AI: le grandi aspettative

AI: le grandi aspettative
 

AI: le grandi aspettative

Introduzione: da “mobile first” a “AI first”

AI (Artificial Intelligence), IA in italiano (Intelligenza Artificiale), è indubbiamente la tecnologia e la buzzword, più calda dei nostri giorni: si pensi che gli stipendi medi dei tecnici che si occupano di AI negli USA supera i 300.000$ [nota 1] al primo impiego, per superare facilmente 1 milione di dollari; Google come altri ha semplicemente “rinominato” la divisione “research” in “Google AI” [nota 2] e Sundai Pichar, Ceo  di Google, ha detto “stiamo transitando da un mondo mobile first ad uno AI first”.  Per non diminuire l’importanza, l'Harvard Business Review ha previsto che l'AI influenzerà l'economia e le nostre vite su una grandezza simile a quella del motore a vapore, dell'elettricità e del motore a combustione industriale [nota 3].
Sebbene esistano molte definizioni di AI, per i ricercatori i sistemi intelligenti sono capaci di percepire il mondo esterno, apprendere, ragionare e agire come un sistema biologico, o anche meglio, quindi il termine AI si riferisce ai sistemi che mostrano un “comportamento intelligente”, in grado di analizzare l’ambiente e di prendere decisioni con un certo grado di autonomia.
Infatti il termine AI non è nuovo, è stato introdotto a metà degli anni cinquanta da parte di un certo numero di scienziati, i quali prevedevano che i nascenti calcolatori avrebbero progressivamente ampliato le loro capacità fino a eguagliare e poi superare le capacità di ragionamento, decisione e autonomia dell’essere umano.
In 60 anni si sono succeduti moltissimi approcci algoritmici e matematici, carichi di promesse e susseguenti delusioni.  Già negli anni 80 si sono potuti sviluppare software in grado p.es. di giocare a scacchi con buone capacità, o sistemi di riconoscimento e sintesi vocale, si pensi al pionieristico MUSA -Multichannel Speaking Automation - di CSELT nel 1975 [nota 4]. I progressi sono però stati lenti e complessivamente poco soddisfacenti, portando anche negli anni 90 a un certo scetticismo relativo alle reali possibilità e persino a un allontanamento dall’utilizzo del termine “AI”.  Profonde discussioni sono nate in merito alla possibilità di costruire da un lato soluzioni di “IA generale” o “Strong AI” e dall’altro di “narrow AI”, capaci di risolvere problemi specifici, come riconoscere una immagine o giocare a scacchi o a Go.
Seguendo il classico sigmoide, la tipica curva ad S dell’innovazione, dopo una lunga gestazione negli ultimi 5-6 anni si è assistito  ad una esplosione della frequenza con cui AI è presente in prodotti, servizi, processi di tutti i settori dell’economia.  Le discussioni teoriche sono state superate dalla quantità e qualità impressionante non già di meri risultati scientifici o di ricerca, ma di applicazioni pratiche:il riconoscimento della voce e la sintesi vocale, anche in conversazioni complesse; la traduzione in tempo reale tra lingue diverse; il riconoscimento di immagini alla base di servizi quali la navigazione semi-autonoma delle automobili o dei robot di vario tipo; i sistemi di sicurezza con riconoscimento facciale; i sistemi di suggerimento e raccomandazione per il commercio elettronico; innumerevoli soluzioni di protezione e cybersicurezza; i sistemi di previsione e automazione nell’ambito della finanza.

 

Figura 1 - Sigmoide o Curva ad S rappresentativo dello sviluppo delle tecnologie e innovazioni

 

Figura 2 - Le previsioni di capacità delle soluzioni AI non devono essere fatte sui progressi degli ultimi 60 anni ma sono molto più realistiche sa fatte basandosi sui risultati degli ultimi 3 o 4 anni [nota 5]

 

Che cosa fa AI? Se è una attività che un umano fa in meno di un secondo, è pattern matching che può essere realizzato da una macchina che fa “AI”

