Questo sito web utilizza cookie tecnici e, previo Suo consenso, cookie di profilazione, nostri e di terze parti. Chiudendo questo banner, scorrendo questa pagina o cliccando qualunque suo elemento acconsente all'uso dei cookie. Leggi la nostra Cookie Policy per esteso.OK

data science

Intelligenza artificiale, il futuro è nei nostri dati (e nel nostro passato)

Creare valore dai dati è uno degli obiettivi dell’intelligenza artificiale: che sia per venderci pannolini o per curare il cancro poco importa. L’importante è essere consapevoli che stiamo entrando in una nuova era dove predire il futuro grazie ai nostri dati sarà pratica comune. Occorre però capire come il tutto funziona

21 Ago 2019

Andrea Benedetti

Data strategist, Microsoft Italia

3D illustration. Artificial intelligence connections and nucleus in concept of interconnected neurons. Abstract background with binary numbers neural network and cloud computing.

Dalla previsione di una gravidanza a fini di marketing fino alla prevenzione del cancro al seno. L’intelligenza artificiale sta avendo e avrà sempre di più un impatto di enorme rilievo praticamente in ogni settore produttivo.

E’ per questo che oggi, capire come gli algoritmi stiano modificando il nostro mondo diventa assolutamente necessario.

Un algoritmo mi svela che sarò nonno

Partiamo da  questa storia,  ben raccontata dal New York Times nel 2012. Ci troviamo a Minneapolis, la città principale dello Stato del Minnesota negli USA: un uomo scopre che starà per diventare nonno dalla cassetta della posta riempita di pubblicità di pannolini e prodotti per neonati a nome della figlia (ancora studente delle scuole superiori).

Quanto recapitato all’uomo è semplicemente il risultato di una (all’apparenza) banale domanda che due persone dell’ufficio marketing di una famosa catena di vendita al dettaglio fecero ad Andrew Pole, uno statistico programmatore assunto da poco: “possiamo essere in grado di capire se una donna aspetta un bambino, anche se lei non vuole dircelo?”

Effettivamente, il futuro nonno di cui sopra, rimase certamente sconvolto dall’apparente scoperta tanto da andare due volte presso gli uffici della catena di distribuzione: la prima per fare le proprie rimostranze rispetto al materiale pubblicitario ricevuto – certamente sbagliato; la seconda per scusarsi e per informarli che, effettivamente, sarebbe diventato nonno tra diversi mesi.

Si tratta di un caso certamente curioso, che fece sia scalpore sia scuola, ma perfettamente in grado di far comprendere come un’analisi accurata dei dati possa mettere nella condizione di predire fatti di interesse.

Oppure, in questo caso, di dimostrare come un’azienda possa essere in grado di conoscere la vita di un’adolescente meglio di suo padre.

La pubblicità ricevuta nella cassetta era semplicemente una proposta di prodotti che la catena riteneva più adatti alla ragazza, futura giovane mamma.

Creare valore dai dati

Il concetto che sta dietro a questo lavoro, che poi può essere assimilato all’idea di “data science”, è veramente semplice: dai dati disponibili si cerca di creare valore.

L’obiettivo di Pole era solamente quello di provare a decifrare le abitudini dei consumatori della catena e, di conseguenza, aumentare le vendite attraverso un approccio totalmente personalizzato, quasi fosse un sarto in grado di realizzare un vestito su misura per ogni cliente.

Senza farlo esplicitamente, abbiamo iniziato a parlare (in maniera sottintesa) di algoritmi, machine learning, deep learning e intelligenza artificiale dove, queste ultime due parole, abbracciano un concetto molto ampio che si riferisce alla capacità che possono avere i computer di simulare l’intelletto umano, imitandone le funzioni cognitive.

Una terminologia che reputo spesso fuorviante perché, in prima istanza, potrebbe indurre a pensare che i computer siano in grado di:

  • ragionare (la facoltà di pensare, mettendo in rapporto i concetti e le loro enunciazioni)
  • avere consapevolezza (consapére, con + sapere: sapere insieme con altri; aver notizia precisa di una cosa),
  • avere empatia (in psicologia, in generale, la capacità di comprendere lo stato d’animo e la situazione emotiva di un’altra persona, in modo immediato, prevalentemente senza ricorso alla comunicazione verbale).

Una terminologia che nasce nel 1950 quando Alan Turing, una delle figure più influenti dell’informatica teorica – padre della formalizzazione del concetto di algoritmo, si domandò se le macchine sarebbero state, prima o poi, in grado di pensare.

Lo studio del machine learning arriva da qui, dalla voglia di consentire alle macchine di poter apprendere in maniera automatica: è l’algoritmo che impara da solo a identificare delle relazioni di interesse nei dati analizzati.

Qualche definizione per comprendere meglio

Forse, potrebbe essere utile fermarsi un attimo e ragionare insieme sulle definizioni di tutte le terminologie alle quali stiamo girando intorno:

Algoritmo: insieme di regole che definiscono, con precisione, una serie di operazioni in sequenza. Come riporta Wikipedia: procedimento che risolve un determinato problema attraverso un numero finito di passi elementari, chiari e non ambigui, in un tempo ragionevole

Machine Learning: apprendimento automatico – algoritmi in grado di ricevere dati e di apprendere da soli, trovando schemi e associazioni di interesse

Reti Neurali: modelli di calcolo basati su un modello semplificato del cervello umano, simulando il funzionamento delle reti neurali biologiche, ovverosia modelli costituiti da interconnessioni di informazioni. Un insieme di unità riceve input, esegue calcoli trasferiti al successivo livello di unità. Il livello finale è la risposta dell’algoritmo

Deep Learning: apprendimento profondo – reti neurali profonde, ci si riferisce ai molti strati di unità che sono coinvolti nell’algoritmo

Algoritmi e previsione dei bisogni

Proprio con un algoritmo, attraverso un’attenta analisi dei dati e tramite tecniche di previsione delle correlazioni (precedentemente ignote), Andrew Pole riuscì a identificare un paniere di 24 prodotti che, in base alla frequenza di acquisto, permise di individuare le specifiche fasi della gravidanza delle clienti.

