Condividi
x

E’ proprio il caso di scomodare l’intelligenza artificiale per riconoscere un cane da un mocio?

03/05/2019

Distinguere un cane da un mocio ai nostri occhi può risultare banale…ma se affidiamo questa operazione ad un computer non lo è affatto. Vedere per credere:
Intelligenza artificiale
Un bravo sviluppatore può creare delle regole (il cane deve avere 4 zampe, 2 orecchie, etc…) affinché il riconoscimento visivo sia automatico, ma non possiamo mai essere sicuri che riuscirebbe a coprire tutte le casistiche? Molto probabilmente si troverebbe a rivedere le regole per tutta la sua vita…
Questo tipo di problemi è sempre stato affrontato con soluzioni molto specifiche, ma da qualche anno a questa parte è diventato la frontiera di un nuovo approccio, di cui tutti abbiamo certamente sentito parlare: l’intelligenza artificiale, tramite il suo fido scudiero, il machine learning.

Cos’è l’intelligenza artificiale e qual’è il suo rapporto con il machine learning?

L’intelligenza artificiale è l’abilità di simulare il comportamento umano ed i processi cognitivi​ che stanno alla base del funzionamento della nostra mente ossia: l’intelligenza, la percezione, il riconoscimento, la comprensione, ecc…​
E’ quindi quello che rende un sistema capace di “pensare”, o perlomeno nel nostro immaginario è quello che ci fa dire “però! Intelligente!”
D’altro canto, per machine learning si intende un mezzo dell’intelligenza artificiale che raccoglie un insieme di metodi, sviluppati a partire dagli ultimi decenni del XX secolo in varie comunità scientifiche, sotto diversi nomi quali: statistica computazionale, riconoscimento di pattern, reti neurali artificiali, filtraggio adattivo, teoria dei sistemi dinamici, elaborazione delle immagini, data mining, algoritmi adattivi, ecc; che utilizza metodi statistici per migliorare progressivamente la performance di un algoritmo nell’identificare pattern nei dati.
Ok, perfetto… quindi cosa significa?
Il machine learning è l’apprendimento basato su esempi e sull’esperienza​.
La macchina viene addestrata per mezzo di “esempi” (in gergo tecnico training set) affinché sia in grado di riconoscere una determinata immagine, un comportamento, un input vocale in completa autonomia.
E’ quindi la macchina stessa a scrivere le regole. Quali sono queste regole?  Non è dato conoscere, possiamo solo misurare l’accuratezza delle risposte. Più “esempi” daremo al nostro computer più l’accuratezza aumenterà; ma attenzione: non bisogna che aumenti troppo, altrimenti diventerà troppo specializzato… se forniamo migliaia di immagini di auto di tre brand, ad esempio, potrebbe darsi che la nostra intelligenza (poco intelligentemente) riconosca come “auto” solo quelle di quei tre particolari brand. Ci vuole equilibrio!
Non conoscere le regole in alcuni contesti può rappresentare un vero problema: emblematico il caso di Tesla. Chi sogna un giorno di avere un’auto con pilota automatico, sicuramente avrà seguito i diversi test drive del brand americano e avrà letto recentemente di come alcuni hacker cinesi abbiano trovato il modo di ingannare la Tesla Model S mettendo strategicamente alcuni semplici adesivi sulla strada. Conoscere le regole all’interno della “black box” Tesla, in questo caso, avrebbe decisamente aiutato a capire per tempo che per l’autopilota sono sufficienti tre quadratini applicati sulla strada per rilevare una corsia ed effettuare un cambio di direzione, mettendo così a rischio la sicurezza delle persone.
La soluzione? Cercare di capire, migliorare l’addestramento, riprovare con altre immagini… come potremmo fare per un animale da ammaestrare, insomma.
Intelligenza artificiale
Fortunatamente in altri contesti non conoscere come la macchina ragiona non comporta delle implicazioni cosi disastrose. Anzi l’intelligenza artificiale può rappresentare un vero passo in avanti nell’ottimizzazione dei processi logistici di un’azienda come abbiamo visto al Logimat2019 (voice picking, tracciabilità oggetti e loro direzione per mezzo dell’RFID), oppure nell’aumentare le vendite creando nuovi bisogni o alimentando quelli latenti (se desideri approfondire l’argomento, leggi anche questo articolo sui recommender system) o ancora nel creare una customer experience avanzata rendendo possibile la prescriptive analytics.

