Intelligenza Artificiale

Con queste parole volgeva al termine la storia d’amore tra Theodore Twombly e Samantha, un nuovo sistema operativo, “OS 1“, basato su un’intelligenza artificiale in grado di evolvere, adattandosi alle esigenze dell’utente.

Siamo arrivati ad un punto non lontano da quanto veniva profetizzato da Spike Jonze in Her ormai 9 anni fa.

L’innovazione nel campo dell’intelligenza artificiale sta diventando uno degli argomenti più caldi nell’agenda delle principali imprese tecnologiche del mondo.

Ma qual è il propellente che alimenta questa spinta impetuosa? Senza dubbio la necessità.
Stando alle parole di Arvind Krishna, Senior Vice President di Hybrid Cloud e Direttore di IBM Research, “di fronte a un costante overload di dati, avevamo bisogno di un nuovo tipo di sistema che apprendesse e si adattasse, e ora lo abbiamo con l’IA”. E ancora, “ciò che era ritenuto impossibile alcuni anni fa non solo sta diventando possibile, ma sta diventando molto rapidamente necessario e atteso”.

Il progresso dell’IA non sarebbe stato possibile senza la confluenza di diversi fattori che si sono combinati per creare la giusta equazione. I big data combinati con l’emergere di potenti unità di elaborazione grafica (GPU) e il riemergere di un modello di calcolo vecchio di decenni: il deep learning, ovvero una tecnica di apprendimento di vasti quantitativi di dati ottenuti tramite algoritmi da parte delle macchine.

Verso una nuova equazione per l’intelligenza artificiale

Argomenti:

1. L’equazione per l’innovazione
2. IA, Trend 2022
3. IA, brand e società
4. Executive summary

L’equazione per l’innovazione

Big data, GPU e deep learning.

I nuovi trend vedono l’interazione di questi tre fattori come elemento chiave dell’equazione per l’innovazione dell’IA per cui le variabili precedenti si rinnovano e quelle nuove costituiscono grandi balzi in avanti.

La nuova equazione includerà il deep reasoning, l’avvento degli “small data”, modelli di apprendimento profondo più efficienti, il progresso verso l’apprendimento non supervisionato e, non da ultimo, nuovi hardware.

Un nuovo sviluppo per il deep learning…

“Stiamo osservando che il deep learning ha un nuovo ed enorme impatto, che si tratti della parola o della vista o di qualche problema nell’elaborazione del linguaggio naturale. Questo impatto è destinato a perdurare nel tempo”, John Smith, Manager of Multimedia and Vision presso IBM Research.

Tuttavia, il deep learning deve ancora dimostrare la capacità di aiutare le macchine con il ragionamento. E questa è un’abilità che le reti neurali artificiali dovranno padroneggiare per migliorare molte delle loro applicazioni.

…Il deep reasoning

E qui entra in gioco il deep reasoning.

Il ragionamento è necessario per una serie di compiti cognitivi, tra cui l’uso del buon senso di base, l’affrontare situazioni mutevoli, la pianificazione semplice e il prendere decisioni complesse in una professione. 

Tuttavia i sistemi, in questo momento, “non hanno questa capacità di buon senso”, spiega Aya Soffer, IBM Director of AI and Cognitive Analytics Research.

Alcuni tecnologi sono però ottimisti sulla possibilità di riuscire a vincere la sfida del ragionamento nei prossimi cinque-dieci anni.

E sottolineano come nel deep learning potrebbe trovarsi parte della soluzione che renderà  le macchine più senzienti.

Deep learning, small data e apprendimento non supervisionato

Gli “small data” e l’uso di un apprendimento non più supervisionato saranno i fattori chiave per far evolvere le macchine a livello di sistemi senzienti.

In particolare nello strutturare modelli di deep learning attivi su larga scala  e dedicati a compiti sempre più complessi e diversificati. 

Cosa sono gli small data?

Le reti neurali dei modelli di deep learning richiedono l’esposizione a enormi quantità di dati per apprendere un’attività. Ad esempio, per riconoscere un oggetto, una di queste reti potrebbe richiedere di essere alimentata anche con 15 milioni di immagini, con tutti i problemi legati agli enormi costi economici e di tempo.

E a volte semplicemente non ci sono abbastanza dati disponibili relativi ad un determinato argomento per alimentare un modello particolarmente “affamato”.

I ricercatori stanno concentrando i loro sforzi per addestrare i sistemi a lavorare con insiemi di dati ridotti e sono fiduciosi che troveranno una soluzione praticabile. 

Sarà quindi probabile che la variabile “dati” nella nuova equazione dell’IA si capovolgerà, con piccoli set di dati molto specifici che sorpasseranno la genericità dei big data come driver di innovazione.

E il modello di apprendimento non supervisionato?

Gli attuali modelli di deep learning richiedono set di dati non solo enormi ma anche etichettati in modo che il sistema sappia cosa rappresenta ogni dato.

