A cura di Werner Vogels, CTO at Amazon Web Services
Spesso si riesce a determinare solo a posteriori il momento in cui una tecnologia arriva al punto di svolta. Nel caso dell’intelligenza artificiale (AI) e del machine learning (ML), invece, è diverso. Il machine learning è quella parte dell’intelligenza artificiale che descrive le regole e riconosce i pattern da grandi quantità di dati, in modo da prevedere i dati futuri. Entrambe le idee sono virtualmente onnipresenti e in cima alle classifiche dei termini più alla moda.
Personalmente penso (e questo è chiaramente legato alla crescita di AI e ML) che non ci sia mai stato un momento migliore di oggi per sviluppare applicazioni smart e usarle. Per quale ragione? Perché stanno accadendo tre cose. Primo: gli utenti di tutto il mondo stanno registrando dati in modo digitale, sia nel mondo fisico tramite sensori o GPS, sia online attraverso dati clickstream. Il risultato è quindi la disponibilità di una massa critica di dati. Secondo: c’è abbastanza capacità di computing disponibile sul cloud per le aziende, indipendentemente dalla loro dimensione, per utilizzare applicazioni intelligenti. Terzo: c’è una “rivoluzione algoritmica”, cioè è ora possibile allenare miliardi e miliardi di algoritmi simultaneamente, rendendo l’intero processo di machine learning molto più veloce. Questo ha reso possibile una ricerca maggiore, che ha quindi consentito di raggiungere la “massa critica” nella conoscenza necessaria per iniziare una crescita esponenziale nello sviluppo di nuovi algoritmi e architetture.
Se è vero che abbiamo compiuto una strada relativamente lunga con l’AI, si tratta di un processo che ha avuto luogo in sordina. Dopotutto, negli ultimi 50 anni, intelligenza artificiale e machine learning sono stati accessibili solo a un gruppo ristretto di ricercatori e scienziati. Questo oggi sta cambiando, grazie a una quantità di servizi, framework e tool di AI e ML disponibili per qualsiasi tipo di azienda, incluse quelle che non hanno team di ricerca dedicati in questo ambito. I management consultant di McKinsey si aspettano che il mercato globale per servizi, software e hardware basati su AI cresceranno ogni anno del 15-25%, per raggiungere un volume di circa 130 miliardi di dollari entro il 2025. Numerose startup stanno usando algoritmi di AI per qualsiasi cosa immaginabile: per cercare tumori all’interno di immagini mediche, per aiutare le persone a imparare le lingue straniere o per automatizzare la gestione dei reclami delle compagnie assicurative. Allo stesso tempo, si stanno creando categorie completamente nuove di applicazioni laddove una conversazione naturale tra uomo e macchina è sotto i riflettori.
Il progresso attraverso il machine learning
Tutto il parlare che si fa su AI e ML è davvero giustificato? Si, perché AI e ML offrono alle aziende e alla società possibilità affascinanti. Con l’aiuto della digitalizzazione e dei computer ad alte prestazioni, siamo in grado di replicare l’intelligenza umana in alcune aree (come la visione artificiale), e addirittura superarla. Stiamo creando diversi algoritmi per una ampia gamma di aree di applicazione e stiamo trasformando queste singole parti in servizi, così che il ML sia disponibile per tutti. Inserito nelle applicazioni e nei modelli di business, il machine learning può rendere la nostra vita più piacevole o sicura. Prendiamo per esempio la guida autonoma: il 90% degli incidenti stradali negli Stati Uniti possono essere ricondotti all’errore umano. Si presume quindi che, se le auto saranno guidate in modo autonomo, il numero di incidenti sul lungo termine diminuirà. Nel campo dell’aviazione, ad esempio, questo accade già da molto tempo.
I pioneri del MIT (Massachusetts Institute of Technology) Erik Brynjolfsson e Andrew McAfee prevedono che l’effetto macroeconomico della cosiddetta “seconda era delle macchine” sarà paragonabile a quello scatenato dal motore a vapore quando ha sostituito la forza lavoro umana (“prima era delle macchine”). Molti sono a disagio all’idea che esista un’intelligenza artificiale accanto a quella umana, il che è comprensibile. È necessario quindi parlare – insieme agli sviluppi tecnologici – di come l’intelligenza umana e artificiale possano coesistere in futuro, degli aspetti etici e morali che questo implica, di come sia possibile garantire un buon controllo sull’AI e di quali parametri legali sono necessari per gestire tutto. Rispondere a queste domande sarà tanto importante quanto lo sforzo di risolvere le sfide tecnologiche, e nessun dogma o ideologia potrà essere d’aiuto. Al contrario, quello che serve è un obiettivo, un dibattito ad ampio spettro che prenda in considerazione il benessere della società tutta.