I risultati sono però impressionanti: un buon modo di pensare all’AI è che quello che un uomo fa in tempi brevissimi, diciamo in pochi secondi può essere replicato dai sistemi AI di oggi : il riconoscimento della voce, del linguaggio, persino delle emozioni; il riconoscimento di immagini o di certe caratteristiche delle stesse, anche molto complesse come l’analisi un esame radiologico; rispondere a quiz o giocare a scacchi o al famoso “Go”. Tutte queste attività derivano dall’individuazione di pattern o modelli ricavati della categorizzazione statistica di una grandissima quantità di esempi.
Ma allora che impatti può avere l’AI? Sostanzialmente un impatto profondo in tutti i settori della economia, attraverso processi di automazione anche attraverso attività di predizione.  Facciamo alcuni esempi di “computer” che usano soluzioni AI:

  • Gli assistenti virtuali, come Siri o l'Assistente Google, non solo possono riconoscere ciò che diciamo in linguaggio naturale, ma anche stabilire il contesto e l'intento in base al tono della voce e alla cronologia delle richieste; associati, sono i traduttori in tempo reale.
  • Gli algoritmi di raccomandazione su Spotify o Amazon forniscono suggerimenti intelligenti di prodotti, libri o musica.
  • I software della mappa sul telefono rende i suggerimenti del percorso in base ai modelli di viaggio precedenti e alle condizioni del traffico correnti.
  • La sostituzione di lavori che sembrano “intelligenti” ma non lo sono poi così tanto: p.es. la scrittura di articoli giornalistici sui risultati di eventi sportivi.
  • Le auto a guida autonoma.
  • In generale le “macchine” di vario tipo capaci di decisioni autonome: non solo auto ma p.es. armi sul campo di battaglia - esistono fucili in cui il soldato preme il grilletto ma il proiettile parte solo quando il computer collegato al mirino ha “riconosciuto” l’immagine del (presunto) nemico.
  • L’education e la formazione: tema enorme in cui lezioni ed apprendimento possono essere “automatizzati” sul livello di partenza e il ritmo di apprendimento dello studente.
  • La Finanza: ormai le operazioni di investimento sono automatizzate.
  • La robotica industriale.
  • Medicina: diagnosi (p.es. il riconoscimento di tumori dall’analisi delle immagini, il referto di esami radiologici etc), ma anche operazioni di chirurgia: p.es Smart Tissue Autonomous Robot (STAR [nota 6]) ha mostrato che un robot-chirurgo può essere autonomo e più preciso di un umano, provocando anche meno danni ai tessuti.

Robotica di servizio e industriale: p.es. i robot “umanoidi” che fanno jogging e robot “a quattro zampe” che si muovono in casa in autonomia anche aprendo da soli le porte [nota 7].

 

Figura 3 – Robot “simil canide” impara ad aprire una porta in autonomia

Le macchine non pensano: ad oggi non esiste “intelligenza” ma sistemi statistici abilitati dai big data e dalla potenza di calcolo

Eppure i sistemi che stiamo sviluppando non sono “intelligenti” in base ai principi e alle definizioni date.
Le soluzioni di AI che stanno prendendo piede sono infatti sistemi statistici, capaci di ottenere soluzioni “intelligenti” semplicemente facendo grandi confronti e selezionando la soluzione “migliore” da sistemi big data (cioè soluzioni di pattern matching), e non sistemi che “comprendono” l’ambiente.
Il progresso così repentino ed eclatante dell’AI negli ultimi 5-10 anni è dovuto infatti principalmente a due fattori:

  1. La disponibilità di enorme potenza di calcolo e memorizzazione, cioè di nuovi chip e calcolatori sempre più potenti e reti sempre più capaci e veloci;
  2. la disponibilità di dati, dovuta allo sviluppo, in senso lato, della larga banda fissa e mobile, di internet, degli smartphone e delle social network.

