AI for Business: i fondamenti dell'IA

L'intelligenza artificiale (IA) è pronta a trasformare il nostro modo di vivere e lavorare. La serie AI for Business mira a fornire ai leader aziendali e IT gli strumenti e le conoscenze necessarie per prendere decisioni più intelligenti sull'IA. 

Una volta, l'autore di fantascienza Arthur C. Clarke espresse una famosa considerazione: "Ogni tecnologia sufficientemente avanzata è indistinguibile dalla magia" e ben pochi progressi hanno dimostrato questa massima meglio dei recenti strumenti di IA generativa come Dall-E e ChatGPT. Oltre alla capacità di "creare" un lavoro originale, apparentemente dal nulla, gli strumenti basati sull'IA sono destinati a rivoluzionare interi settori in un futuro non troppo lontano, quindi non è un argomento che i leader aziendali possono permettersi di ignorare.

Tuttavia, come per le precedenti parole d'ordine del giorno (addio metaverso, ti conoscevamo appena), le discussioni sull'IA possono essere accompagnate da un eccessivo livello di entusiasmo, che rende difficile distinguere tra ciò che è banale e ciò che è davvero trasformativo. 

In questo articolo ci proponiamo di demistificare l'IA e di stabilire una comprensione fondamentale della tecnologia per aiutare i leader aziendali a separare i fatti dalle mode. Per farlo, ci siamo rivolti a Michael Littman, autore e professore di informatica alla Brown University e direttore della Division of Information and Intelligent Systems della National Science Foundation. Il suo libro Code to Joy: Why Everyone Should Learn a Little Programming sarà pubblicato in autunno. 

Secondo Littman, una cosa da tenere a mente sull'IA è che si tratta di un ottimo strumento, ma di una soluzione insufficiente per i problemi aziendali. "Non è esatto che il lavoro diventerà più facile. Semplicemente, si sarà in grado di fare molto di più lavorando con questo potente strumento. Credo che tante persone lo dimentichino. Pensano che basti semplicemente avviare lo strumento affinché faccia tutto il lavoro, ma al momento non è dimostrato che sia davvero così".

I diversi livelli dell'IA

Quando si tratta di comprendere l'intelligenza artificiale, una delle prime grandi sfide si trova nel nome stesso. "Intelligenza" può essere un termine un po' eccessivo, poiché è una caratteristica associata principalmente alla coscienza e agli esseri umani. Tuttavia, qualsiasi studioso di storia o di reality può testimoniare che la "vita intelligente" non sempre si traduce in risultati intelligenti, quindi è utile iniziare definendo alcuni termini chiave associati all'IA. 

• Intelligenza: in relazione all'IA, l'Università di Stanford definisce l'intelligenza come "la capacità di apprendere ed eseguire tecniche adeguate per risolvere problemi e raggiungere obiettivi appropriati al contesto in un mondo imprevedibile e in continua evoluzione". È questa capacità di apprendere e adattarsi a condizioni mutevoli che separa i sistemi intelligenti dalle macchine più complesse. 
• Intelligenza artificiale (IA): nato verso la metà degli anni Cinquanta, il termine "intelligenza artificiale" è descritto da IBM come "un campo che combina l'informatica e i dataset più consistenti per consentire la risoluzione dei problemi". Sebbene l'IA venga spesso dipinta come una tecnologia unica e monolitica, è meglio intesa come un ampio campo che comprende singoli sottocampi, come la visione computerizzata o l'elaborazione del linguaggio naturale, che si concentrano sulla sintesi di una componente del più ampio puzzle dell'intelligenza. 
• Machine learning (ML): il machine learning è un sottoinsieme del campo dell'IA che si concentra sull'utilizzo dei dati e dell'esperienza per consentire ai programmi di "imparare" e migliorarsi in base ai risultati ottenuti in passato. Il machine learning, che contiene il sottocampo del deep learning, attinge da discipline quali l'informatica, la statistica, la psicologia e le neuroscienze per creare un'ampia gamma di modelli di apprendimento che vengono utilizzati nei vari sottocampi dell'IA. 
• IA generativa: alla base dell'attuale boom dell'IA, gli strumenti di IA generativa come ChatGPT e Midjourney utilizzano modelli di deep learning e quantità massicce di dati di addestramento per generare contenuti in base alle richieste degli utenti. 

Gli elementi mobili dell'IA

A parte la confusione sul linguaggio, i recenti progressi nelle tecnologie di IA generativa hanno reso meno netti i confini tra produzione computazionale ed espressione creativa. Cosa succede dietro le quinte quando si produce l'immagine di una gara di breakdance tra Bigfoot e Abraham Lincoln? 

