In un convegno le opportunità e i rischi delle applicazioni di AI

Per cercare di capire i reali vantaggi, le implicazioni, le possibili sinergie positive e gli eventuali decadimenti dell’Intelligenza Artificiale siamo partiti dai risultati esposti durante il convegno organizzato il 2 febbraio 2023 dallo “Osservatorio Artificial Intelligence” della School of Management, in collaborazione con il Dipartimento di Elettronica, Informazione e Bioingegneria del Politecnico di Milano.

Abbiamo assistito nell’ultimo anno a un crescendo di interesse verso queste tecnologie che, seppur non nuove, oggi diventano sempre più diffuse e alla portata di tutti.

Pensiamo alla visibilità data da ChatGPT, ottimo esempio di interazione uomo-macchina, o all’indistinguibilità di alcune immagini realistiche generate da DALL-E 2.

Sono divenuti modelli on consumer fruibili con un browser da un vasto pubblico profano, dove l’implementazione è completamente trasparente all’utilizzatore.

Ci rendiamo conto di trattare con un tecnologia importante e dirompente, anche se non di immediato utilizzo per alcuni ambiti.

L’intelligenza artificiale e i conflitti in una raccolta di saggi inediti

Rimangono diffidenze, in particolare nel settore della salute e sanità

L’AI coadiuva in molti settori l’azione umana, portando all’efficientamento dei processi con risparmio di costi e minore utilizzo di risorse.

Dà un aiuto concreto allo sviluppo sostenibile e alla green transition, oltre allo sgravio da parte degli operatori di mansioni ripetitive e usuranti.

I risvolti si ripercuotono anche nei modelli comportamentali e organizzativi delle imprese coinvolte (Tech & People).

Si auspica che ciò concorra alla riduzione del gap tra il mercato dei solution provider e le soluzioni richieste dal cliente.

Vengono riviste le pratiche collaborative tra data scienze e i team IT per accelerare l’implementazione, quindi una rivisitazione dei metodi Agile e MlOps.

Il tutto è accompagnato da una voglia crescente di consapevolezza con il tema etico sempre sullo sfondo.

ChatGPT: “Io, Intelligenza Artificiale, vi spiego Innovando.News…”

I dati della ricerca forniscono informazioni quantitative e qualitative

Come ricorda il direttore dello “Osservatorio Artificial Intelligence”, Alessandro Piva, la ricerca parte dai laboratori, ma è rivolta a tre soggetti principali:

1) il grande pubblico, e un esempio famoso ci è dato da ChatGPT che ha raggiunto in cinque giorni un milione di utenti (Instagram per l’identico risultato ha impiegato settantacinque giorni);

2) le istituzioni, dal momento che l’Unione Europea, basandosi sui principi etici stabiliti nel 2019 (intervento e sorveglianza umana, robustezza tecnica e sicurezza, riservatezza e governance dei dati, trasparenza, diversità senza discriminazione ed equità, benessere sociale e ambientale, accountability), ha approvato nell’aprile 2021 lo “Artificial Intelligence Act”, che fornisce un approccio risk-based delle soluzioni;

a settembre 2022 si è arrivati alla “AI Liability Directive”, che tratta delle responsabilità dei possibili danni arrecati dall’utilizzo di applicazioni dell’intelligenza artificiale;

infine, insieme al piano dell’UE sono in atto i Piani Nazionali, ad esempio con l’intento di coltivare i talenti, di rafforzare la ricerca e ridurne la frammentazione, di sviluppare un’AI affidabile e affine all’uomo;

3) le imprese, con le loro sperimentazioni e i progetti.

A livello internazionale abbiamo un tasso di adozione nei progetti di AI del 56 per cento, il cui volume di investimenti è di 93,5 miliardi di dollari.

Riparazioni genetiche più efficienti con l’Intelligenza Artificiale

Quei 500 milioni di euro nel Made in Italy dell’Intelligenza Artificiale

In Italia sono passati da 380 milioni di euro di investimenti nel 2021 a 500 milioni di euro nel 2022 (più 32 per cento).

