Siamo bombardati da visioni di un’IA superintelligente che prende il controllo del mondo, ma è realistico?
In questa intervista, il dott. Eric Siegel, ex professore alla Columbia University, consulente leader nel campo dell’apprendimento automatico e autore di Il manuale dell’IA: padroneggiare la rara arte dell’implementazione dell’apprendimento automatico, sostiene che l’IA predittiva, ovvero l’apprendimento automatico aziendale, offre un valore concreto che l’IA generativa non ha ancora dimostrato di poter garantire.
Esploreremo perché molti progetti di ML falliscono e come colmare il divario tra i team aziendali e quelli che si occupano di dati. Scoprite come le aziende sfruttano il ML per affrontare sfide del mondo reale e ottenere un vantaggio competitivo.
Perché le persone credono erroneamente che l’IA diventerà capace quanto gli esseri umani o che potrebbe potenzialmente rappresentare un rischio letale per la razza umana?
La realizzazione dei desideri promessa dall’intelligenza artificiale generale (AGI), ovvero un software capace di svolgere qualsiasi compito intellettuale che gli esseri umani possono svolgere, è talmente seducente da risultare quasi irresistibile. Creando il potere supremo, otteniamo la massima gratificazione per il nostro ego in quanto scienziati e futurologi.
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 dell’umanità, per il quale nutriamo la massima considerazione e con il quale potenzialmente possiamo empatizzare. Creando una nuova forma di vita, realizziamo ogni minima parte del potenziale ancora inespresso delle nostre macchine generaliste note come computer. Ricreando noi stessi, otteniamo l’immortalità.
Creando un’unica soluzione a tutti i problemi, trascendiamo qualsiasi misura di ricompensa finanziaria per ottenere una ricchezza infinita. Richard Heimann, autorevole esperto di ML e dirigente, definisce questa idea l’errore della soluzione unica. Invece di risolvere uno alla volta i numerosi problemi del mondo, li risolviamo tutti in un colpo solo con la soluzione universale definitiva.
Non dobbiamo preoccuparci di questioni globali come il cambiamento climatico, l’instabilità politica, la povertà o le crisi sanitarie. Al contrario, una volta entrato in esistenza un essere umano artificiale, continuerà a migliorarsi fino a diventare capace di risolvere i problemi quanto mai potrebbe esserlo la razza umana.
Qual è una buona strategia per colmare il divario tra professionisti aziendali e professionisti dei dati, che impedisce regolarmente ai progetti di 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 modificandole. Pertanto, un progetto di ML non dovrebbe essere considerato “un progetto tecnologico”. Per avere un impatto, deve invece essere riformulato come un progetto aziendale volto a migliorare le prestazioni operative, con il ML come una sola componente, necessaria ma non sufficiente.
Poiché l’attenzione è concentrata quasi interamente sulla parte tecnica e sulla sua esecuzione, il settore non è riuscito a definire una pratica aziendale ampiamente adottata per realizzare l’altra metà fondamentale di un progetto di ML di successo. Di conseguenza, le nuove iniziative di ML non arrivano regolarmente alla fase di implementazione.
La mia soluzione è bizML, una disciplina in sei fasi per gestire un progetto di ML affinché venga implementato con successo. Potete approfondire l’argomento nel mio ultimo libro.
Come spiegate il fatto che la maggior parte dei progetti di ML aziendale non arrivi alla fase di implementazione, mentre pochi progetti selezionati hanno un successo straordinario?
La causa principale del fallimento della maggior parte dei progetti di ML è la mancanza di una pianificazione rigorosa dell’implementazione, ovvero della trasformazione operativa che l’integrazione di un modello predittivo dovrebbe produrre. Poiché il mondo concepisce i progetti di ML come progetti tecnici che coinvolgono i calcoli numerici più avanzati, si presume che il progetto tecnico genererà valore. Si tratta di un grave errore concettuale.
Il valore viene acquisito solo *modificando* e quindi migliorando le operazioni su larga scala, sulla base delle previsioni fornite da un modello di ML.
Avete una valutazione controcorrente dell’entusiasmo eccessivo che circonda l’intelligenza artificiale e del motivo per cui quasi nessuno chiede, o misura, quanto sia efficace la tecnologia dell’IA?
Si tratta di due aspetti diversi. Per quanto riguarda l’entusiasmo, la narrazione popolare sostiene che siamo diretti verso l’AGI. È un mito. È il romanzo Frankenstein che Mary Shelley avrebbe scritto se avesse conosciuto gli algoritmi.
Quanto al motivo per cui non misuriamo quanto sia *efficace* l’IA, ovvero quanto bene funzioni quantitativamente e quanto valore aziendale potrebbe generare, a seconda di come viene implementata, l’attenzione è mal riposta.

Author's Tip
“Quando valutano i modelli di ML, i data scientist si concentrano quasi interamente su metriche tecniche come precisione, richiamo e lift, una sorta di moltiplicatore predittivo (in altre parole, quante volte il modello fa previsioni migliori rispetto a una semplice ipotesi?). Tuttavia, queste metriche sono assolutamente insufficienti. Ci indicano le prestazioni relative di un modello predittivo, rispetto a una base di riferimento come le previsioni casuali, ma non forniscono alcuna indicazione diretta sul valore aziendale assoluto di un modello. Anche la metrica più comune e utilizzata, l’accuratezza, rientra in questa categoria. (Inoltre, di solito è inappropriata e spesso fuorviante.)
Al contrario, l’attenzione dovrebbe concentrarsi sulle metriche aziendali, come ricavi, profitti, risparmi e numero di clienti acquisiti. Queste metriche semplici e significative misurano gli elementi fondamentali del successo. Sono direttamente collegate agli obiettivi aziendali e rivelano il vero valore delle previsioni imperfette prodotte dal ML. Sono essenziali per costruire un ponte, quanto mai necessario, tra i team aziendali e quelli di scienza dei dati.
Sfortunatamente, gli scienziati dei dati omettono regolarmente le metriche aziendali dai report e dalle discussioni, nonostante la loro importanza. Al contrario, le metriche tecniche dominano la pratica del ML, sia in termini di esecuzione tecnica sia nella comunicazione dei risultati alle parti interessate.”
In che modo le organizzazioni utilizzano attivamente il ML per potenziare le operazioni e creare un vantaggio competitivo in diversi settori?
Il ML innova in modo semplice, seppur dirompente. Non lasciate che il bagliore emanato da questa tecnologia tanto appariscente offuschi la semplicità della sua funzione fondamentale: per la maggior parte delle applicazioni aziendali, lo scopo del ML è formulare previsioni utilizzabili—ed è per questo che a volte viene chiamato anche analisi predittiva o IA predittiva.
Sebbene l'apprendimento dai dati per generare un modello predittivo meriti tanta ammirazione quanto qualsiasi altra impresa scientifica o ingegneristica, questa capacità si traduce in valore concreto in modo semplice: il modello genera punteggi predittivi, che a loro volta guidano milioni di decisioni operative.
In questo modo, il ML contrasta i nostri rischi più significativi, tra cui incendi boschivi, cambiamenti climatici, pandemie e abusi sui minori. Incrementa le vendite, riduce i costi, previene le frodi, semplifica la produzione e rafforza l'assistenza sanitaria.
Per interviste più stimolanti, iscriviti alla newsletter di The CTO Club.




