Intelligenza artificiale: il mercato attuale, le tecnologie e gli ambiti applicativi più promettenti per le aziende
Negli ultimi cinque anni si è tornati a parlare di Intelligenza Artificiale (AI) in modo assiduo e non certo per le più fantasiose opere cinematografiche.
Ad accrescere l’interesse delle aziende (sia di chi sviluppa tecnologie sia di che ne fruisce) nonché della stampa internazionale sono stati indubbiamente gli enormi progressi tecnologici che tra aumento della capacità di calcolo (sempre più disponibile con modelli as-a-service in cloud), disponibilità di grandi quantità di dati e strumenti sempre più sofisticati per la loro analisi, hanno accelerato lo sviluppo dell’intelligenza artificiale stessa.
Il tema è molto caldo e, soprattutto negli ultimi due anni, si sono spese molte parole a riguardo. Tuttavia tra le aziende aleggia spesso un velo di confusione e non sempre è chiaro di cosa si stia parlando esattamente. Rimanendo su un piano molto generalista, possiamo inquadrare l’AI come una materia scientifica, una disciplina che studia metodi e strumenti in grado di risolvere problemi o eseguire attività peculiari dell’intelligenza umana.
È abbastanza evidente che si tratta di una descrizione molto ampia che ingloba capacità differenti, dal ragionamento al comportamento, difficilmente confinabili in definizioni e modelli univoci. Ed è forse proprio per questo che non esiste ancora uno standard per definire l’intelligenza artificiale.
Se volessimo provare a comparare le capacità umane con quelle artificiali, dovremmo poter dire che una AI è in grado di:
- agire come un essere umano;
- pensare in modo “umano”, cioè utilizzando funzioni cognitive e ricorrendo alla logica (pensiero razionale);
- risolvere problemi come un uomo, arrivare cioè al risultato sulla base delle informazioni a disposizione.
Tutto sommato, fermandoci a questa prima analisi, potremmo anche arrivare a pensare che l’AI sia ormai giunta alla sua completa maturità, ma non è affatto così.
Un po’ di chiarezza tra AI debole e AI forte, machine e deep learning
Quello su cui c’è sicuramente fermezza e chiarezza è la separazione tra intelligenza artificiale debole e forte:
- AI debole (weak AI): si tratta di sistemi in grado di simulare alcune funzionalità cognitive dell’uomo, in particolare ragionamenti logici per risolvere problemi o prendere decisioni (attività dietro le quali ci sono tecnologie di machine learning);
- AI forte (strong AI): sono sistemi “sapienti” dotati quindi di capacità autonoma di ragionamento e pensiero (funzionalità che “le macchine” raggiungono in modo indipendente dall’uomo grazie alle tecnologie di deep learning).
Questa distinzione è importante perché da essa dipendono le differenze sostanziali tra AI, machine learning e deep learning:
Intelligenza Artificiale
L’intelligenza artificiale è appunto la capacità delle macchine di svolgere alcuni compiti tipici dell’intelligenza umana (pianificazione, comprensione del linguaggio, riconoscimento di immagini e suoni, risoluzione di problemi), distinguibile in AI debole e AI forte.
Machine Learning
Nato come algoritmo per migliorare l’intelligenza artificiale, è il sistema che permette alle macchine di apprendere affinché svolgano un compito o una attività (di intelligenza artificiale, quindi) senza che questa attività venga programmata.
Il Machine Learning è quindi il sistema che “allena” l’intelligenza artificiale a svolgere un compito correggendo, adattando e migliorando tale capacità con l’apprendimento. In altre parole, si tratta di algoritmi che possono imparare dai dati e a fare previsioni mediante i dati, con un certo intreccio con discipline come la statistica e l’analisi predittiva.
A fare la differenza in questi sistemi è il modello di apprendimento degli algoritmi:
- con supervisione didattica: esistono esempi sia di input sia di output e l’algoritmo usa questi dati per apprendere come comportarsi;
- senza supervisione didattica: in questo caso gli algoritmi trovano i propri modelli senza particolari dati di input o output ma “semplicemente” mappando i risultati;
- reinforcement learning: il sistema impara attraverso una sorta di premiazione abbinata ai risultati corretti (quanto più viene premiato tanto più migliora le sue capacità).
Deep Learning
Il Deep Learning è l’ultima frontiera dell’intelligenza artificiale, la parte più evoluta del machine learning (di cui è una sottocategoria) perché ispirato alla struttura e al funzionamento della mente umana. Mentre il machine learning è l’algoritmo che “allena” l’intelligenza artificiale, il deep learning è l’algoritmo che porta l’AI ad emulare la mente umana. Da un punto di vista tecnico, il deep learning richiede l’utilizzo di reti neurali artificiali (deep artificial neural networks), algoritmi e una capacità computazionale tali da replicare il cervello umano.
Si tratta in questo caso di algoritmi ad alta potenza perché il loro modello di apprendimento si basa su differenti strati di calcolo e analisi. Ogni strato utilizza gli input del livello precedente e fornisce output a quello successivo. Questo modello si presta per l’analisi di grandi quantità di dati ed è già oggi in uso, per esempio, per pattern recognition, speech recognition, image recognition e natural language processing.
