AI

Come creare prodotti AI realmente efficaci, fase 1: definizione del problema

20/7/2021
Read in ENGLISH

Un processo studiato per portare l’Intelligenza Artificiale nel mercato

Nel nostro ultimo blog post, abbiamo introdotto un tema essenziale per le aziende che mirano a creare prodotti basati sul Machine Learning che siano realmente efficaci. Ovvero: quale procedura e quali passaggi sono necessari per realizzare soluzioni di Intelligenza Artificiale che rispondano realmente ai bisogni del mercato e dei clienti?

Blog post precedente

Dall’ambiente protetto della ricerca, al mare aperto del mercato

Innanzitutto è fondamentale sottolineare come il mondo si ribalti quando i modelli ML devono uscire dall’ambiente protetto del mondo universitario per affrontare reali bisogni di business. Limitandosi al contesto della ricerca, si possono identificare sostanzialmente due fasi che vengono iterate nell’implementazione di soluzioni di Machine Learning, cioè quella di sviluppo del modello e le seguenti valutazioni offline, che consiste nel testare il modello stesso a partire da un set di dati predefinito. Questo processo è appunto circolare, dato che prevede la ripetizione di valutazioni e correzioni del modello finché quest’ultimo non raggiunge un livello soddisfacente. E il processo funziona realmente quando viene eseguito all’interno del contesto sicuro dell’università. Ma cosa succede quando si passa allo scenario delle soluzioni pensate per il mercato?

Una procedura più solida per situazioni più complesse

Ovviamente la situazione cambia di molto in un contesto commerciale. Quando prima abbiamo utilizzato il termine sicuro, facevamo riferimento soprattutto alle ipotesi poste all’interno del contesto in cui lavorano i ricercatori universitari nell’ambito del ML, specificamente rispetto ai set di dati di partenza e alle valutazioni dei modelli. Ma, quando ci riferiamo allo sviluppo di veri prodotti basati sul Machine Learning, che devono affrontare reali problemi di business e bisogni dei clienti, sono necessari alcune fasi ulteriori oltre a quelle centrali di creazione del modello e valutazione. In Aptus.AI ci siamo concentrati su questo tema negli ultimi anni, raggiungendo così una procedura più solida, che include altri tre passaggi:

È evidente che i primi due step debbano essere svolti precedentemente al design del modello, mentre la terza fase è un’ulteriore valutazione del modello, che tiene conto anche del cambiamento dei dati e delle informazioni sui quali il sistema di Machine Learning deve lavorare.

La fase di definizione del problema: non c’è successo senza un piano

Molti problemi di business sono difficili da risolvere anche se sono chiari ed evidenti. Le cose si complicano quando gli stessi sono più complessi e sfaccettati. Ma la situazione diventa addirittura ingestibile se i problemi non vengono definiti prima di iniziare a lavorare. Ecco perché in Aptus.AI diamo la massima importanza alla fase di definizione del problema, che prevede incontri e confronti tra manager, tecnici e clienti. Per di più questo step è essenziale per organizzare quello seguente, ovvero la preparazione di set di dati specifici - che affronteremo nel prossimo post. La definizione del problema deve infatti tenere conto della situazione del mercato e dei bisogni del cliente, ma anche dei limiti e delle possibilità tecniche aperte dalle tecnologie di ML. In tal senso, è necessario anche stabilire una definizione del successo, cioè esattamente una definizione degli obiettivi commerciali legati allo sviluppo della soluzione di Machine Learning in questione. Tornando per un momento al mondo della ricerca, si può dire che in questo contesto il successo sia identificato con l’accuratezza dei modelli, ma - come anticipato nel nostro post precedente - l’accuratezza può essere considerata soltanto come un indicatore informativo rispetto a un prodotto di Intelligenza Artificiale, non direttamente proporzionale con un successo commerciale. Non è sempre vero che l’accuratezza sia la metrica corretta per valutare un sistema di Machine Learning. È questa consapevolezza che ci ha spinto a concentrarci su come modellare i problemi che vogliamo risolvere. L’esempio più evidente generato dal nostro lavoro in Aptus.AI è Daitomic, la piattaforma interattiva di AI che abbiamo creato per la gestione della compliance finanziaria. Questo software individua e distingue automaticamente tra obblighi e sanzioni bancarie, ma, allo stesso tempo, considera anche la maggior criticità legata a queste ultime, dato che - anche in questo caso - l’accuratezza media del modello di ML è importante, ma necessita di essere affiancata con la consapevolezza di cosa è realmente utile per gli utenti - ovvero per i clienti. Questo, appena descritto, è l’unico approccio che possa condurre alla realizzazione di soluzioni di AI realmente efficaci. Proprio come Daitomic.

DAITOMICMANIFESTOTEAMCAREERSBLOGCONTATTI
ENG
SEGUICI