Machine Learning in Amazon
Negli ultimi 20 anni, migliaia di software engineer di Amazon hanno lavorato sul Machine Learning: osiamo perciò dire di essere l’azienda che si è applicata più a lungo su AI e ML a supporto del business. Sappiamo infatti che le tecnologie innovative decollano sempre quando cadono le barriere per i partecipanti del mercato.
È quanto sta accadendo in questo momento con AI e ML. In passato, chiunque volesse utilizzare l’intelligenza artificiale per se stesso doveva iniziare da zero, sviluppando algoritmi e alimentandoli con enormi quantità di dati (anche se aveva bisogno di un’applicazione per un contesto ristretto). Questo si riferisce alla cosiddetta intelligenza artificiale “debole”: molte delle interfacce utente con cui tutti abbiamo confidenza oggi (come funzioni di raccomandazione, somiglianza o autofill per la ricerca predittiva), sono tutte guidate dal machine learning. Al contempo, si possono prevedere i livelli di inventory o i lead time per i vendor, individuare i problemi dei clienti e capire automaticamente come risolverli, scoprire merci contraffatte e risolvere commenti offensivi, proteggendo quindi i nostri utenti dalle frodi. Ma questo è solo la punta dell’iceberg. In Amazon, ci basiamo su miliardi di informazioni degli ordini storici, il che ci consente di creare ulteriori modelli basati su AI/ML per diversi tipi di funzionalità. Per esempio, le interfacce di programmazione che gli sviluppatori possono utilizzare per analizzare le immagini, trasformare il testo in linguaggio realistico o creare chatbot. In sostanza, chiunque voglia definire modelli, allenarli e poi scalare può trovare qualcosa. Le librerie preconfigurate e i framework di deep learning sono ampiamente disponibili, il che consente a chiunque di iniziare molto velocemente.
Aziende come Netflix, Nvidia o Pinterest utilizzano le nostre capacità di machine e deep learning. Sono stati creati innumerevoli livelli in un tipo di ecosistema in cui le aziende possono “ormeggiare” la loro attività, in base a quanto vogliono andare in profondità e a quanto sono in grado di immergersi nell’argomento. Decisiva è l’apertura dei livelli e la disponibilità dell’infrastruttura. In passato, le tecnologie di AI sono state così costose che difficilmente valeva la pena di utilizzarle. Oggi le tecnologie di intelligenza artificiale e machine learning sono disponibili di serie e possono essere richiamate in base alle esigenze individuali, tanto che formano la base per nuovi modelli di business. Anche gli utenti che non sono specialisti dell’AI possono incorporare facilmente e a costi contenuti gli elementi costitutivi nei propri servizi. In particolare, possono beneficiarne le medie e piccole imprese con forza innovativa, poiché non devono imparare nessun algoritmo né tecnologia complessa di ML, e possono sperimentare senza incorrere in costi elevati.
L’intelligenza artificiale contribuisce a soddisfare il cliente
Una delle aree di applicazione più avanzate è l’e-commerce. I meccanismi di preselezione supportati dall’AI aiutano le aziende a liberare i processi di decision making dei clienti dalla complessità. Il fine ultimo è la soddisfazione del cliente: se ci sono solo tre tipi di dentifricio, il cliente può facilmente selezionarne uno ed essere soddisfatto, ma quando più di 50 tipi sono in offerta, la scelta diventa complicata. Devi decidere, ma non sai se la decisione è quella giusta; più possibilità ci sono, più difficoltà ci sono per i clienti. I nostri algoritmi più conosciuti vengono da questo: filtrare i prodotti suggeriti sulla base della storia personale di acquisto di prodotti con caratteristiche simili o sul comportamento di altri utenti interessati ad articoli simili.
Ovviamente, la qualità contribuisce anche alla soddisfazione del cliente. Il supporto intelligente facilita la vita sia del fornitore, sia del cliente. Per Amazon Fresh, per esempio, abbiamo sviluppato algoritmi che imparano come devono sembrare gli alimentari freschi, quanto devono durare e quando il cibo non deve più essere venduto. Le aziende di trasporto aereo o ferroviario potrebbero anche usare questa tecnologia per il loro controllo qualità facendo girare un algoritmo basato sui dati dell’immagine della merce. L’agoritmo sarebbe quindi in grado di riconoscere la merce danneggiata e automaticamente scartarla.