Questi 500 milioni di euro li vediamo così ripartiti:

a) Data Processing (sopratutto forecast aziendali interni) per il 34 per cento; b) Language AI (NLP Natural Language Process e ChatBot) per il 28 per cento; c) Recommendation system per coadiuvare e agevolare customer experience per il 19 per cento; d) Computer Vision, ad esempio per il controllo della qualità, per il 10 per cento; e) Intelligent RPA, quindi re-ingegnerizzazione e automazione dei processi, per il 9 per cento.

Su un panel di 174 grandi imprese il 61 per cento ha avviato sperimentazioni di AI e di queste il 54 per cento riesce a scalare in progetti concreti.

Riguardo le PMI (campione statistico di 541 aziende) soltanto il 15 per cento sviluppa l’AI.

Il gap tra GI (Grandi Imprese) e PMI (Piccole e Medie Imprese) può essere spiegato attraverso problemi di budget e scarso livello di digitalizzazione.

Dall’Intelligenza Artificiale un decisivo boost alle criptovalute?

Le criticità emerse e le sfide che attendono tutti i consumer dell’AI

Le imprese cercano di sfruttare l’AI nei processi automatizzati per migliorare in termini di precisione e velocità.

Perseguono questo obiettivo adoperandosi nella ricerca di competenze esterne o nella loro creazione inside.

I principali challenge sono quindi quelli di formare o trovare futuri leader, puntare sulla convergenza di tecnologie per rinforzare la correttezza delle risposte degli algoritmi e, infine, incrementare la precisione per scongiurare l’aumento dei costi dovuto all’intervento di personale.

Possiamo individuare almeno quattro criticità: 1) la normale diffidenza nell’affidare decisioni ad algoritmi di AI in ambito medico o in contesti di critical mission; 2) i costi dovuti all’implementazione del cambiamento; 3) la necessità di avere dati ben strutturati; 4) la consapevolezza di adottare strumenti intrinsecamente statici, congelati nel tempo, poco “adattivi” a nuovi contesti e a bisogni specifici.

Così l’Intelligenza Artificiale al servizio della Sauber Alfa Romeo

Le possibili soluzioni per il sistema ChatGPT e le sue eventuali derive

Riprendendo l’esempio di ChatGPT, non possiamo pretendere che ci fornisca risposte corrette sul piano della logica, essendo progettata per altro.

Come ovviare a queste derive?

Puntiamo su ricerca e sviluppo preparandoci a parecchio lavoro ingegneristico. Adottiamo approcci orientati alla massima apertura.

La sfida è puntare su modelli adattivi, a una maggiore automatizzazione dell’apprendimento in modo da coprire l’evoluzione delle esigenze.

Uno degli obiettivi principali è far intersecare il mondo della ricerca con l’industria.

La sfida è lo sviluppo di nuovi protocolli e processi di incontro che facilitino l’intersezione tra ricerca e soggetti fruitori.

Veniamo ad alcuni esempi anche in relazione al bisogno di maggiore fiducia.

Pensiamo al data mining, quando gli algoritmi di AI serpeggiano nei Big Data (Not Only SQL Data Base System), per catturare ed elaborare le nostre tracce elettroniche dovremmo considerare il risvolto etico riguardo la riservatezza dei dati.

L’AI è sempre più spesso presente nei procedimenti di e-procurement (analisi di documenti, certificati ISO, DURC eccetera) per mitigare i rischi di errore.

Michael von Liechtenstein su geopolitica e intelligenza artificiale

Alcuni esempi di applicazioni dell’AI nel settore legale e della mobility

Florindo Palladino, CTO di Artea.com ci espone egregiamente un caso concreto di natura legale.

Si paventa la necessità per un cliente di sviluppare dei task per il controllo di 10.000 contratti circa la loro aderenza ad alcune clausole.

Senza sistemi di AI si sarebbe dovuta affrontare una spesa di qualche milione di euro con tempi epocali e 1300 giorni di costo uomo.

La soluzione step-by-step è la seguente:

1) trasformazione del cartaceo e delle foto tramite OCR in testo compatibile;

2) indicizzazione dei contenuti sul modello “motore di ricerca”;

3) adozione di algoritmo NLP Natural Language Processing;

4) dentro l’environment si processano i documenti con l’elenco delle definizioni delle violazione di clausole fornite da legali umani (confronto della semantica);

5) produzione di un rank di valutazione delle clausole in violazione (rischio Basso, Medio o Elevato).

