Rispondere è intelligenza

Chiedere non è gratis

di

thumbnail

09

nov

2017

Il problema di avere esattamente la risposta che volevamo o l’operazione che intendevamo portare a termine.

[Riproduciamo un articolo di Steven Struhl, autore per Apogeo di AI Marketing, disponibile in tutte le librerie fisiche e digitali. Il post originale, What Do You Want Artificial Intelligence To Do?, si può reperire sul sito KoganPage].

È da tempo che sogniamo computer capaci di occuparsi delle parti complicate del problem solving, indietro fino alla nascita dell’apprendimento meccanizzato o machine learning. Era attorno al 1959 che un articolo su come insegnare al calcolatore a giocare a dama auspicava il giorno in cui sarebbe occorsa molta meno programmazione per raggiungere l’obiettivo [Oggi il computer ha risolto la dama: due giocatori che giocano alla perfezione pareggeranno]. Fare lavorare di più il computer, e risparmiarci fatica, rimane una meta. Che cosa vogliamo esattamente, però?

Questione di controllo

In una vecchia battuta, un venditore di computer spiega a un cliente che un nuovo computer taglierà del 50 percento il suo carico di lavoro. In questo caso, ribatte il cliente, ne prendo due. Come battuta lascia a desiderare e però sottolinea una problematica importante. Dove vogliamo mantenere il controllo e dove invece cederlo al computer, nonché ai suoi produttori? È un tema ricorrente in AI Marketing.

Molti dei metodi più recenti di machine learning, come gli ensemble, sono essenzialmente incomprensibili. Vale a dire che raggiungono una risposta, ma con talmente tanto calcolo e tanti passaggi che il loro procedere resta imperscrutabile. Le reti neurali sono l’epitome di una classe di metodi che non siamo in grado di comprendere con pienezza. Che cosa facciano precisamente, rimane fuori dalla nostra visuale.

In AI Marketing, mostriamo parte dell’output di una rete neurale di deep learning. I coefficienti (o le forze variabili) sembrano irrimediabilmente disallineati dai dati che appaiono sensibili. Metà delle volte le dimensioni dei coefficienti sembrano sbagliate e così il segno positivo o negativo. Come sappiamo che non stiamo guardando un errore di elaborazione?

AI Marketing

Qui si insegna di intelligenze a volte imperscrutabili.

 

Si può sostenere che la prova sta nei risultati concreti. È che questa particolare rete non ha funzionato così bene. Le sue predizioni erano mediocri e si vedeva un problema evidente di overfitting di funzioni di modellazione di dati peculiari di quello specifico dataset e altrimenti assenti nel mondo esterno.

A dieta di dati

Alcune forme di intelligenza artificiale, come appunto le reti neurali, possono dare risultati deludenti senza montagne di dati e tempi tremendamente estesi di rifinitura delle regole. Il nostro esempio usava circa 70 elementi misurati su 1.700 persone. Siccome le reti neurali contano ciascun valore separato di un elemento come un input, e la valutazione andava da uno a cinque, il programma si ritrovava con circa 630 mila datapoint da usare. Non erano abbastanza.

Una recente applicazione di intelligenza artificiale ha imparato a riconoscere i fiori nelle fotografie con precisione impressionante. Ha però richiesto l’analisi di ottocentomila immagini floreali. Allo stesso modo, le auto a guida automatica di Google potrebbero essere pronte in qualsiasi momento per il debutto in libertà sulle strade del mondo; ma questo arriva dpo anni e oltre tre milioni di chilometri percorsi. Le auto dovevano poter affrontare ogni possibile contingenza e sappiamo come il mondo reale sia disordinato e impredicibile.

Manca il buon senso

Un insieme di brillanti esperimenti chiamati Winograd Schema Challenge ci mostra come i computer abbiano problemi con il senso comune, persino con inferenze che un bambino piccolo tratta con disinvoltura. Per esempio, consideriamo la frase la palla attraversò il tavolo perché era di acciaio. Poi chiediamo che cosa è fatto di acciaio: la palla o il tavolo?. I computer, fino a oggi, rispondono correttamente nella metà dei casi, al livello di una moneta lanciata per aria.

Eppure l’addestramento delle macchine continua a migliorare. Potremmo essere vicini al punto in cui lasciamo il computer solo con i dati e lui si autoistruisce. Peraltro, nessun addentrarsi nelle transazioni frutterà una nuova strategia che valga la pena di seguire. Persino l’analisi più raffinata dei dati storici non può portare a una singola idea di nuovo prodotto o servizio. È una forma di pensiero ancora complessa che tocca ancora ai nostri cervelli.

La scelta è nostra

I computer e i metodi di machine learning hanno lavorato per anni accanto a noi per aiutarci a risolvere problemi. Hanno fornito assistenza ammirevole, individuando relazioni predittive che avremmo potuto non trovare mai nel tempo a nostra disposizione. Bisogna decidere che cosa va incontro alle proprie esigenze. Chi scrive ha un’ovvia inclinazione verso i metodi, non importa quanto evoluti, che consentono l’esame dei dettagli e permettono il raffronto del modello con la propria esperienza e il proprio acume. Questi utilizzi di machine learning sono indiscutibilmente positivi.

Quanto ci fidiamo del computer lasciato per conto proprio a elaborare, e persino a imparare in modo che fatichiamo a capire, sta diventando una decisione sempre più importante. Ricordiamoci che, almeno in teoria, abbiamo ancora un vantaggio quando c’è di mezzo il senso comune. Sta proprio a noi scegliere.




Steven Struhl è un analista e un consulente con oltre venticinque anni di esperienza nella progettazione e nello sviluppo di modelli statistici applicati al comportamento dei consumatori. Utilizzando l'analisi testuale e il data mining, il suo lavoro si focalizza su come le decisioni di acquisto vengono prese, con il fine ultimo di ottimizzare prodotti e servizi. È stato docente universitario di Statistica e partecipa come speaker a conferenze e seminari dedicati al pricing, i modelli decisionali, la segmentazione di mercato e la presentazione dei dati.

In Rete: https://www.koganpage.com/author/steven-struhl

Letto 784 volte | Tag: , , , , , ,

Lascia il tuo commento