La combinazione tra le reti neurali (disponibili via cloud), le tecnologie di machine learning e la miriade di dati a disposizione grazie a Internet hanno fatto del deep learning una delle sottocategorie dell’AI più interessanti ed emozionanti. Siamo rimasti tutti molto affascinati quando abbiamo visto DeepMind di Google battere il campione cinese (umano) a Go!
Cognitive systems: il mercato dell’intelligenza artificiale per le aziende
Facendo una media delle stime di crescita del mercato dell’AI Enterprise, cioè destinato a soluzioni per il business, redatti dalle grandi società di analisi (da McKinsey a Frost & Sullivan, EY, Forrester, Idc, Gartner), entro il prossimo decennio gli investimenti delle aziende in tecnologie di intelligenza artificiale passeranno dagli attuali 200 milioni di dollari agli oltre 60 miliardi di dollari.
Quando si parla di intelligenza artificiale nel mondo del business spesso si usa il termine cognitive systems per identificare aspetti tecnologici e funzionalità il cui scopo non è sostituire l’uomo ma aumentarne le capacità, in particolare in 4 aree funzionali (che sono poi gli ambiti dove si stanno sviluppando maggiormente le tecnologie):
- Understand: sistemi tecnologici che si occupano della correlazione di dati ed eventi per il riconoscimento di testi, immagini, tabelle, video, ecc. e dell’analisi necessaria ad estrapolare informazioni utili ai processi decisionali (è indubbiamente l’area dove si registrano già oggi le più elevate prestazioni qualitative);
- Reasoning: sono le cosiddette tecnologie di ragionamento, quelle che permettono di aggregare le informazioni mediante algoritmi che simulano le connessioni neurali del cervello umano, per esempio per prendere decisioni o risolvere problemi complessi (in quest’area ci sono ancora moltissimi margini di miglioramento);
- Learning: qui parliamo degli algoritmi veri e propri, cioè delle tecnologie e dei sistemi che consentiranno in modo sempre più sofisticato ai sistemi cognitivi (intelligenza artificiale) di restituire degli output sempre più efficaci e di qualità rispetto ai dati iniziali;
- Human Machine Interaction: in questo caso parliamo delle tecnologie di comunicazione/relazione basate sul linguaggio naturale che faciliteranno e semplificheranno sempre più l’interazione tra l’uomo e le macchine (come sta avvenendo per esempio con gli assistenti vocali o i chatbot).
Una mappa tecnologica per capire “cosa acquistare”
L’ecosistema tecnologico dell’AI per il mondo delle aziende è già abbastanza ricco, ma i livelli di maturità delle soluzioni sono differenti. Prima di fare investimenti un’azienda dovrebbe perciò capire cosa offre oggi il mercato, quali sono le tecnologie davvero mature e in grado di generare un valore di business e quali invece quelle da tenere d’occhio perché promettenti ma ancora in fase evolutiva.
Raccogliendo diversi studi e analisi (Frost & Sullivan, Harvard Business Review, Stanford University), Callaghan Innovation ha tradotto in una mappa grafica la technology readiness dell’intelligenza artificiale in base sia all’arco temporale di sviluppo sia in funzione del campo operativo, cioè dell’ambito in cui determinate tecnologie possono esprimere al meglio il loro potenziale.
Quello dei veicoli a guida autonoma è forse l’area ormai più nota: l’interesse è cresciuto a dismisura grazie ai droni ma, complici Tesla e Google, ci si è spostati con molta rapidità anche sulle vetture più tradizionali (da Bmw ad Audi, Ford e Toyota) che già oggi inglobano funzionalità di assistenza alla guida che utilizzano algoritmi di intelligenza artificiale.
Chatbot, riconoscimento dei pattern e utilizzo del linguaggio naturale (per esempio attraverso app e servizi come Siri, Cortana e Alexa) sono altre aree dove possiamo dire di aver raggiunto un buon livello di maturità tecnologica.
Tuttavia, è bene non confondere chatbot e assistenti vocali con tecnologie come quelle impiegate negli assistenti virtuali o nei robot di assistenza/supporto sociale. In questo secondo caso l’analisi dei dati, l’autoapprendimento e il riconoscimento e utilizzo del linguaggio naturale non sono sufficienti: servono abilità superiori attinenti più che altro alla sfera emotiva e sociale, campi dove la tecnologia deve ancora maturare.
Guardando al futuro una delle evoluzioni più promettenti, ma che richiederà ancora qualche anno di ricerca e sperimentazione, è quella delle real time emotion analytics: l’intelligenza artificiale in grado di analizzare ed interpretare i segnali del cervello umano attraverso tono della voce o espressioni facciali, riconoscendone quindi le emozioni.
Nell’arco di 2-4 anni avremo a disposizione soluzioni che sposteranno ancora più in alto, in termini di valore, l’asticella della customer experience. Le tecnologie AI-driven saranno il prossimo grande abilitatore e la capacità di anticipare i trend sarà il vero vantaggio competitivo delle aziende.
IQUII S.r.l.