Paradossalmente, gli algoritmi usati sono in linea di massima noti dagli anni 90.  Quello che è cambiato, e che ha creato la AI come conosciamo oggi, è la combinazione di tecnologie informatiche con la progressiva disponibilità di enormi quantità di dati, scaturiti dalla trasformazione digitale.
Si tratta di sistemi statistici in grado di produrre soluzioni apparentemente sorprendenti e creative “semplicemente” grazie all’analisi di grandi quantità di dati con grande velocità, che sono i fondamenti del paradigma dei big data.  Questi approcci, che sono basati su tecniche chiamate “machine learning” e in particolare “deep learning”, appaiono sorprendentemente potenti ai nostri occhi, e lo sono, ma in realtà ci troviamo di fronte a  grandi soluzioni “pattern matching”.  Una buona introduzione si può trovare p.es. su “Downside to Deep Learning” [nota 8].

 

Figura 4 - Relazione tra AI, Machine Learning, Deep Learning e Big Data; Alla base i “big data” e le tecnologie di memorizzazione ed elaborazioni

Non pensiamo quindi sia una tecnologia “magica”, che siamo vicini alla cosiddetta “Artificial General Intelligence (AGI)”, che definisce macchine in grado di pensare, processare, predire, esaminare o imparare in maniera confrontabile a quanto facciamo noi uomini.
Anche i più avanzati esperti lo dichiarano candidamente: Fei Fei Li [nota 10], guru mondiale del settore e Chief Scientist of Machine Learning and Artificial Intelligence di Google Cloud, ha detto che “la risposta alla domanda “le macchine possono veramente pensare?” è semplicemente: “no, quanto facciamo oggi non è sufficiente a dire che le macchine pensano!”
Si dice che “l’intelligenza” dei computer supererà quella umana in 30-40 anni [nota 11]: siamo ancora molto lontani.

 

Figura 5 - Quando AI raggiungerà l’uomo? Basteranno 40 anni? Source: Deep Learning Book by Ian Goodfellow

Per altri in realtà il percorso non sarà questo perché  in qualche modo le capacità del nostro cervello non sono algoritmiche ma quantistiche, e quindi da studiare su un piano completamente diverso anche da quello statistico di pattern matching dell’AI attuale [nota 11].
Pragmaticamente però questo non è importante perché le applicazioni attuali sono già così tante e profonde da stimolare varie riflessioni.

 

AI come campo di battaglia strategico tra ecosistemi: USA, Cina ed Europa

La trasformazione che sistemi cosiddetti “AI” sta generando è quindi così grande che sono al centro di una battaglia tra macrosistemi politci ed economici [nota 12].
Non a caso i leader di questa rivoluzione sono le tech company della Silicon Valley, che sui sistemi interconnessi hanno basato tutta la loro tecnologia e strategia:  Google usa l’intelligenza artificiale come layer per tutti i servizi. Il motore di ricerca diventerà Google Assistant, un assistente personale incorporato anche nei prossimi Home (per la casa) e Allo (messaggistica); da qui alle auto a guida autonoma il passo, paradossalmente, è breve!
L’amministrazione USA fin dal 2016 ha pesantemente investito sul tema, con qualche tentennamento da parte di quella attuale, ma gli investimenti militari e quelli privati sono enormi: da IBM a Google, da Microsoft a Apple a Facebook ad Amazon, tutti hanno come priorità lo sviluppo della tecnologia HW e SW (Google progetta persino chip per AI!) e di soluzioni applicative basate su AI. La risposta cinese è stata il piano di investimenti di 20B$ fino al 2030, compresa la costruzione di un parco di ricerca specifico a Pechino da 2B$, per avere la “leadership” sul tema.
Google negli ultimi due anni ha addirittura sviluppato chip specifici che ha chiamato TPU, per i suoi data center per applicare gli algoritmi di Machine Learning e Deep Learning, con cui intende raggiungere capacità di calcolo di 100 Petaflops: anche se il confronto è solo simbolico, equivale alla potenza di un milione di PC da ufficio “normali”!

 

Figura 6 – Chip specifico per applicazioni AI nel Cloud sviluppato da Google (Fonte: YouTube screenshot)

La Commissione Europea ha destinato il 25% del budget di ricerca 2020-2028, circa 20B€, ai temi AI; a questi fondi si sono aggiunti stanziamenti nazionali, p.es. la Francia ha previsto 1.5B€ specifici fino al 2022.  In UK è stato stanziato un programma per supportare startup e avere almeno 1000 studenti di dottorato all’anno sul tema AI.
Vladimir Putin ha dichiarato, riferendosi a chi avrà la supremazia su AI: “he rules the world.”

