Hai mai sentito parlare di Intelligenza Artificiale e Machine Learning? Certo che sì.
E hai un’idea precisa di come potrebbero influire sul tuo lavoro?
Questo post è per tutti quelli che si immaginano una via di mezzo tra un robot umanoide e un computer che gioca a scacchi, e vogliono capirci qualcosa in più.

Il futuro avanza a grandi passi, sappiamo che la parola d’ordine è “vietato restare indietro” ma fino a che non capiamo le implicazioni per il nostro business, non solo non riusciamo a coglierne le opportunità, ma ci fermiamo in preda al timore di capire male, di prendere un cantonata o di farci fregare.

Così è nato questo post, per aiutare a capire e, di conseguenza, scegliere consapevolmente verso dove puntare.

Intelligenza Artificiale e Machine Learning

Entrambi i termini sono composti da parole di utilizzo comune e da qui nasce il primo problema, perché istintivamente ci fermiamo ad una traduzione più o meno letterale.

Quando sentiamo il termine Intelligenza Artificiale (o AI, da Artificial Intelligence) capiamo subito che ha a che fare con i computer, che sono diventati intelligenti come gli umani, al punto che parliamo di intelligenza ‘umana’ da un lato e ‘artificiale’ dall’altro.
Allo stesso modo, quando incontriamo il termine Machine Learning (ML, per brevità) lo traduciamo in qualcosa tipo “apprendimento automatizzato” e istintivamente pensiamo che i computer intelligenti di cui sopra, abbiamo anche imparato ad apprendere in modo autonomo, e via che in un attimo ci troviamo in un film di fantascienza hollywoodiano.

In realtà, il tutto è molto meno fantascientifico di quel che sembra ed è per questo che è bene fare un po’ di chiarezza, perché anche se non sappiamo se, come e quando arriverà il futuro previsto nei film, un presente utilizzabile è già qui e pronto all’uso.

Dimentica l’idea del robot tutto-fare.

Come scrive Benedict Evans nel suo blog “il machine learning ci consente di trovare schemi o strutture in dati impliciti e probabilistici che in precedenza potevano trovare solo le persone, mentre i computer si limitavano allo studio di dati esclusivamente espliciti”.

Una volta serviva un essere umano per dedurre una struttura dietro un insieme di dati, ora riescono a farlo anche i computer, grazie all’aumentata capacità di calcolo.

Per fare un esempio pratico, se davi a un computer un elenco di fatture sotto forma di file, fino a qualche anno fa poteva solo capire che avevano diversi formati (.pdf, .doc, .txt, ecc.). Ora invece possiamo addestrare il PC a capire come dividere i file in due gruppi in base al loro contenuto (fatture di vendita e di acquisto, ad esempio, indipendentemente dal formato del file).

Un po’ come con le persone, ogni addestramento è diverso, non puoi insegnare tutto a tutti, e questo fa sì che il Machine Learning non sia una singola cosa generica, quanto una serie di possibili applicazioni tutte differenti tra loro.

Se scrivi un programma che insegni ad analizzare il contenuto delle fatture, sarà in grado di determinare come organizzarle in base al contenuto, o di segnalarti eventuali anomalie di archiviazione. Questo non vuol dire che si trasformerà in un robottino che ti segue per l’ufficio archiviando tutte le tue scartoffie in men che non si dica (ahimè, aggiungo).

Pensa ad una lavatrice ad uso domestico.

Per riprendere Evans, il cuore del malinteso più comune che emerge nel parlare di questi temi è che, ad ogni nuova ondata di automazione, immaginiamo di creare qualcosa di antropomorfico o con un’intelligenza generale.
Negli anni ’20 e ’30 immaginavamo uomini d’acciaio che giravano per le fabbriche e negli anni ’50 abbiamo immaginato robot umanoidi che girando per la cucina eseguivano tutte le faccende domestiche.
Da quel periodo non abbiamo ottenuto servitori robotici, ma oggi abbiamo, ad esempio, le lavatrici.

Le lavatrici sono robot, ma non sono “intelligenti”.
Non sanno che cos’è l’acqua, o i vestiti.
Inoltre, non sono di uso generale nemmeno nel ristretto settore del lavaggio – non puoi mettere i piatti in lavatrice, né i vestiti in lavastoviglie (o meglio, puoi, ma non otterrai il risultato che speri) . Sono solo un altro tipo di automazione, non concettualmente diversa da un nastro trasportatore, o un macchinario di confezionamento del cibo.

Allo stesso modo, l’apprendimento automatico ci consente di risolvere classi di problemi che prima i computer non potevano affrontare in modo utile, ma ognuno di questi problemi richiederà un’implementazione diversa e dati diversi, un diverso percorso di commercializzazione e spesso una società diversa. Ognuno di loro è un pezzo di automazione. Ognuno di loro è un diverso modello di macchina-lava-qualcosa.