In definitiva: ci si solleva dall’impegno di leggere 10.000 contratti. Potremmo definirlo “uso intelligente dell’Intelligenza Artificiale”.

Come sempre non è la tecnologia il problema, ma un uso “di buon senso” aiuta a contestualizzare e concretizzare valore aggiunto.

Il Valerio Rizzo, EMEA Head of AI di Lenovo, ci riporta un caso di implementazione di mobilità urbana aerea.

Gli ambiti applicativi sono i più svariati: trasporto pubblico, trasporto in emergenza, delivery di beni commerciali.

In tal caso l’AI si occupa della mappatura dei corridoi di volo monitorando ostacoli non collaborativi, pensiamo ai volatili (integrazione della ricerca in campo biologico).

Ancora un ottimo esempio di queste tecnologie impattano in maniera trasversale.

Le principali sfide di questa implementazione: adottare sistemi di machine learning con infrastrutture che risolvano problemi di latenza nella risposta in real time; trovare spazi di allocazione dei simil data center vicini alla sorgente dei dati così da sviluppare robustezza e sostenibilità dell’ingerenza dei dati.

Da scongiurare è infatti l’interruzione dei servizi mission critical.

Ecco come l’Intelligenza Artificiale di Google vince ogni sfida

La strategia tricolore per applicare nel migliore dei modi la tecnologia

Auspichiamo una evoluzione con un quadro di regole e con sistemi che imparino ad apprendere in modo dinamico adattivo e agente.

Il Professor Giovanni Miragliotta, direttore dello “Osservatorio Artificial Intelligence”, ci illustra come si implementa la strategia italiana, anche attraverso l’uso di indicatori.

Lo scopo è allinearsi agli altri partner europei e incorporare le novità nel contesto post pandemico.

L’approccio passa dalla concertazione di tre Ministri dello Stato, si ispira a principi di collaborazione e inclusività territoriale e tiene presente i limiti del Paese in materia di innovazione digitale.

Gli obiettivi rimangono sostanzialmente cinque: 1) aumentare l’innovazione e lo sviluppo della tecnologia di AI; 2) rafforzare la ricerca e ridurne la frammentazione; 3) creare, attrarre e trattenere ricercatori; 4) sviluppare un AI antropocentrica e affidabile; 5) sviluppare servizi in ambito Pubbica Amministrazione.

Luci e ombre della strategia italiana: c’è una buona produzione scientifica e una buona crescita nel settore privato, i finanziamenti sono in linea con il piano.

Ci espone il Direttore il fatto che “le principali criticità rimangono il ritardo su PhD e formazione tecnica”.

Molti dataset della Pubbica Amministrazione sono di utilizzo limitato.

Infine, si ravvede un ritardo sulla protezione della proprietà intellettuale.

Un esempio lampante dei limiti di ChatGPT di OpenAI, che dovrebbe concorrere con l’agente di Artificial Intelligence di Google Bard, ci viene descritto dal direttore Giovanni Miragliotta: “… una delle prestazioni che vantavano a differenza di ChatGPT era un indovinello… in una stanza ci sono tre donne che hanno appena partorito, arrivano due padri, quante persone ci sono nella stanza? ChatGPT non risponde a questo indovinello, la macchina di Google, a detta di Google stesso, sì. Ho fatto la stessa domanda a mio figlio e lui mi ha detto: ‘dipende se hanno partorito gemelli o meno’. Mio figlio è ancora un po’ più intelligente!”.

L’intelligenza artificiale per decifrare il misterioso cipro-minoico

Un approfondimento delle tematiche di “consapevolezza e ambiente”

Approfondiamo gli argomenti di progettualità AI, esplorandone le tipologie e le caratteristiche con l’aiuto delle ricercatrici dello “Osservatorio Artificial Intelligence” del Politecnico di Milano, dottoresse Irene Di Deo e Camilla Sorrentino.

Come ci ricorda l’innovatrice digitale Irene Di Deo, oltre la discrepanza quantitativa dell’interesse dimostrato verso l’AI di GI e PMI si evidenzia una differenziazione nel merito: ” …le PMI spesso si occupano di una singola classe di soluzioni, magari vanno a lavorare su dati strutturati o dati interni e difficilmente invece sperimentano in altri contesti …”.