Per semplificare molto il ragionamento: se una donna iniziava a comprare un prodotto X e poi un prodotto Y dopo Z settimane dal primo acquisto, poteva potenzialmente essere una futura mamma.

Questo è uno scenario che, fino a dieci o quindici anni fa, poteva essere solo immaginato in qualche film o in qualche libro futuristico, mentre oggi, grazie alla “consumer analytics”, la scienza dei dati applicata al comportamento dei clienti, è diventata una costante a cui facciamo sempre meno caso (io, ad esempio, non ho nemmeno idea del numero preciso di carte fedeltà che ho sottoscritto).

L’analisi dei dati, delle nostre abitudini, delle nostre scelte, permette agli algoritmi di predire i nostri bisogni (anche in questo momento, mentre sto scrivendo, un’app sul mio pc mi sta facendo ascoltare delle canzoni che – sulla base dei miei precedenti ascolti e, in generale, della “profilazione” che hanno realizzato su di me – mi possono piacere).

Non solo questione di marketing

Naturalmente, ma immagino sia chiaro a tutti, ridurre il tema che stiamo trattando a una mera questione di marketing è alquanto riduttivo.

Già oggi, proprio questi stessi algoritmi, sono in grado di aiutare l’Istituto Oncologico Veneto nella valutazione della densità di tessuto mammario nello screening del cancro al seno. Un’analisi potenzialmente utile a milioni di persone, che va oltre i limiti della mammografia tradizionale.

L’intelligenza artificiale, in questi scenari, ha il ruolo di coadiuvare il lavoro del personale sanitario in ogni suo aspetto, fornendo agli operatori una “intelligenza aumentata”, permettendo loro di elaborare una maggiore quantità di informazioni di importanza critica con maggiore precisione e in un tempo più breve di quanto potesse essere fatto prima.

Secondo uno studio di ReportLinker del dicembre 2018, l’intelligenza artificiale in ambito sanitario crescerà da 2,1 a 36,1 miliardi di dollari entro il 2025.

I vantaggi dell’intelligenza artificiale

Questa crescita così importante, che si sta già avendo da qualche anno – altrettanto visibile nella manifattura, nell’agricoltura e praticamente in ogni altro settore produttivo, deriva esclusivamente dal fatto che l’intelligenza artificiale e il machine learning hanno, senza alcun dubbio, un grande numero di vantaggi.

Due in particolare:

  • sono in grado di trovare correlazioni tra i dati spesso troppo complesse per noi umani
  • la velocità con cui possono essere eseguiti i compiti assegnati non è paragonabile a quella umana.

La velocità, soprattutto, si rivela essere spesso la carta vincente.

Nel 2016, quando gli scienziati del Center for Inference and Dynamics of Infectious Diseases si trovarono a dover prevedere l’evoluzione dell’epidemia del virus Zika in America Latina, fu proprio la rapidità degli algoritmi a permettere la creazione di mappe senza le quali le analisi dei modelli di trasmissione della malattia sarebbero state destinate a fallire miseramente.

Si pensi, poi, alle nuove capacità cognitive ottenute dalle macchine che hanno azzerato il problema di poter ottenere, in maniera automatica da un computer, la descrizione dell’informazione presente in un’immagine (attività che richiede la localizzazione e il riconoscimento di oggetti significativi per l’uomo).

Siamo di fronte a un impatto di portata storica nella vita quotidiana di ognuno: competenze percettive quali localizzare un oggetto in una scena, riconoscere la voce in ordinarie condizioni reali, prendere decisioni basate sul “senso comune” sono “funzionalità” che diamo ormai per scontate nei computer e nelle app di ultima generazione.

Essere pienamente consapevoli che stiamo entrando in una nuova era (qualcuno ha detto “quarta rivoluzione industriale”?) dove provare a guardare e predire il futuro sarà sempre più una pratica comune.

Gli algoritmi che, riformulando la definizione data sopra, altro non sono che “opinions embedded in mathematics” incorporano due tipi di preconcetti che devono diventare due importanti punti di attenzione:

  • pregiudizi degli algoritmi (intelligenza artificiale imparziale: se li faccio apprendere da set di dati non realmente rappresentativi non riuscirò ad avere sistemi imparziali)
  • algoritmi ingiusti (analizzando fenomeni sociali attraverso enormi moli di dati oggi disponibili, potrebbero “apprendere” anche eventuali ingiustizie).

Mi rendo perfettamente conto di vivere in un mondo scandito quasi in ogni momento da dati, algoritmi e previsioni.

Ma, per quello che posso vedere, poche persone hanno realmente la voglia di capire come funziona il tutto.

Ancora una volta, sostengo che la ricetta migliore sia la cultura: studiare, fare alfabetizzazione, parlarne, discuterne.

Soprattutto per avere chiara la direzione da prendere.

Per approfondire il tema dell’adozione nel nostro Paese, suggerisco questo report gratuito.

@RIPRODUZIONE RISERVATA

Articolo 1 di 3