 

Le telecomunicazioni al centro: abilitatori e utenti di AI e il futuro con il 5G

Gli esempi riportati si basano spesso su interazioni con sistemi di riconoscimento del linguaggio, delle immagini o di altri dati di sensori attraverso l’applicazione, nel cloud, di algoritmi di pattern matching.
Una buona metafora è pensare che è come avere una API – Application Programming Interface – sempre attiva sul mondo.
Pensiamo p.es. la funzione Autopilot di Tesla: essa è tra l’altro resa possibile dall’analisi dei dati catturati in oltre 160 milioni di chilometri percorsi, in continuo aumento e aggiornamento.  I dati semi-grezzi raccolti dalle auto Tesla sono continuamente trasferiti per ulteriore elaborazione in server in cloud, per poi “ritarare” l’algoritmo a bordo di ogni auto. Da questo esempio si capisce la strategicità della rete.
Come spesso accade quindi, gli operatori di TLC sono sia “utilizzatori” di una tecnologia che “abilitatori” della sua diffusione. P.es. secondo CapGemini [nota 13], gli operatori di TLC sono il segmento di mercato con i progetti di più grande scala di applicazione di AI, come indicato in Figura 7- Organizzazioni e impiego di progetti AI di vasta scala.

 

 

Figura 7 - Organizzazioni e impiego di progetti AI di vasta scala

Dal punto di vista dell’utilizzo in azienda, con propri clienti e per il proprio funzionamento, una buona classificazione è quella in Figura 8.

 

Figura 8 - Applicazioni dell’AI nelle telecomunicazioni [nota 14]

Perché il 5G estenderà le applicazioni di AI e perché il 5G ha bisogno di AI

Il 5G, il prossimo standard delle comunicazioni mobili, sarà ulteriormente decisivo in questo percorso di sinergia.
Da un lato infatti le caratteristiche di grande capacità di traffico, “ultrabroadband”, e di capacità di espandere ulteriormente l’Internet of Things, il mondo degli oggetti, permetteranno di aumentare ancora di più la raccolta dati e gli algoritmi conseguenti.  Dall’altro le reti 5G saranno molto più complesse per poter offrire le prestazioni richieste: p.es. il numero di celle aumenterà sicuramente, si avranno soluzioni di virtualizzazione e dinamicità della rete che elaborano processi troppo complessi per essere gestiti in maniera efficace e rapida da operazioni manuali, e che richiederanno invece nuovi sistemi AI-based.

 

Il controllo delle macchine e la “fly by wire” society;  la tirannia del dato; l’oscurità dell’algoritmo; la fine del lavoro: timori per i rischi e le implicazioni dalla AI

Ma attenzione: si tratta di  uno strumento , ma che ha una valenza “strategica” per il potere che da a chi lo possiede.  In Italia molte riflessioni al riguardo sono sul libro bianco Italia e Intelligenza Artificiale [nota 15] .

Ne citiamo alcune di seguito:

La distopia del controllo delle macchine: la società Fly-by-Wire

I sistemi che ci circondano, dalle città alle reti, sono troppo complessi per essere controllati “da Umani”:  dovranno essere computer e AI a farlo: è la cosiddetta società “ fly by wire” [nota 16]

 
 

Figura 9 - Fly By Wire delle nostre società

 

Figura 10 - Il controllo della machine – da 2001 Odissea nello spazio (Image copyright ALAMY)

Cosa accadrebbe se un giorno l’AI rimpiazzasse l’essere umano costringendolo ad una lotta per la sopravivenza? Abbiamo perso il conto dei film e dei romanzi che ci presentano simili scenari apocalittici. In effetti però  alcuni grandi esponenti del mondo della scienza e dell’industria hanno mostrato preoccupazione in tal senso. Tra questi Stephen Hawkings ha posto l’accento sulla necessità che l’evoluzione tecnologica dell’AI abbia come punto fermo il totale controllo delle macchine da partedell’uomo; Elon Musk e Bill Gates condividono il pensiero di Stephen Hawkings e sono firmatari di una petizione per le Nazioni Unite che vieti l’utilizzo di AI in campo bellico, per scongiurare la Terza Guerra Mondiale che temono verrebbe scatenata dalle macchine. Infatti secondo Elon Musk “Se l’AI ha un obiettivo e l’umanità sembra essere di ostacolo, distruggerà l’umanità senza nemmeno pensarci”.

