La Sovrastima dell’IA Generativa: Domande & Risposte con il Dr. Eric Siegel

Perché le persone credono erroneamente che l'IA diventerà capace quanto l'uomo – o che potrebbe addirittura rappresentare un rischio mortale per la razza umana?

La soddisfazione dei desideri promessa dall'intelligenza artificiale generale (AGI) – software in grado di svolgere qualsiasi compito intellettuale che gli esseri umani possono svolgere – è così seducente da essere quasi irresistibile. Creando il potere supremo, otteniamo la massima soddisfazione dell’ego come scienziati e futuristi.

Costruendo un sistema che stabilisce i propri obiettivi e li persegue autonomamente con la stessa efficacia di una persona, esternalizziamo la nostra volontà proattiva, trapiantandola in un nuovo migliore amico per l’umanità verso il quale nutriamo la massima considerazione e con cui possiamo potenzialmente empatizzare. Creando una nuova forma di vita, realizziamo tutto il potenziale ancora non espresso delle nostre macchine generiche, note come computer. Ricreando noi stessi, otteniamo l’immortalità.

Creando una singola soluzione a tutti i problemi, trascendiamo qualsiasi misura di ricompensa finanziaria per ottenere una ricchezza infinita. Il leader di pensiero ed executive nel ML Richard Heimann chiama questo l’errore della soluzione unica. Invece di risolvere i molti problemi del mondo uno alla volta, li risolviamo tutti in un colpo solo con l’arma finale.

Non dobbiamo preoccuparci di questioni globali come il cambiamento climatico, l’instabilità politica, la povertà o le crisi sanitarie. Invece, una volta che esiste un essere umano artificiale, continuerà a migliorarsi fino a diventare un risolutore di problemi capace almeno quanto la razza umana.

Qual è una buona strategia per colmare il divario che separa i professionisti del business e quelli dei dati, che di routine impedisce al ML di avere successo?

Ecco il problema. Il ML è la tecnologia più potente e generalmente applicabile al mondo. Tuttavia, il ML può migliorare le operazioni su larga scala solo cambiandole. Perciò, un progetto di ML non dovrebbe essere visto come “un progetto tecnologico”. Invece, per avere impatto, deve essere riformulato come un progetto di business volto a migliorare la performance operativa, con il ML come solo uno dei componenti—necessario ma non sufficiente.

Dal momento che l’attenzione è focalizzata quasi esclusivamente sulla parte tecnica e sulla sua esecuzione, il settore non è riuscito a stabilire una prassi aziendale diffusa per portare avanti tutta l’altra metà di un progetto ML di successo. Di conseguenza, le nuove iniziative ML spesso non vengono implementate.

La mia soluzione a questo è bizML, una disciplina in sei fasi per gestire un progetto di ML in modo che venga effettivamente implementato. Puoi leggere di più su questo nel mio ultimo libro.

Qual è la tua spiegazione per cui la maggior parte dei progetti di ML aziendale fallisce nell'essere implementata mentre pochi selezionati hanno successi straordinari?

La causa principale del fallimento della maggior parte dei progetti di ML è la mancanza di una pianificazione rigorosa per l’implementazione – ovvero pianificare il cambiamento operativo che l’integrazione di un modello predittivo comporterebbe. Poiché il ML viene visto dal mondo come un progetto tecnico che coinvolge i calcoli più avanzati, si presume che il progetto tecnico porterà valore. Questo è un grave malinteso.

Il valore viene acquisito solo *cambiando* – e quindi migliorando – le operazioni su larga scala, guidate dalle previsioni offerte da un modello ML.

Hai un’opinione controcorrente sul troppo entusiasmo che circonda la intelligenza artificiale e sul perché quasi nessuno si chieda – o misuri – quanto sia valida la tecnologia dell’IA?

Questi sono due aspetti diversi. Per quanto riguarda l’hype, la narrativa popolare è che ci stiamo avvicinando all’AGI. Questo è un mito. È il romanzo che Mary Shelly avrebbe scritto se avesse conosciuto gli algoritmi.

Per quanto riguarda il motivo per cui non stiamo misurando quanto *è valida* l’IA – quanto ben si comporta quantitativamente e quanto valore può fornire al business, a seconda di come viene implementata – l’attenzione è fuori luogo.

In che modo le organizzazioni utilizzano attivamente la ML per potenziare le operazioni e creare un vantaggio competitivo in diversi settori?

La ML innova in modo semplice, seppure dirompente. Non lasciare che lo scintillio di questa tecnologia sfarzosa offuschi la semplicità del suo compito fondamentale: per la maggior parte delle applicazioni aziendali, lo scopo della ML è fornire previsioni azionabili—ed è per questo che viene talvolta chiamata anche analisi predittiva o IA predittiva.

Sebbene imparare dai dati per generare un modello predittivo meriti tutta l’ammirazione riservata a qualsiasi altra impresa scientifica o ingegneristica, questa capacità si traduce in valore tangibile in modo semplice: il modello genera punteggi predittivi, che a loro volta guidano milioni di decisioni operative.

In questo modo, la ML combatte i rischi più significativi—tra cui incendi boschivi, cambiamenti climatici, pandemie e abusi sui minori. Aumenta le vendite, riduce i costi, previene le frodi, ottimizza la produzione e rafforza la sanità.

Per altre interviste interessanti, iscriviti alla newsletter di The CTO Club.