La sfida che dobbiamo vincere

Per poter parlare di IA e ML in modo fruttuoso dobbiamo trovare una via di mezzo tra una spiegazione meccanicistica della matematica (algoritmi, cloud computing, big data, ecc.) da una parte e le generiche fantasie di un futuro a misura di robot dall’altra.

Il miglior modo per vincere questa sfida è parlare di possibili applicazioni pratiche di questi strumenti, per intuire quali potrebbero essere i riflessi nella nostra attività.

Come dice Evans, ragionare sulle possibili lavatrici del futuro, su casi pratici sui quali i nostri competitor più grandi potrebbero stare già investendo, e sui quali noi vorremmo poter investire a breve.

Nuove risposte a vecchie domande.

In estrema sintesi, le applicazioni possibili si dividono in due grandi tipologie: farsi nuove domande e darsi nuove risposte.

Innanzitutto il Machine Learning può rispondere meglio a domande che ci siamo sempre posti, e di cui abbiamo sempre immaginato la risposta, ma non la sapevamo quantificare esattamente. Grazie a tecniche di ottimizzazione, al disegno di modelli predittivi non supervisionati e ad analisi più accurate e complesse di un tempo, possiamo oggi ottenere risposte più precise, o più veloci, alle domande che ci siamo già posti da tempo.

Ad esempio, sappiamo da parecchio che esistono differenti profili di rischio per l’insorgenza di un cancro (genetici, ambientali, comportamentali, ecc.) ma solo di recente gli strumenti di ML hanno permesso di rilevare diverse componenti chiavi in set di dati complessi come quelli legati alla salute umana (qui trovi l’articolo scientifico se vuoi approfondire).

Oppure, più banalmente, le previsioni di traffico del tuo navigatore si basano su sistemi di ML che, analizzando milioni di dati, riescono a darti la versione più probabile di livello di traffico in un dato momento su un dato percorso (leggi qui per altri esempi di vita quotidiana).

Nuove domande, e relative nuove risposte.

L’aspetto più affascinante dell’AI e del Machine Learning è che ti consente di fare nuove domande.

Domande a cui prima non avresti potuto ottenere risposta ora sono possibili, in due modi differenti: tramite nuove ricerche su dati che abbiamo già, oppure tramite nuovi tipi di analisi, aprendo così intere nuove categorie di domande mai fatte prima.

Un esempio importante di quest’ultimo caso sono tutte quelle analisi che rientrano sotto la dicitura “sentiment analysis”, cioè quelle analisi che ti permettono di capire, rispetto a un dato testo, lo stato emotivo della persona che lo ha scritto, se era arrabbiato o contento, soddisfatto o spaventato. Soprattutto in fase iniziale di ricerca, questo tipo di analisi sono state fatte sui social, Twitter in primis, per far apprendere ai computer quali erano i fattori scritti che rispecchiavano lo stato d’animo dello scrivente. Ora questo tipo di analisi può essere applicato a qualunque ambito, anche a un gruppo di mail o di recensioni di un prodotto, per dire.

Un altro esempio dirompente di nuove ricerche possibili è quello delle immagini. Solo recentemente, grazie allo sviluppo dell’Intelligenza Artificiale, i computer sono in grado di “leggere” il contenuto di file audio e video, cioè codificarli in informazioni che comprendono e che quindi possono usare per elaborazioni successive.

Come ci ricorda Evans, fin dagli albori i computer sono stati in grado di elaborare testi e numeri, ma le immagini (e i video) erano opachi, oggetti non  meglio specificati. Ora invece sono in grado di ‘vedere’ nello stesso senso in cui possono ‘leggere’. Ciò significa che i sensori di immagine (e microfoni) diventano un meccanismo di input completamente nuovo, meno una “fotocamera” e più un nuovo sensore potente e flessibile che genera un flusso di dati (potenzialmente) leggibili dalla macchina.

Evans racconta di un’azienda che fornisce sedili all’industria automobilistica, che grazie a un banale chip con installato sopra un banale sensore di immagine (come quello degli smartphone) possono rilevare in modo automatico se c’è una grinza nel tessuto dei sedili.
Più che descriverlo come “intelligenza artificiale”, immaginando risultati fantascientifici, è molto più costruttivo dire che si tratta dell’automazione di un’attività che prima non poteva essere automatizzata; perchè prima ci doveva per forza essere una persona che,  guardando, si metteva alla ricerca di eventuali grinze.

Ecco come possiamo pensare al futuro in modo molto pratico e utile per noi: ci saranno a breve ogni genere di usi simili del ML in strumenti molto piccoli ed economici, che fanno  solo una cosa, come in questo caso.

La metafora del bambino.

Questa modo di vedere l’automazione ci permette di pensare a IA e ML in modo molto più costruttivo: individuare se c’è una grinza nel tessuto non ha bisogno di un essere umano con diverse esperienze e grandi competenze, quanto di fatto di un cervello con una capacità davvero minima.

