Nel 1921, il termine “robot” è stato usato per la prima volta ed introdotto nel linguaggio comune. Ad oggi tuttavia la cultura popolare è di nuovo dominata da parole come Machine Learning, Algoritmi, Intelligenza Artificiale e così via.
Nell’ultimo decennio, l’intelligenza artificiale ha fatto notevoli progressi. Con i progressi nel machine learning, in particolare nel’ “deep learning” e nel ‘”reinforcement learning”, l’intelligenza artificiale ha raggiunto traguardi come il riconoscimento delle immagini, la traduzione istantanea, il riconoscimento facciale e molte altri. Naturalmente, questo solleva i soliti interrogativi riguardo all’impatto di tali tecnologie sulla produttività umana. La prima domanda che oggi come allora ci affligge è se l’Intelligenza Artificiale sostituirà o completerà gli esseri umani nella forza lavoro?
Il falso mito della perdita di posti di lavoro
Ciò che vogliamo innanzitutto smascherare è il falso mito dell’automazione di massa, che fornisce un immagine negativa sull’attenzione del pubblico. I nuovi sviluppi in campi come il deep learning, il transfer learning e la robotica cloud sono davvero notevoli. I veicoli autonomi sono ora in fase di test nella maggior parte dei paesi sviluppati. Così come i droni per la consegna dei pacchi e gli algoritmi di rilevamento del cancro. Tali innovazioni rivoluzionarie sarebbero sembrate impossibili solo 15 anni fa.
Eppure, per ogni tecnologia stupefacente di cui sentiamo parlare, ce n’è un’altra che vacilla silenziosamente senza preavviso. Il computer Watson di IBM ha fatto diverse raccomandazioni di trattamento errate per la diagnosi del cancro. Google Translate è ancora in difficoltà con grandi passaggi di testo, nonostante le migliorie avvenute nel corso degli anni.
Tecnologia come complemento dell’efficienza umana
Tuttavia, le tecnologie non sostituiscono sempre il lavoro. Le auto che guidano da sole possono sostituire i tassisti e le macchine possono sostituire parti del lavoro di un operatore di magazzino. Ma basti pensare ad esempio al software CAD che estende le capacità dei progettisti di creare immagini convincenti. Così come gli strumenti medici robotici consentono ai chirurghi di effettuare incisioni più precise. Dunque sembra necessario evidenziare come la macchina possa si sostituire interi processi produttivi. Ma al contempo bisogna notare come possa anche agire da complemento aumentando l’efficienza dei processi o assistendo il lavoratore.
Inoltre, nelle occasioni in cui l’automazione sostituisce compiti e lavori, i risparmi per i consumatori e i datori di lavoro non vanno persi come molti potrebbero pensare. Infatti, in un processo denominato “recycled demand”, l’automazione può portare a un aumento della produttività e quindi a un risparmio per i consumatori. Il denaro risparmiato può essere speso o per più dello stesso prodotto o in un altro mercato, ravvivando così la domanda di manodopera.
Per queste ragioni piuttosto che vedere la macchina come sostituto della forza lavoro, dovremmo immaginare le macchine come una caratteristica complementare che aumenta l’efficienza e ottimizza il flusso di lavoro. Tuttavia, sappiamo che le tecnologie come l’apprendimento delle macchine possono essere spesso imperfette. Ci sono state prove di come gli algoritmi utilizzati nel reclutamento potrebbero escludere gruppi minoritari da nuove opportunità di lavoro. Oppure i software di sorveglianza potrebbero erodere la privacy dei lavoratori e le piattaforme di lavoro. L’altra faccia della medaglia ci dice tuttavia che gli algoritmi di reclutamento potrebbero rimuovere i pregiudizi dalle decisioni di assunzione. E i software di sorveglianza potrebbero prevenire gli incidenti.
L’Intelligenza artificiale e l’utilizzo del Machine learning
Al giorno d’oggi, continuiamo a sentire parole come Intelligenza Artificiale e Machine learning. Sono state definite come i nuovi asset per il business. Ma cosa sono questi concetti?
L’Intelligenza Artificiale (IA) può essere definita come la simulazione dei processi di intelligenza umana da parte delle macchine. La programmazione dell’intelligenza artificiale si concentra su tre abilità cognitive: l’apprendimento, il ragionamento e l’autocorrezione. L’attuale generazione della tecnologia dell’intelligenza artificiale è chiamata “machine learning” per un motivo. Queste macchine “imparano” dai dati, e volumi di dati maggiori e più precisi portano a migliori previsioni. Tuttavia i dati possono essere costosi da acquisire. Pertanto investire in essi comporta un compromesso tra il beneficio di più dati e il costo dell’acquisizione.
