(2) AI Factory e Machine Learning

Quali sono le 4 componenti chiave di un sistema AI?

Qualsiasi sistema di Intelligenza Artificiale si basa su quattro componenti interconnesse: 

1. Dati:  Rappresentano le informazioni grezze che devono essere identificate, analizzate e trattate in modo adeguato. La pertinenza e l'alta qualità dei dati sono cruciali per l'efficacia dell'AI. 

2. Algoritmo: Sono le istruzioni che l'AI segue per apprendere dai dati e creare il modello. Si tratta di un insieme di regole matematiche e statistiche che consentono al computer di identificare pattern nei dati e formulare previsioni. 

3. Modello: È l'output dell'algoritmo, la rappresentazione interna che l'AI ha imparato dai dati. Questo risultato del processo di apprendimento viene utilizzato per prendere decisioni e fare previsioni su nuovi dati. 

4. Infrastruttura: È la struttura tecnica, composta da software e hardware (come i chip grafici o GPU), che supporta l'architettura completa del sistema AI, necessaria per elaborare i dati e far funzionare algoritmi e modelli. 

Cos è l’AI Factory?

L'IA Factory è una piattaforma per lo sviluppo e l'addestramento su larga scala di soluzioni IA, pensata per facilitare e velocizzare l'utilizzo dell'IA nelle organizzazioni. Si tratta di un insieme di strumenti, infrastrutture e risorse.

Scopo = supportare e, in alcuni casi, automatizzare completamente le decisioni manageriali (facile e veloce). 

Abilita il modello operativo digitale delle aziende. Genera un circolo virtuoso tra utenti, dati, designer, algoritmi e previsione, mirando al miglioramento continuo. 

Elementi Essenziali dell'IA Factory

1. Data Pipeline: Processo sistematico di raccolta, integrazione ed elaborazione dei dati. Richiede un controllo rigoroso per risolvere inesattezze (es. anomalie di inserimento, cancellazione, aggiornamento). 

2. Sviluppo dell'Algoritmo: L'algoritmo è l'insieme di regole che la macchina segue. L'obiettivo è apprendere dai dati storici per sviluppare previsioni accurate, perseguito tramite gli approcci di Machine Learning. 

3. Piattaforme di Sperimentazione: Ambienti in cui le ipotesi relative a nuovi algoritmi vengono testate per verificarne l'effetto. La prima fase è la formalizzazione delle ipotesi. Ciascuna ipotesi viene quindi testata con uno studio di controllo randomizzato noto come A/B test, che serve per dimostrare un effetto causale. 

4. Software Infrastructure: Strutture che rendono i dati disponibili tramite interfacce, consentendo la rapida integrazione delle applicazioni. 

Approcci del Machine Learning

• Apprendimento Supervisionato: Mappa insiemi di input/output (es. regressione, reti neurali), eccellente per la classificazione. 

• Apprendimento Non Supervisionato: Raggruppa elementi in categorie simili (clusterizzazione), la macchina cerca somiglianze per imparare le differenze. 

• Apprendimento per Rinforzo: Un agente apprende a prendere decisioni ottimali interagendo con un ambiente. 

• Apprendimento Semi-Supervisionato: Sfrutta sia dati etichettati che non etichettati per superare le prestazioni degli altri approcci. 

 

A/B Testing (Esperimenti Controllati Randomizzati)

L'A/B testing o split test è la metodologia chiave per condurre la sperimentazione. È uno studio di controllo randomizzato, utilizzato per dimostrare un effetto causale. 

Si seleziona un campione casuale di potenziali utenti. 

Il campione viene diviso in due gruppi: 

• Gruppo di controllo: A cui non viene mostrata alcuna modifica (l'esperienza esistente). 

• Gruppo di trattamento: A cui viene mostrata una versione modificata (es. il nuovo algoritmo). 

I dati vengono analizzati per determinare se la modifica ha avuto un impatto statisticamente significativo su una metrica chiave (come il tasso di conversione o il tempo di permanenza). 

Per avere successo, la sperimentazione richiede un profondo cambiamento culturale all'interno dell'organizzazione.

Processo di Produzione dell'IA

1. Abilitazione (Enablement): Fase antecedente alla produzione, creazione di infrastrutture di supporto (hardware e strumenti computazionali) per la raccolta e l'accumulo dei dati. Obiettivo: Fornire la potenza di calcolo e l'ambiente tecnico per la successiva fase di Produzione. 

2. Produzione: Creazione delle applicazioni IA basate sugli elementi abilitanti (algoritmi, strumenti di visualizzazione, piattaforme/linguaggi di programmazione). 