La risposta completa a questa domanda può essere un po' complicata, ma non è necessaria una laurea in tecnica avanzata per rendersi conto dei vantaggi che l'IA può offrire alla tua azienda. Anche se, come la maggior parte degli utenti, utilizzerai l'IA principalmente a livello di utente finale o di applicazione, è comunque utile comprendere alcuni degli elementi di base che concorrono alla creazione di modelli di IA, insieme alle potenziali implicazioni che possono avere per te e per la tua azienda:

• Tanti, tantissimi dati: come ci si potrebbe aspettare, la creazione di un modello di IA richiede un'enorme quantità di dati, ma la provenienza e l'utilizzo di questi dati possono avere implicazioni di ampia portata, dai problemi di copyright al perpetuarsi degli stessi pregiudizi che da tempo affliggono la società umana. Gli strumenti basati sull'IA che implementerai all'interno della tua azienda potrebbero avere accesso alle informazioni più sensibili o privilegiate della tua azienda e dei tuoi clienti, quindi assicurati di essere in grado di proteggere questi dati quando valuti le varie opzioni. 
• Potenza di calcolo: per fare previsioni accurate, gli strumenti di IA devono essere addestrati su un numero enorme di esempi. L'intelligenza artificiale, così come la maggior parte delle altre tecnologie moderne, è stata resa possibile dalla crescita esponenziale della potenza e dell'efficienza di elaborazione negli ultimi decenni, ma per alcune applicazioni aziendali può comportare costi onerosi, soprattutto su larga scala. Anche l'impatto ambientale della quantità di potenza di calcolo richiesta da questi strumenti è un problema rilevante.
• Riconoscimento dei modelli: molti lavori sull'IA si ispirano alla capacità umana di riconoscimento dei modelli. I computer possono raccogliere più dati di quanti ne possa raccogliere un essere umano in una vita intera, ma a meno che non siano programmati con grande attenzione, generalizzare questi modelli con la facilità con cui lo fanno gli esseri umani è incredibilmente difficile. In effetti, i sottocampi dell'IA, come il riconoscimento delle immagini e l'elaborazione del linguaggio naturale, dimostrano che anche le azioni umane più elementari spesso comportano atti di riconoscimento di modelli sorprendentemente complessi. Gli strumenti di intelligenza artificiale possono fare riferimento a grandi quantità di dati per identificare modelli e creare connessioni che possono fornire preziose intuizioni e innovazioni nel modo di fare business. Tuttavia, occorre ricordare che, come in tutte le analisi statistiche, la correlazione non è sempre uguale alla causalità, quindi non bisogna dare per scontato che ogni correlazione trovata sia significativa. 
• Previsioni: uno strumento predittivo eccellente consente di ottimizzare un sistema per tenere conto di variabili di cui non si era a conoscenza in precedenza. Dall'assistenza sanitaria alla hospitality, l'analisi predittiva viene utilizzata per analizzare i dati e prevedere i risultati futuri, aiutando le aziende a definire strategie per quasi tutte le eventualità. Tuttavia, questi dati devono essere considerati come un consulente aggiuntivo, non come l'elemento più importante di tutti quando si prendono decisioni importanti per la propria azienda.
• Ottimizzazione: gli strumenti basati sull'IA utilizzano una serie di modelli di apprendimento automatico per migliorare la qualità delle loro previsioni nel tempo, sulla base dell'esperienza e di ulteriori dati. Questa capacità di adattarsi e migliorare può produrre enormi vantaggi, anche se la ML non è sempre lo strumento migliore per ogni lavoro, quindi è necessario prestare attenzione quando si implementano soluzioni basate sull'IA e nel modo in cui si interpretano e comunicano i risultati.
• Guardrail: creare un modello di IA in grado di generare ogni immagine possibile non è un'impresa facile, ma la sfida più grande potrebbe essere quella di definire quali immagini quel modello non dovrebbe assolutamente creare, anche se gli viene chiesto di farlo, a causa di questioni morali, etiche o legali. Garantire che gli strumenti di IA siano adatti agli utenti finali richiede un'impressionante quantità di supervisione umana, e c'è un coro crescente di legislatori ed esperti del settore che mettono in guardia contro i rischi di un'IA non controllata. Pertanto, quando implementi strumenti di IA nella tua azienda, non trascurare la necessità di una supervisione umana continua.   

Dalla teoria alla pratica

Dato il ruolo dominante che l'IA è destinata a svolgere nel futuro delle imprese, la comprensione di questi elementi può aiutare i dirigenti aziendali a prendere decisioni più intelligenti in materia di intelligenza artificiale. Secondo Littman, è importante non cercare di fare da soli quando si utilizzano questi sistemi. "Non improvvisate, perché abbiamo appena iniziato a raccogliere informazioni reali su cosa fa la differenza quando si utilizzano questi strumenti". Littman suggerisce che un buon punto di partenza pratico è l'AI Risk Management Framework, o AI RMF, del National Institute for Standards and Technology.

Prossimamente: altri articoli della serie "AI for Business" di GoTo, in cui ci baseremo su questa comprensione fondamentale dell'IA e aiuteremo i dirigenti aziendali a capire cosa possono fare per essere all'avanguardia.