Per prendere le giuste decisioni di investimento dei dati, le aziende devono considerare i tre modi in cui le macchine di previsione utilizzano i dati. I dati di formazione sono utilizzati per generare un algoritmo in primo luogo. I dati di input sono alimentati all’algoritmo e utilizzati per produrre una previsione. Infine, i dati di feedback sono utilizzati per migliorare le prestazioni dell’algoritmo nel tempo, come “impara”. Di quanti tipi diversi di dati ha bisogno la vostra azienda? Con quale frequenza è necessario raccoglierli? Queste sono solo alcune delle domande che ogni leader dovrebbe porsi. È fondamentale bilanciare il costo dell’acquisizione dei dati con il beneficio di una maggiore accuratezza di previsione.
Come il Machine learning può rivelarsi un asset per le aziende
Le principali aziende tecnologiche come Google, Facebook e Amazon hanno implementato l’IA e il Machine learning per migliorare le previsioni degli algoritmi di matching. Queste ultime si affidano all’apprendimento automatico per migliorare le loro previsioni da alcuni anni. Il che non sorprende, dato che questo strumento si adatta bene a metriche concrete come il tasso di clickthrough o il tasso di acquisto. Ad esempio, Google utilizza il machine learning incorporando ciò che Google conosce dell’utente. Il termine di ricerca e l’annuncio per aiutare a prevedere il tasso di clickthrough per uno specifico utente come per uno specifico annuncio. Anche Amazon utilizza il machine learning per migliorare i suoi consigli sui prodotti. Inoltre, le previsioni errate non sono molto costose. Infatti, se il suggerimento è inadeguato, significa semplicemente che l’utente non fa clic o non compra.
Le principali piattaforme hanno perseguito ingenti investimenti nel machine learning. Alphabet (la società madre di Google) pone l’apprendimento automatico al centro del suo rapporto annuale 2018 e il responsabile dell’IA riferisce direttamente al CEO di Google. Secondo il suo CEO, Google sta “applicando il machine learning e l’IA […] in tutti i [suoi] prodotti” come parte di un “approccio AI-first”. Amazon utilizza l’apprendimento automatico per prevedere la domanda e collocare i centri di appagamento, tra gli altri compiti. Mentre aziende come Facebook hanno studiato una infrastruttura tecnica interamente costruita intorno al concetto di machine learning.
In Google, l’introduzione del machine learning ha rapidamente rafforzato il vantaggio competitivo dell’azienda. Come Google anche Amazon e Facebook hanno destinato investimenti ingenti nel settore per rafforzare la loro posizione di piattaforme leader. Effettuare un investimento nel machine learning presenta costi fissi molto elevati e dei costi marginali molto bassi. Una combinazione che tende a favorire le grandi aziende che possono distribuire il costo fisso su un gran numero di unità.
I vantaggi del Machine Learning
Dunque, un’azienda con un’ampia base di utenti esistenti è particolarmente ben posizionata per trarne profitto. Essendo infatti incentivata a perseguire qualsiasi beneficio incrementale. Anche un piccolo miglioramento può fare una grande differenza per il risultato finale. Lo stesso argomento vale per l’hardware personalizzato a supporto del machine learning, in cui Google e altri hanno investito per fornire una maggiore potenza di elaborazione. I progressi del machine learning inoltre aumentano l’importanza dell’accesso ai dati. Un volume più elevato di ricerche e risultati osservati ci consente di migliorare la previsione dell’algoritmo.
L’importanza dei volumi gestiti è accresciuta anche in base all’elevata variabilità dei dati degli utenti. Con troppe poche ricerche e un volume di dati ridotto è difficile addestrare l’algoritmo a far corrispondere efficacemente le ricerche e dunque l’utilità del machine learning è ridotta. Inoltre, il comportamento passato di un ampio gruppo di utenti fornisce un utile punto di partenza per prevedere il comportamento di un singolo utente. Ad esempio, l’algoritmo di Amazon implica che un acquirente di una sedia potrebbe voler comprare un tavolo. Questo perché analizzando il comportamento di altri clienti l’algoritmo identifica l’acquisto di un tavolo come un possibile acquisto secondario. Pertanto, possiamo vedere come l’utilità del comportamento degli utenti varia a seconda dell’applicazione.
Per concludere
Come abbiamo visto, i giganti della tecnologia hanno implementato il machine learning nelle loro piattaforme già da alcuni anni e continuano a farlo investendo ingenti capitali nel settore. Tuttavia, molti player del mercato non hanno ancora identificato l’enorme potenziale e opportunità del concetto di machine learning. Nel lungo termine, nuovi strumenti empirici sono serviti anche per espandere i tipi di problemi su cui lavoriamo. In definitiva, anche gli strumenti di machine learning possono aumentare la portata del nostro lavoro – non solo fornendo nuovi dati o nuovi metodi, ma concentrandoci su nuove domande.
Per scoprire altre novità e curiosità sugli ultimi trend digitali e tecnologici continua a seguire il magazine di Buytron!