 

Figura 11 -Riconoscimento facciale di massa da videocamere a Pechino. Fonte: NYTimes

La dittatura dei dati, la neutralità dei dati, l’accesso ai dati

I sistemi AI ad oggi come detto sono in realtà principalmente sistemi statistici, “addestrati” da grandi quantità di dati grazie alla  disponibilità loro e di capacità elaborativa enorme.
Il possesso dei dati quindi crea una esternalità positiva incredibile, una barriera alla concorrenza esponenziale, che è ben superiore alla semplice economia di scala: gli utenti che usano il servizio addestrano con i loro dati gli algortimi di AI, migliorandolo inevitabilmente... chi ha più utenti ha più dati taggati meglio e maggiori possibilità di incremento delle prestazioni e della qualità offerta ai clienti….
In questo senso si capisce il vantaggio competitivo dei big data e come una nuova coscienza di questo problema stia nascendo anche negli enti regolatori [nota 17].

L’oscurità dell’algoritmo

I sistemi di ML e DL “imparano” dai dati o meglio dai big data con cui sono addestrati, e le conclusioni e azioni che producono non sono “algoritmiche” come siamo abituati dal software: invece che comandi diretti quali “se c’è segnale rosso ferma l’auto”, l’AI costruisce un sistema di valutazione statistica che dice “adesso frena”.
Nei casi sempre più diffusi e complessi di applicazione, le motivazioni per i risultati appaiono sempre meno semplicemente identificabili da noi umani.  Inoltre c’è un rischio molto forte che un “bias” nei big data di ingresso, p.es. un set di dati non corretto, alteri il risultato in maniera difficile per noi da capire: p.es. è stato scoperto che sistemi di riconoscimento dei volti non riconoscono altrettanto bene caucasici e afroamericani, essendo stati addestrati con molti più volti “bianchi”.
Pensiamo alle implicazioni simili su un sistemi medico di analisi diagnostica, per esempio di riconoscimento di tumori.

La paura per la trasformazione del mondo del lavoro

Appare sempre più evidente che mentre le prime macchine fin dall’800 hanno sostituito la forza delle braccia dell’uomo, in agricoltura come in industria, i sistemi AI-based sostituiranno e modificheranno lavori che ci sembrano “nobili”: lavori impiegatizi, medici, giornalisti, avvocati, analisti finanziari, impiegati amministrativi, commessi o addetti alla relazione con il pubblico.
Questo percorso è molto complesso e inevitabile e anche doloroso.  Le risposte sono molteplici, come vedremo in seguito [nota 18].

 

L’ottimismo tecnologico e l’ottimismo realistico: un pensiero positivo anche per il mondo del lavoro

Possiamo riassumere gli orientamenti in due posizioni:

Gli ottimisti della tecnologia
Posizione
: una raffica di produttività è già iniziata ma non viene catturata nei dati ufficiali perché le aziende stanno ancora imparando come le tecnologie intelligenti possono cambiare il loro modo di operare. Quando le aziende sfruttano appieno le tecnologie intelligenti, un salto di produttività produrrà una generosità digitale - creando sia crescita economica che miglioramenti degli standard di vita non contati nel PIL, come il surplus del consumatore (da prodotti migliori e più economici) e il valore della gratuità app e informazioni. Tuttavia, in base alle tendenze attuali, la taglia non sarà distribuita in modo uniforme e molti posti di lavoro saranno spostati. Per evitare effetti negativi sul reddito e sull'occupazione, sarà necessario investire in istruzione e formazione parallelamente agli investimenti in tecnologia.