L’apprendimento supervisionato si basa in gran parte su esseri umani che svolgono questa attività di etichettatura. Un compito laborioso e costoso che rallenta il processo di innovazione, e potrebbe frustrare le aspettative nei confronti di sistemi evoluti.

D’altro canto, l’apprendimento non supervisionato consentirebbe di utilizzare dati grezzi e senza etichetta per addestrare un sistema con uno sforzo umano minimo o nullo. “Nell’apprendimento non supervisionato, il sistema interagisce semplicemente con il mondo. Può solo vedere cosa c’è là fuori e impara da quello”, afferma Murray Campbell della AI Foundation di  IBM Research.

Nuovi algoritmi e hardware

In questo quadro algoritmi e hardware si muoveranno sempre più sinergicamente.

“L’hardware da solo non può battere la complessità computazionale. Sarà necessario avere una combinazione tra il miglioramento algoritmico e lo sviluppo hardware”. 

Costas Bekas Blog Author dell’IBM Research Blog 

L’obiettivo di lungo termine è la creazione di un tipo di pensiero completamente nuovo. E anche se questo potrebbe non accadere nella prossima ondata di innovazione, rimane senza dubbio nei sogni più prossimi dei thought leader di settore.

Intelligenza Artificiale, Trend 2022

Per introdurre questa sezione, ecco qualche numero che rivela le assolute potenzialità del mercato.

• Secondo Statista, il revenue del mercato mondiale del software AI dovrebbe raggiungere i 126 mld USD entro il 2025.

• Secondo Gartner, il 37% delle imprese ha implementato l’IA in un qualche modo. E la percentuale di imprese che impiegano l’IA è cresciuta del 270% negli ultimi quattro anni.

• Secondo Servion Global Solutions, entro il 2025, il 95% delle interazioni con i clienti sarà alimentato dall’intelligenza artificiale.

• Un rapporto del 2020 di Statista rivela infine che il mercato globale del software IA dovrebbe crescere di circa il 54% su base annua fino al 2025.

Umanità e macchine: un confine sempre più sottile

Øyvind Forsbak (Forbes Council Member e co-fondatore di Orient Software) ha individuato 6 macro trend correlati a questa tecnologia che si sta facendo sempre più strada nella nostra vita quotidiana, e che renderà sempre più labile il confine tra umanità e macchine.

1) I grandi modelli linguistici nell’intelligenza artificiale

L’utilizzo del linguaggio è uno dei principali generatori di intelligenza.

E il primo macro trend riguarda la sfera attinente lo sviluppo dei grandi modelli linguistici o il “cervello” della comprensione del linguaggio da parte delle macchine.

Questi modelli si basano sulle modalità di apprendimento (come abbiamo visto supervisionato e non supervisionato) e determinano in quale modo sono correlati tra loro frasi e paragrafi. 

Nel prossimo futuro l’IA potrà elaborare e generare interazioni più simili a quelle umane utilizzando tecniche semantiche che migliorano la qualità dei suoi risultati.

2) Elaborazione del linguaggio naturale

L’elaborazione del linguaggio naturale (NLP) è “la capacità di un computer di comprendere il significato del testo o del parlato” e ha già rivoluzionato il modo in cui gli esseri umani interagiscono con le macchine. Ciò è evidente nell’uso diffuso di assistenti IA come Siri, Alexa e Cortana. 

Queste tecnologie possono capire cosa dicono le persone, agire in base a tali informazioni in modo appropriato e rispondere di conseguenza. Tuttavia, la NLP si estende ben oltre la chiarezza comunicativa con gli utenti; è infatti molto utile anche nell’ottica delle operazioni di business in azienda.

3) Intelligenza Artificiale generativa

L’IA generativa si concentra sulla generazione di contenuti come la scrittura di un testo, la generazione di immagini, la generazione di testo in immagini e la creazione di musica. 

Secondo la società di ricerche Gartner, l’IA generativa è una tendenza tecnologica strategica per il 2022. Può essere utilizzata per diversi scopi, incluse l’arte, la generazione di contenuti per i media, creatività personale o l’istruzione.

4) Reinforcement learning

Il reinforcement learning è quella branca del machine learning per cui i data scientist si concentrano sul processo decisionale delle reti neurali artificiali e sulla loro formazione “reward-based”.

In poche parole, questo modello imita il modo in cui impariamo noi umani: non sempre otteniamo risultati positivi immediati, commettiamo errori e, attraverso un processo di tentativi ed errori, raggiungiamo infine i nostri obiettivi.

Il reinforcement learning è ampiamente utilizzato nella robotica, nei giochi, nella data science e nel trading finanziario. Di sicuro è una delle tendenze più interessanti dell’IA di oggi e del prossimo futuro.

5) Multimodal learning

Altra branca del machine learning, il multimodal learning consiste nell‘apprendimento automatico da parte delle reti neurali artificiali a partire da input sensoriali come immagini, testi, voce, suoni e video.

Ad esempio, i sistemi multimodali possono apprendere contemporaneamente da immagini e testi e così facendo comprendono meglio le idee.