Ma come gestiamo il make or buy?

Come capiamo quando è meglio utilizzare dei modelli già addestrati (ad esempio da Google, o da Amazon) e quando invece è meglio svilupparli in modo custom?
Nel caso dello speech to text ossia la funzione che converte la voce in testo, di cui abbiamo già parlato sia in ambito applicazioni di vendita sia voice picking, molto probabilmente ha senso sfruttare modelli già esistenti perché l’effort e l’investimento richiesto non giustificherebbe l’effettivo ritorno. Nel caso invece della gestione di un servizio come l’assistenza IT ai punti vendita da parte di un service desk risulta difficile attenersi ad una classificazione standard dei ticket, perché ogni azienda è diversa e in quanto tale necessita di categorie personalizzate. C’è spazio quindi per un valore aggiunto tutto nostro.
Certo, di I.A. si sente parlare ovunque, a volte anche a sproposito. E’ molto importante tenere sempre a mente che è uno strumento, non la soluzione; la sua applicazione non può prescindere dalla conoscenza diretta e approfondita dei meccanismi e del linguaggio propri del mio cliente e della mia applicazione… insomma, come nel caso di Tesla, sempre più in futuro senza I.A. non si andrà da nessuna parte, ma servirà sempre un pilota che sappia bene tenere gli occhi fissi sulla strada!

ATONEWS
Le persone al centro
People
Giulia Stefano
3 consigli per scegliere l’azienda giusta
30/09/2022
Approfondisci
People·Tech
Michele Mauro
Aton partecipa a Voxxed Days Milano
16/09/2022
Approfondisci
training-clienti-img
People·Service Desk
Alice Vian
Training clienti: la formazione e le installazioni tecniche di Aton
08/09/2022
Approfondisci
aton-manutenzione-hardware-business-continuity-img
Hardware·Planet
Maurizio Bovo
Manutenzione hardware: come garantire la Business Continuity
01/09/2022
Approfondisci
onsummer-kayak-img
People·Planet·Prosperity
Giorgio De Nardi
.onSummer 2022 | Traguardi del primo semestre
05/08/2022
Approfondisci
People·Service Desk
Barbara Bettin
Il Service Desk di Aton non è un Help Desk
27/07/2022
Approfondisci
CASE STUDY
Ecco alcune delle nostre esperienze
Leggi
shv-energy-case-study-img

SHV Energy

Energy
In una sola web console l’azienda registra i dati, gestisce gli ordini, pianifica i rifornimenti, la manutenzione e si assicura che tutte queste operazioni vengano riportate in modo immediato e automatico nel gestionale.
Approfondisci
Leggi
gruppo-poli-banner-img

Gruppo Poli

Retail Vendite Omnichannel
Poli ha unito tradizione e innovazione nel proprio modo di fare impresa ponendo particolare attenzione ai collaboratori, ai clienti e al territorio. In Aton, ha trovato un partner con…
Approfondisci
Leggi
cattel-banner-img

Cattel

Food & Consumer Goods Vendite Omnichannel
Cattel S.p.a, azienda leader nel Nord d’Italia nella distribuzione di prodotti alimentari nel canale Ho.Re.Ca ha profondamente trasformato la raccolta ordini adottando la soluzione .onSales B2B di Aton.
Approfondisci
Leggi
Despar-Case-banner-img

Despar

Retail Vendite Omnichannel
Tutte le operazioni di negozio gestite in palmo di mano per gli oltre 600 punti vendita Despar, Eurospar e Interspar
Approfondisci
Leggi
faster-banner-img

Faster

Industrials Soluzioni per la Supply Chain
Tutti i progetti, che siano di successo o meno, hanno storie da raccontare. Un inizio difficile in salita, un partenza ricolma di speranza, colpi di scena ripetuti dove lo spettatore…
Approfondisci
Leggi
granarolo-banner-img

Granarolo

Food & Consumer Goods Vendite Omnichannel
Granarolo, il maggior gruppo agro-industriale del Paese a capitale italiano, tramite la consociata Zeroquattro S.r.l., ha intrapreso un percorso di innovazione nei propri canali di vendita che coinvolge migliaia di…
Approfondisci