I realisti ottimisti
Posizione
: la digitalizzazione e le macchine intelligenti possono stimolare guadagni di produttività che corrispondono alle precedenti ondate tecnologiche. La produttività avanzerà rapidamente in determinati settori e per le aziende ad alte prestazioni. Verranno creati nuovi posti di lavoro, ma le tecnologie intelligenti potrebbero esacerbare le tendenze del recente passato, in cui la domanda è aumentata sia per i lavoratori con competenze elevate che per quelle basse, i cui posti di lavoro potrebbero essere facilmente automatizzati, mentre la domanda di lavoratori con competenze intermedie diminuisce. Senza soluzioni semplici, sono necessarie ulteriori ricerche sulla vera relazione tra produttività, occupazione e salari per scoprire risposte efficaci.

Come esempio di queste due posizioni, si cita spesso la casa di moda Stitch.

 

Figura 12 - Stitch e AI. Fonte: Twitter

Le elaborazioni del modello Stitch Fix si basano su una combinazione di scienza dei dati – ML, DL, intelligenza artificiale e elaborazione del linguaggio naturale - e stilisti umani; oltre ai profili di clienti complessi creati dai dati, gli stilisti possono mettere a nudo le sfumature dell'acquisto e dell'uso dei vestiti. In pochi anni Stitch si è quotata in borsa ed ha raggiunto $1 miliardo di entrate nel 2017, un fatturato paragonabile alle grandi maison italiane come D&G o Valentino, ma ottenuto in soli 7 anni.

 

Note

  1. https://www.nytimes.com/2018/04/19/technology/artificial-intelligence-salaries-openai.html
  2. https://techcrunch.com/2018/05/08/google-goes-all-in-on-artificial-intelligence-renames-research-division-google-ai/
  3. https://hbr.org/cover-story/2017/07/the-business-of-artificial-intelligence
  4. Storia delle telecomunicazioni, Volume 1 - a cura di V. Cantoni, Gabriele Falciasecca, Giuseppe Pelosi Firenze University Press -  pag 393 https://books.google.it/books?id=YpQdfylmkWgC&pg=PA393
  5. https://boingboing.net/2015/01/23/the-road-to-superintelligen.html
  6. https://spectrum.ieee.org/the-human-os/biomedical/devices/in-fleshcutting-task-autonomous-robot-surgeon-beats-human-surgeons
  7. https://spectrum.ieee.org/automaton/robotics/robotics-hardware/video-friday-atlas-jogging-driveai-launch-ocado-robotic-warehouse
  8. https://www.wired.com/story/greedy-brittle-opaque-and-shallow-the-downsides-to-deep-learning/
  9. https://thenextweb.com/artificial-intelligence/2018/05/09/googles-top-ai-scientists-were-entering-phase-two/
  10. https://medium.com/zeg-ai/future-of-ai-how-long-before-ai-overtakes-humans-12ad88196a01
  11. Si veda p.es. http://m.ilgiornale.it/news/2018/05/15/lintelligenza-artificiale-e-tutto-fuorche-intelligente/1527055/ e https://motherboard.vice.com/it/article/wj78x9/intervista-ex-presidente-associazione-italiana-intelligenza-artificiale-aixia
  12. Per una sintesi, si veda p.es. https://enterpriseiotinsights.com/20180510/channels/news/white-house-convenes-ai-summit-tag40 e https://qz.com/1264673/ai-is-the-new-space-race-heres-what-the-biggest-countries-are-doing/
  13. CapGemini, Turning AI into concrete value: the successful implementers’ toolkit,  2017
  14. https://www.lightreading.com/automation/machine-learning-and-ai-take-aim-at-network-complexity-customer-experience-/a/d-id/743016
  15. Sintesi su http://libro-bianco-ia.readthedocs.io/it/latest/
  16. https://timeguide.wordpress.com/2018/05/10/futurist-memories-the-leisure-society-and-the-black-box-economy/
  17. Si veda p.es. Nicita su Il Sole 24 Ore, http://telecomitalia.rassegnestampa.it/intranet/PDF/2018/2018-05-15/2018051539046479.pdf
  18. Una analisi sintetica ma articolata si trova p.es. su https://hbr.org/2018/01/how-will-ai-change-work-here-are-5-schools-of-thought
 

comments powered by Disqus