La metafora più efficace in questo senso, per dirla con le parole di Evans, è quella secondo cui il Machine Learning ci darà infiniti stagisti, o meglio ancora, un infinito numero di bambini di dieci anni.

Così scrive: “cinque anni fa, se davi  a un computer una pila di foto, non poteva fare molto di più che ordinarle per dimensione, per nome, per data, o cose così.

Un bambino di dieci anni poteva dividerle in foto di uomini e di donne, un quindicenne in un’ambientazione insolita e uno stagista poteva selezionarne alcune dicendo ‘questa è davvero interessante’.

Oggi, con il ML, un computer può corrispondere alle capacità di un bambino di dieci anni, o forse a un quindicenne. Potrebbe non arrivare mai al livello di uno stagista. Ma cosa faresti se avessi un milione di quindicenni per esaminare i tuoi dati? Quali chiamate potresti ascoltare, quali immagini guardare e quali trasferimenti di file o pagamenti con carta di credito vorresti controllare?

In altre parole, il Machine Learning non deve necessariamente eguagliare esperti o decenni di esperienza o giudizio. Non stiamo automatizzando gli esperti. Piuttosto, stiamo chiedendo ‘ascolta tutte le telefonate e trova quelli arrabbiati’. ‘Leggi tutte le email e trova quelle ansiose’. ‘Guarda centomila foto e trova le persone fantastiche (o almeno strane)’.
In un certo senso, questo è ciò che l’automazione fa da sempre: Excel non ci ha dato ragionieri artificiali così come Photoshop non ci ha dato designer e grafici artificiali. Piuttosto, abbiamo automatizzato un compito discreto, su vasta scala.

Dove questa metafora si rompe (come fanno tutte le metafore) è nel senso che in alcuni campi, l’apprendimento automatico può non solo trovare cose che anche un bambino può riconoscere, ma trovare cose che gli umani non possono riconoscere, o trovare livelli di pattern, inferenze o implicazioni che nessun essere umano, anche con 50 anni di esperienza, potrebbe riconoscere.
É un po’ come un unico stagista molto molto veloce che si guarda 10 milioni di immagini e dice ‘all’inizio non capivo bene, ma quando ho guardato il terzo milione di immagini, ha iniziato a venire fuori uno schema ricorrente comune a tutte le immagini analizzate che via via acquista sempre più senso: ti interessa sapere qual è?’”

L’unico dubbio, personale, che mi resta sulla metafora del bambino è che può impaurire: noi esseri umani siamo naturalmente abituati a pensare che un bambino è destinato a crescere e che quindi, il computer che ora sa “solo” risolvere compiti all’altezza di un bimbo, o di un adolescente, presto o tardi crescerà e svilupperà nuove competenze in grado di renderlo pari, se non superiore, ad un essere umano adulto e nel pieno delle sue capacità intellettive.

E credo sia questo il lato che spaventa di più, e sui cui tanta filmografia ha fatto presa per fare audience. Ma questa parte non è assolutamente detta: proprio perché i computer non sono essere biologici, naturalmente portati all’evoluzione, il fatto che negli ultimi cent’anni siano passati dal livello di un abaco a quello di un bimbo, non implica necessariamente che diventeranno pari ad un essere umano in tutto e per tutto. Anzi, io ne dubito.

Perciò meglio concentrarci sui lati positivi e su tutte le possibili abilitazioni che questa nuova tecnologia può portare. Il resto non possiamo (ancora) predirlo.

Implicazioni pratiche.

Scendendo nel concreto, nella tua realtà quotidiana, il miglior esercizio che puoi fare è chiederti:

Quali compiti all’interno della tua azienda potresti affidare ad un bambino di 10 anni? E quali a uno stagista alla prima esperienza?

Se sono compiti molto costosi, cioè che richiedono grandi dispendi di soldi, o tempo, o competenze tecniche specifiche, l’Intelligenza Artificiale e il Machine Learning in particolare possono fare al caso tuo, fin da subito.

Se invece, come nella maggior parte delle piccole medie imprese italiane, i compiti standardizzabili sono pochi o poco costosi, allora il mio consiglio è di seguire le grandi aziende che hanno processi simili ai tuoi ma molto più ampi, veloci o ripetuti, e tenere d’occhio le loro innovazioni in questo settore.

Perchè il costo di queste nuove tecnologie è quasi tutto nello sviluppo iniziale per poter entrare in produzione; dopodichè un semplice adattamento per il tuo specifico contesto, unito ad un continuo abbattimento dei prezzi delle componenti hardware, saranno in poco tempo i motivi per abbracciare il Machine learning come una scelta economicamente conveniente anche per te e la tua piccola azienda.

Ora che sei pronto ad affrontare questa nuova eccitante sfida, puoi approfondire l’argomento iniziando da questo post che è una buona lettura di partenza, oppure scrivermi nei commenti o via posta privata la tua idea di innovazione, sarò felice di confrontarmi con te.

Buon lavoro e buon futuro a te!