Allo stesso modo questi sistemi possono lavorare con dati provenienti  da differenti fonti come le elaborazioni vocali e linguistiche, ottenendo risultati ancor più accurati.

Utilizzando più forme di input, i sistemi modali possono raggiungere una visione completa di oggetti ed eventi.

Questa la quinta tendenza che sta plasmando il presente e certamente il prossimo futuro dell’IA.

6) Una machine learning senza bias?

Man mano che gli algoritmi dell’IA diventano più diffusi nel mondo degli affari, maggiore è il controllo a cui vengono sottoposti.

Molti temono che questi sistemi possano perpetuare e persino peggiorare problemi di bias o pregiudizi storici come razzismo, sessismo e bigottismo.

Per questo motivo, aziende e data scientist sono al lavoro per eliminarli, riducendo la distorsione negli algoritmi attraverso il controllo e la regolazione degli input, ove possibile. 

Intelligenza Artificiale, brand e società

In tutti e 3 i casi l’IA può davvero fare la differenza.

Aiuta le imprese a ottimizzare il proprio budget in funzione del ROI. 

Sta già plasmando il futuro della pubblicità, influenzando il modo in cui interagiscono brand e consumatori.

E dà il suo contributo nella razionalizzazione di questioni complesse come lo smaltimento dei rifiuti.

Un tratto comune tra tutti i casi che riportiamo?

Maggiore è la capacità di apprendimento da parte delle macchine, maggiore è l’efficienza dell’impresa.

Toyota Prius e IA

Toyota si è rivolta a IBM Watson Advertising con l’obiettivo di sensibilizzare gli intenditori di automobili moderne sulle tematiche ambientali.

Watson ha proposto Conversations, una soluzione advertising potenziata dall’IA che consente di avere conversazioni intelligenti e personalizzate con i consumatori, performate da interlocutori non umani.

Il media planning ha previsto banner dinamici sull’app di Weather Channel che hanno ingaggiato gli utenti in conversazioni con l’IA. 

Le due aziende hanno collaborato ai primi annunci cognitivi dell’industria automobilistica. 

Watson ha alimentato Conversations con le info di prodotto di Toyota e con le FAQ riguardo i veicoli. Ha quindi utilizzato l’elaborazione del linguaggio naturale per consentire all’IA un dialogo 1:1 con gli utenti.

Incrementare le visite nei Best Western con l’IA

La catena americana di hotel Best Western voleva raggiungere e coinvolgere gli utenti nella fase in cui pianificano attivamente il viaggio per il week end e le festività di punta. 

Attraverso Conversations, Watson e Best Western hanno lanciato i primi annunci basati sull’IA per il settore Hospitality.

Similmente a quanto fatto con Toyota, Conversations è stata alimentata con le info del servizio offerto dal brand, e ha utilizzato l’elaborazione del linguaggio naturale per consentire il dialogo 1:1. 

E anche il questo caso il media planning ha previsto banner dinamici sul sito weather.com e sulla Weather Channel app. 

Risultato? Consigli di viaggio personalizzati e unicI per ciascun utente.

L’IA invita i millennial a colazione

Generare entusiasmo ed awareness attorno alle offerte speciali e limitate di McCafè, aumentare l’engagement, spingere i consumatori in-store e misurare le visite: questi sono gli obiettivi per cui McDonald’s si è rivolta a Watson.

Per raggiungerli, McDonald’s ha utilizzato banner con sfondi brandizzati ad alto impatto e foto native che si  integrassero nel flusso continuo dell’app mobile The Weather Channel.

Sfruttando la geolocalizzazione dei first party data (si veda Questioni di Privacy), il brand è stato in grado di raggiungere i millennial che sono soliti fare colazione fuori attraverso l’attività di targeting e ha esteso gli annunci alle donne di età compresa tra i 18 e i 49 anni.

L’IA risponde al telefono dei coiffeur

A marzo di quest’anno, in Corea del Sud è stato creato un servizio di assistenza alle chiamate basato sull’IA per aiutare piccoli saloni di parrucchieri e barbieri.

La società di telecomunicazioni locale KT (Korean Telecom) ha collaborato con un un ampio gruppo di parrucchieri per distribuire il servizio a 10.000 negozi del settore entro la fine di quest’anno.

L’assistente alle chiamate può gestire le richieste relative ai clienti, le prenotazioni in arrivo e rispondere alle chiamate quando il negozio è chiuso. 

IA e smistamento dei rifiuti 

Il Perfect Sorting Consortium è un progetto, nato da qualche anno (2018), che svilupperà un modello decisionale fondato sull’IA per selezionare i rifiuti post-consumo.

Il progetto è stato lanciato nel centro olandese test e ricerca NTCP (National Test Center Circular Plastics), in collaborazione con imprese e istituzioni come Colgate-Palmolive, LVMH Recherche, Procter & Gamble e l’Università di Ghent in Belgio.

Il modello utilizzerà l’i