Viene inoltre evidenziata la propensione delle Grandi Imprese a servirsi di personale interno, mentre nelle Piccole e Medie Imprese vediamo maggiormente l’azione di driver esterni (solutori di proposte tecnologiche).

Nell’ottica di una divulgazione di qualità, a differenza delle GI è importante rendere consapevoli anche le PMI circa le opportunità e i limiti delle soluzioni che implementano tecnologia AI.

Stringendo il focus sulle Grandi Imprese, ci viene esposto il tasso di diffusione più elevato rispetto alla media delle classi di soluzioni più diffuse:1) Intelligence Data Processing (65 per cento); 2) Computer Vision (42 per cento); 3) Recommendation System (35 per cento); 4) Chatbot/Virtual assistant (31 per cento); 5) Natural Language Processing (27 per cento).

“I settori con un tasso di adozione più elevato dell’AI rientrano nel mondo finanziario”, ci espone ancora la ricercatrice, “quindi assicurazioni, il modo bancario, il mondo dell’energy e utilities e il mondo telco e media”.

A Lucerna c’è un nuovo polo per l’Intelligenza Artificiale

In futuro ci attendiamo una maggiore attenzione “verso la persona”

Restando nella classe Data Processing, continua Irene Di Deo: ” …per citare qualche esempio nel mondo delle assicurazioni c’è un forte interesse sul tema delle Process Automation, ma anche sul tema Fraud Detection. Nel mondo bancario, possiamo citare Customer Service che può essere supportato da un Chatbot, mentre per Energy e Utilities possiamo citare il tema delle Smart Grid, cioè le reti intelligenti con la possibilità di monitorare gli Asset…”.

L’ottimizzazione delle reti è trasversale a vari contesti: dagli utilities a telco, per citarne alcuni.

Quali sono i fattori critici che determinano il successo o meno di un progetto pilota?

Le aziende più entusiaste hanno una capacità di scalare i progetti del 60 per cento, e in questo caso la difficoltà è rappresentata dalla mancanza di competenze.

Le aziende in cammino hanno il 14 per cento di successo nel concretizzare i progetti con la difficoltà nel reperire dati di qualità e quantità elevata.

Guardando ai casi di successo si notano differenze nelle metodologie progettuali (Agile e MlOps), nel coinvolgimento degli stakeholder interni (figure esperte di domini di business) e di corretta gestione del loro ciclo di vita, oltre alla capacità di analisi dell’impatto del progetto a 360 gradi.

Possiamo legare l’AI al cambiamento climatico e chiederci quale utilità possiamo avere.

La Dottoressa Irene Di Deo conclude l’intervento con la domanda: “Come la Generative AI cambierà il panorama delle applicazioni?”.

“Etica dell’intelligenza artificiale”, un libro senza tempo

Ancora un caso molto concreto di utilizzo dell’intelligenza artificiale

Riportiamo un caso concreto di Customer Journey. Giovanni Teofilo Chiarelli di UnipolSAI ci parla di AI applicata a pubblicità e advertising.

Il tema è allocare in modo efficiente il budget sui canali digitali per ottimizzare le conversioni e stimare il livello di vendite atteso a fronte di diversi mix di allocazioni di budget tra i canali.

L’approccio Multitouch Analisys Attribution and Simulation usa modelli matematici (sviluppati insieme a MOXOFF), basati sulla teoria dei giochi collaborativi, capaci di ricostruire il contributo di ciascun canale nella conversione dell’utente.

Tramite i dati forniti dai cookies il sistema elabora dalle cinquanta alle settanta milioni di impressioni al mese.

La tecnologia valuta e propone scenari, poiché si è sviluppato un modello di attribuzione che determina che cosa concorre nella generazione di una lead.

Sicuramente un aid alla conoscenza del percorso compiuto dall’utente.

La prospettiva è di arrivare a fare a meno dei cookies, visto che il 60 per cento degli utenti non li utilizza (il modello è applicabile al 40 per cento dei casi).

Per concludere, come sempre, rimangono fondamentali la divulgazione di qualità, la sperimentazione e le best practices per diffondere consapevolezza verso le aziende che valutano queste tecnologie.

Fonte: Osservatorio Artificial Intelligence del Politecnico di Milano

Rete svizzera di competenze per l’intelligenza artificiale