Se puoi prevedere la richiesta, puoi pianificare in modo più efficiente
Nelle aziende B2B e B2C, è fondamentale che i prodotti siano disponibili velocemente, ed è per questa ragione che in Amazon abbiamo sviluppato algoritmi in grado di prevedere la richiesta giornaliera. Questo è particolarmente complesso nel caso della moda, in cui gli articoli sono sempre disponibili in numerose taglie e varianti diverse, e per i quali le possibilità di un ordine successivo sono molto limitate. Tra le altre, sono fornite al nostro sistema le informazioni sulle richieste passate, così come quelle sulle fluttuazioni che possono verificarsi con i prodotti stagionali, gli effetti delle offerte speciali e la sensibilità dei consumatori ai cambiamenti dei prezzi. Oggi possiamo prevedere con precisione quante magliette di una determinata taglia e colore saranno vendute in un determinato giorno. Abbiamo fatto fronte al problema e abbiamo reso la tecnologia disponibile per altre aziende come web service. MyTaxi, per esempio, utilizza il nostro servizio basato sul machine learning per programmare quando e dove il cliente avrà bisogno del veicolo.
Nuova divisione del lavoro
Ma l’intelligenza artificiale è molto più che semplice previsione. Nel campo della pratica, rilevante per numerosi settori, stiamo pensando a idee su come l’intelligenza artificiale possa contribuire al meglio per spostarsi ulteriormente da uno schema di lavoro tayloristico. Applicato ai robot, l’AI può liberare le persone da attività di routine fisicamente difficili e spesso stressanti. Le macchine sono molto adatte per svolgere compiti che per gli esseri umani sono difficili, anzi spesso sono più brave di loro (si pensi ad esempio ad indentificare il percorso migliore all’interno di un magazzino per un determinato numero di ordini o a trasportare merci pesanti fino al punto da cui devono essere spedite al cliente). Nel caso di compiti apparentemente semplici, invece, il robot è sopraffatto: un esempio? Riconoscere una scatola che è stata posizionata sullo scaffale sbagliato. Quindi come si possono mettere insieme i punti di forza delle due figure? Permettendo ai robot intelligenti di imparare dagli umani a identificare i prodotti giusti, di prendere in carico i vari ordini e spostarli autonomamente all’interno del magazzino seguendo il percorso più efficiente. Ecco come eliminiamo la parte più noiosa del lavoro, spostando le risorse verso un’interazione maggiore con il cliente.
Il nostro cliente SCDM sfrutta l’idea di liberare la forza lavoro “umana”, ma in un contesto completamente diverso. SCDM è un service provider che supporta le banche e le compagnie assicurative grazie alla digitalizzazione. Sfruttando l’intelligenza artificiale, SCDM consente ai suoi clienti di classificare documenti di formati molto diversi (PDF, Excel o immagini), come per esempio un report sulla performance di un prodotto di investimento che contiene centinaia di pagine. Scannerizzando centinaia di migliaia di documenti simultaneamente, l’algoritmo di SCDM riconosce quale documento è rilevante per una specifica richiesta, riconosce dove si trovano i dati rilevanti per un tipo specifico di preparazione ed estrae i dati dal documento. Il risultato è che ci saranno meno errori di calcolo e più tempo per l’interazione umana con stakeholder importanti come investitori, analisti e altri clienti.
Machine learning nell’istruzione, in medicina e aiuti allo sviluppo
Oltre al loro potenziale in termini di efficienza e produttività, ML e AI possono anche essere sfruttate nell’istruzione. Duolingo, che offre app gratuite per corsi di lingua, utilizza algoritmi di traduzione per valutare e correggere la pronuncia degli allievi. In medicina, l’intelligenza artificiale supporta i dottori nell’analisi delle immagini di raggi X, TAC o risonanze magnetiche. La Banca Mondiale utilizza inoltre l’AI per implementare programmi di infrastruttura, aiuti allo sviluppo e altre misure in modo più targettizzato anche per il futuro.
Più spazio all’ottimismo
Nonostante tutti questi sviluppi, molte persone del mondo accademico, imprenditoriale e governativo hanno una visione critica di machine learning e intelligenza artificiale. Ci sono stati avvertimenti sul fatto che una nuova super-intelligenza stia mettendo a repentaglio la nostra civilità, e questi avvertimenti hanno fatto parlare molto.
In ogni caso, nel dibattito pubblico non si dovrebbe dare spazio né all’isteria, né all’euforia. Ciò che serve, invece, è una visione pragmatico-ottimistica delle possibilità emergenti. L’intelligenza artificiale ci consente di liberarci di compiti che potrebbero arrecare danno alla nostra salute, o in cui le macchine sono più efficienti di noi. Ma non con l’obiettivo di renderci noi stessi superflui. Al contrario, per ottenere maggiore libertà personale ed economica per le relazioni interpersonali, per la nostra creatività e per qualunque cosa noi umani possiamo fare meglio delle macchine. Questo è quello per cui dovremmo lottare. Se non lo facciamo, finiremo per perdere le opportunità economiche e sociali che avremmo potuto cogliere.
