È abbastanza normale sentir parlare di Intelligenza Artificiale su un piano tecnico o accademico (anche noi abbiamo tenuto questo approccio in diversi post). Ed è altrettanto comune leggere post e pagine di siti web aziendali in cui si parla ripetutamente di “soluzioni Machine Learning”. Ma sarà realmente così? Pensate di sapere davvero cosa succede quando i modelli ML devono affrontare concretamente le richieste del mercato e i bisogni dei clienti?
Come anticipato poco fa, spesso l’AI non viene considerata da una prospettiva incentrata sul business, anche se molte aziende usano l’espressione “Intelligenza Artificiale” come una sorta di parola magica quando si riferiscono ai propri prodotti. In realtà questo tipo di tecnologia necessita di essere affrontata in una maniera specifica per poter dare vita a soluzioni che risultino realmente efficaci sul mercato.
Senza addentrarci troppo nei temi legati al mondo delle cosiddette ML-Ops, è sufficiente osservare l’immagine qui sopra per avere un esempio cristallino della complessità di questo settore. Un modello di Machine Learning può essere accuratissimo nel distinguere tra immagini di lupi e di huskies. Ma come valutereste questo modello se la sua accuratezza fosse fondata sul riconoscimento della neve sullo sfondo? Fareste davvero affidamento su un sistema che non si basa né sulla consapevolezza del settore a cui si applica né sui reali bisogni per cui è stato creato? Nel caso di lupi e huskies, lo sbaglio è stato quello di non aver preso in considerazione l’enorme differenza tra correlazione e causalità - e accade spesso che questi due concetti vengano erroneamente sovrapposti. Il problema, però, diventa ancor più grande quando l’Intelligenza Artificiale viene applicata a prodotti reali, uscendo dalla sfera della ricerca accademica.
In Aptus.AI abbiamo ben chiara quanto sia complesso sviluppare soluzioni AI efficienti nel mondo reale - e non solo modelli funzionanti. Ecco perché abbiamo ideato - e seguiamo - un approccio studiato e testato, che affonda le sue radici in una profonda conoscenza del Machine Learning e soprattutto nella chiara consapevolezza delle difficoltà che si incontrano quando si sviluppano prodotti ML.
Queste difficoltà possono sostanzialmente essere raggruppate in due macro-tipologie:
Partendo dalla prima tipologia, è possibile identificare tre ulteriori livelli della questione, tutti legati al prodotto, ovvero:
Qualche riga fa abbiamo parlato di “approccio studiato e testato” e non era soltanto un modo di dire. In Aptus.AI abbiamo implementato un flusso di lavoro specifico che va oltre i normali passaggi di model design e valutazione offline seguiti nello sviluppo di sistemi ML all’interno del mondo accademico. Ecco come siamo riusciti a realizzare Daitomic, la nostra piattaforma di Intelligenza Artificiale per la gestione della compliance dedicata al mercato RegTech. Quali sono i passaggi aggiuntivi che abbiamo aggiunto? Continuate a seguirci per scoprirli in dettaglio - a partire dal nostro prossimo post!