pixel
Condividi
x

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

03/05/2019
Redazione-img
Redazione
Tech
Categorie

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:
cane vs mocio IA - Aton
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
Progetti evolutivi atonpeople
People·Prosperity
Elena Pera
Per la crescita di Aton, puntiamo sulla crescita degli atonpeople
28/03/2024
Approfondisci
Nomade digitale - Aton
People
Alberto Canova
Il nomade digitale…stanziato a Cape Town!
27/03/2024
Approfondisci
Remote working da Barcellona - Alessandro Martin
People
Alessandro Martin
Dal villaggio alla grande città con il remote working
25/03/2024
Approfondisci
Inventario - Aton
Retail · Retail Management·Tech
Andrea Cobre
L’inventario: scenari e tecnologie per il Retail
22/03/2024
Approfondisci
Fiera Alimentaria 2024 Barcelona - Aton
Food & Consumer Goods · Sales
Pilar Jarillo Rincón
Fiera Alimentaria 2024: il futuro del Food & Beverage da Barcellona
21/03/2024
Approfondisci
digital nomadism - Aton
People
Germano Rizzo
Oh My Buddha: sogni e pratica del digital nomadism
18/03/2024
Approfondisci
CASE STUDY
Ecco alcune delle nostre esperienze
Leggi
caffè-vergnano-case-study-aton-img

Caffè Vergnano

Food & Consumer Goods
Oggi Caffè Vergnano è presente sul territorio in 19 regioni con oltre 4.500 clienti Ho.Re.Ca e nel mondo con più di 70 locali in 19 paesi.
Approfondisci
Leggi
unicomm-banner-img

Unicomm

Retail Vendite Omnichannel
Nel corso dei suoi quasi 70 anni di storia Unicomm è cresciuto fino ad essere presente oggi in 7 regioni e 32 province italiane. Con oltre 1500…
Approfondisci
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