i maggior esperti al mondo di machine learning applicato alla computer vision. Egli, nel corso della sua lectio magistralis all’evento “Attraverso lo specchioAlice nel Paese dell’Intelligenza Artificiale” promosso e organizzato all’Orto Botanico di Padova da beanTech, ha fatto una prima importante distinzione tra Intelligenza Artificiale debole (weak) e forte (hard).

interna_alice_paese_ai

Nello specifico la tecnologia si sta concentrando sull’Hard AI, ovvero su quei sistemi che possono essere autonomi in ambienti molto complessi in quanto si basano su reti neurali, cioè su algoritmi matematici che spingono la macchina a compiere funzioni e fare ragionamenti come una mente umana. Considerando come l’uomo “funzioni” grazie a 100 miliardi di neuroni, non è semplice ma ci sono tecnologie che si avvicinano sempre di più a questo obiettivo.

 

Come funziona l’apprendimento automatico su cui si basa l’AI?

 

Per spiegare il concetto di rete neurale il prof. Perona ha fatto presente come alla base dell’apprendimento automatico che anima i motori di Intelligenza Artificiale vi sia un’operazione di classificazione. L’algoritmo più “semplice” potrebbe essere identificato con il percettrone proposto nel 1958 da Frank Rosenblatt.

Il percettrone lavora con algoritmi per così dire “di base”, ma a più strati questa rete neurale riesce a trattare situazioni sempre più complesse facendosi struttura di calcolo con parametri diversi e per farlo ha bisogno di aver immagazzinato “lots of data”. «Più dati abbiamo per allenare i motori AI» spiega Perona «più il sistema funziona meglio». E la quantità di dati richiesta è mostruosa.

Perona ha portato il caso di BirdsEye, un’app che permette di riconoscere gli uccelli. «Per far lavorare bene il sistema» commenta «ci sono voluti 3 milioni di immagini, quasi 1000 immagini per specie di uccello. Sono serviti quindi 1,5 milioni di click da parte di volontari che hanno identificato i punti chiave delle immagini, indicando dove fosse il becco, gli occhi, le zampe etc. Senza contare l’enorme lavoro effettuato da ornitologi che hanno passato in rassegna le etichette assegnate dai motori AI, correggendole ove fossero sbagliate». Di certo i risultati di riconoscimento sono superiori a quelli che potrebbe fare un essere umano (considerando come esempio una foto sfocata dell’uccello).

Basta pensare ad AlphaGoZero, l’AI che ha imparato a giocare da sola a Go: essa ha generato i dati giocando con una copia di sé stessa memorizzando tutte le possibili mosse vincenti. In meno di un mese è diventata il giocatore più forte in assoluto al mondo, macinando da sola millenni di storia di gioco strategico. Oppure alla Cnn, che è una forma di AI che riconosce i tumori della pelle avendo in archivio migliaia di foto di casi simili: un dermatologo umano non avrebbe mai la possibilità di vedere tutte queste immagini per cui la macchina si fa 100 volte più efficiente.

 

Quali sono le sfide future dell’AI?

 

Per quanto i risultati dell’AI appaiano ora strabilianti, ci sono ancora dei limiti che rappresentano le prossime sfide future. Una di queste, come fa presente il prof. Perona, è quella di rendere le macchine più efficienti a imparare perché non riescono ancora ad astrarre. Per fare un esempio, se noi usiamo Google Translator, il “veni, vidi, vici” cesariano ce lo traduce in quanto la macchina ha avuto modo di ritrovarla nel corpus di testi latini analizzato in precedenza, ma appena cambia in “veni, vidi, vicit” non sa più tradurlo (o meglio lo traduce senza differenze dalla citazione di Cesare) perché il corpus passato in rassegna è molto ristretto e non è stata capace di astrarne il funzionamento (a differenza di altre lingue, di cui dispone di milioni di dati).

I sistemi di AI, infatti, lavorano sulla correlazione: essi deducono che una persona in ospedale a fianco di dottori sia ammalata perché ha già “lavorato” su immagini simili e così pure se noi facciamo vedere ai motori una mucca in montagna riesce a identificarla. Ma appena trasportiamo queste immagini fuori dal loro contesto (per esempio una mucca al mare) i motori non la sanno più riconoscere. Il cervello umano, infatti, non è fatto dal solo riconoscimento di modelli o dalla rapida elaborazione di numeri ma è molto di più e questo rappresenta ancora un gap enorme con l’AI, che si comporta in maniera stereotipata.

È in questa direzione che si sta andando, verso la riproduzione della cognizione umana e studi come la Theory of Mind (analisi di caratteristiche cognitive avanzate) sono molto rilevanti per fornire nuovi spunti a questo schema.

 

L’AI e il Marketing, una combinazione vincente

 

Non c’è dubbio che l’AI possa essere applicata al campo del Marketing (si parla di tecnologie Martech) e le possibilità che si prospettano sono davvero esaltanti: come sottolinea Michele Costabile, ordinario di Marketing alla Luiss e direttore del centro di ricerca X.ITE (è specializzato su comportamenti e tecnologie), può essere utilizzata per studiare il comportamento d’acquisto dei consumatori.

I motori AI, analizzando grandi moli di dati ricavati dalla navigazione degli utenti riescono ad apprendere da essi quali sono le relazioni causa-effetto a fini predittivi consentendo alle aziende di conoscere in anticipo le aspettative dei clienti e quindi di passare all’azione con una campagna di comunicazione mirata che sappia pizzicare le corde giuste del pubblico di riferimento. Queste fasi (raccolta dati, analisi e azione) possono essere demandate all’automazione, con un risparmio incredibile di effort da parte dei team di Marketing.

All’interno del panorama Martech, come riportato dal noto report in forma di infografica realizzato da Scott Brinker, particolare rilevanza sta assumendo la Content Intelligence, ovvero l’Intelligenza Artificiale applicata ai contenuti: l’AI, infatti, aiutando nella comprensione e nella classificazione dei contenuti prodotti dai Brand, li rende “intelligenti”, ovvero recettori di spunti sugli interessi dei clienti che ne fruiscono.

La CI consente di misurare le prestazioni dei contenuti e con i risultati di queste analisi consente di migliorare la profilazione dei consumatori e quindi di consegnare i messaggi giusti alle persone giuste: con la personalizzazione della comunicazione di conseguenza aumentano anche l’engagement e le conversioni. Incredibile vero?

 

 

Vuoi capire meglio come lavora la CI?

Ti consigliamo un approfondimento!

Vai all'articolo