AI

Teoria VS casi d’uso reali: quello che non sapete sul Machine Learning

22/6/2021
Read in ENGLISH

Ecco cosa succede quando il ML incontra i bisogni del business

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?

Blog post precedenti

Guardare l’Intelligenza Artificiale con gli occhi del mercato

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.

Sfidare la complessità per raggiungere l’efficienza: l’approccio di Aptus.AI

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:

  • Aspetti legati al prodotti
  • Aspetti tecnici

Partendo dalla prima tipologia, è possibile identificare tre ulteriori livelli della questione, tutti legati al prodotto, ovvero:

  1. Aspettative degli utenti
    Quando si parla di “soluzioni Machine Learning”, spesso gli utenti non sanno bene cosa aspettarsi dal prodotto, dato che non hanno piena consapevolezza di cosa faccia l’AI. Qualche esempio? Google Home può dirci l’età di qualunque persona famosa del pianeta, ma non saprà mai dirci la differenza di età tra due di queste. Le persone che non sanno che le features del prodotto sono basate sul cosiddetto intent della ricerca, potrebbero trovarlo molto strano. Spesso gli utenti si aspettano la cosa sbagliata dagli strumenti di Intelligenza Artificiale. Ecco perché in Aptus.AI basiamo sempre lo sviluppo dei nostri prodotti ML sulla collaborazione con i nostri clienti, così da avere tutti ben chiaro cosa il sistema sia in grado e non sia in grado di fare.
  1. Comportamenti inaspettati
    Oltre alle aspettative degli utenti, le soluzioni AI possono anche risultare molto deludenti per certi loro comportamenti. Anche quando sono molto accurati, alcuni prodotti lasciano davvero a bocca aperta quando commettono un errore. Non dimentichiamoci che ai sistemi di Machine Learning vengono dati in pasto set di dati, dopodiché poi si può che dire che imparino da soli. Dunque, anche essendo accurati al 99%, non funzionano come i codici informatici scritti dagli esseri umani e possono generare errori completamente imprevedibili. Non è abbastanza chiaro? Nessun problema: guardate il video qui sotto e sicuramente capirete cosa intendiamo!


  1. Temi etici
    Infine, ci sono anche degli aspetti etici da considerare rispetto allo sviluppo dei prodotti AI. Questa volta ci riferiamo soprattutto a temi legati al buonsenso. Questo tipo di questioni non possono essere universalmente risolte con definizioni o formule. Pensate che sarebbe giusto creare un software che identifichi i criminali soltanto dal loro volto? Bene, è già stato sviluppato - Phrenology 2.0. Ovviamente questi aspetti dipendono da quale sia il campo di applicazione del Machine Learning e da come venga utilizzato nello specifico. È anche per questo che in Aptus.AI riteniamo essenziale dedicare la massima attenzione allo sviluppo e alla gestione del prodotto, sin dalle prime fase progettuali.

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!

DAITOMICMANIFESTOTEAMCAREERSBLOGCONTATTI
ENG
SEGUICI