3. Consumo: Uso e diffusione, implementazione dei casi d'uso. L'IA viene combinata con applicazioni specifiche per la personalizzazione e le offerte commerciali. 

 

Ruolo del Machine Learning: L'utilizzo (consumo) dell'AI da parte degli utenti genera dati in tempo reale. Il Machine Learning in questa fase permette di avviare un circolo virtuoso continuo: 

• Il consumo genera dati. 

• I dati vengono reimmessi nel sistema (autoapprendimento). 

• L'algoritmo viene calibrato e migliorato per aumentarne l'accuratezza. 

Per cui la Produzione e il Consumo non sono fasi isolate, ma sono strettamente collegate attraverso il feedback loop del machine learning e spesso gestite dagli stessi attori (gli AI Giants) che producono l'AI e ne sono i principali consumatori interni ed esterni. 

Tipologie di Aziende in Base all'IA

AI Giants	Producono e consumano IA per uso interno ed esterno, gestendo enablement e produzione. Strategie di consolidamento: sviluppo, collaborazione, acquisizione.
AI Creator	Producono IA prevalentemente per uso esterno. Migliorano e personalizzano soluzioni per i clienti.
AI Powered Operator	Sfruttano l'IA nelle operazioni quotidiane, ricorrendo a servizi esterni (Giants) e capacità interne per funzioni critiche.
AI Trader	Vendono servizi per la produzione di IA destinati al consumo dei clienti.
AI Taker	Acquirenti di soluzioni IA per abilitare funzioni aziendali critiche; non possono svilupparla internamente.

IA e Processo Decisionale 

Risponde a esigenze di carattere:

• Esogeno (esterno): Volatilità e mutevolezza dell'ambiente competitivo, ampliamento del mercato globale, tecnologie disruptive, contesto geopolitico in evoluzione.

• Endogeno (interno): Trasformare la crescente disponibilità di dati in nuova conoscenza.

Obiettivo: Ridurre le incertezze e ottimizzare il rapporto costi-benefici.

4 Aree di Applicazione dell'IA per Supportare il Processo Decisionale:

1. Sviluppo di idee: Gli algoritmi supportano gli umani superando i vincoli di elaborazione delle informazioni.

2. Idee generate: L'IA evidenzia pattern ricorrenti in una grande mole di dati.

3. Apprendere la conoscenza esistente: Identificare e sviluppare idee ricorrendo alla progettazione generativa.

4. Generare o riconoscere idee: Tramite l'apprendimento per rinforzo o meta rinforzo.

Come si può innovare l'IA?

Per raggiungere le esigenze esogene ed endogene, è necessario che anche l'innovazione dell'AI stessa (sviluppo e miglioramento) sia supportata. Alcuni studi adottano il modello della tripla e della quadrupla elica per immaginare scenari evolutivi dell’ AI: 

• Triple Helix: Modello in cui governo, istituzioni e imprese interagiscono per l'innovazione. L’innovazione non avviene in modo lineare, ma in uno spazio ibrido dove i tre attori collaborano e si influenzano a vicenda, assumendo talvolta ruoli reciproci (es. le università diventano "imprenditoriali"). 

• Quadruple Helix: Questo modello aggiunge un quarto elemento alle componenti della Tripla Elica: la Società Civile. Obiettivo: Creare un modello di innovazione più democratico e orientato al bene comune. L'aggiunta della società civile è cruciale per colmare il gap tra l'innovazione tecnologica e il suo impatto sociale. 

Cos è l’Intelligenze Aumentate?

L'Intelligenza Aumentata è considerata il successivo sviluppo della ricerca sull'IA. Non sostituisce, ma espande le capacità umane di elaborazione delle informazioni. 

Ciclo di 5 Fasi: 

1. Understanding (Comprendere): I sistemi vengono alimentati con dati da cui traggono significato. 

2. Interpretation (Interpretazione): Il sistema riflette su dati vecchi per interpretare quelli nuovi. 

3. Reasoning (Ragionamento): Il sistema genera output o risultati per il nuovo set di dati. 

4. Learn (Apprendimento): Gli esseri umani forniscono feedback sull'output e il sistema si adatta. 

5. Assure (Garanzia): La sicurezza e la conformità delle soluzioni sono garantite tramite blockchain o IA. 

Aspetti Organizzativi per l’implementazione l’AI

1. Individui con competenze trasversali, sia nel settore specifico che nella tecnologia. 

2. Regole, Processi e Responsabilità chiara. 

3. Gestione graduale del cambiamento. 

4. Tecnologie e processi richiedono un input umano continuo. 

5. Necessità di algoritmi white box per spiegare eventuali malfunzionamenti.