9 scenari per le AI nel 2019

January 2, 2019

Cosa possiamo aspettarci dal 2019 per quanto riguarda le intelligenze artificiali, il machine learning e le trasformazioni sociali a queste associate? Diversi autori si sono interrogati su questo e offrono spunti molto interessanti. Sebbene sia sempre molto difficile fare delle previsioni proviamo a vedere alcuni punti di maggior interesse per il mondo delle AI che saranno, probabilmente, luoghi chiave nel 2019.

I punti che seguono sono una interpolazione dei post pubblicati durante il 2018 e della lettura dei seguenti testi che mi sono sembrati particolarmente significativi: Artificial Intelligence: A Modern Approach (Stuart Russell and Peter Norvig); Being Human in the Age of Artificial Intelligence (Max Tegmark); Introduction to Artificial Intelligence (Philip C Jackson); Deep Learning, Adaptive Computation and Machine Learning series (Ian Goodfellow); The Sentient Machine: The Coming Age of Artificial Intelligence (Amir Husain). 

 

Una premessa

Questo post è un contributo di scenario. Ma cosa vuol dire ragionare sul futuro per scenari?
 

 

In un seminario del 2006 a Ginevra, i membri fondatori del progetto Bridging the Gap hanno presentato uno scenario che postulava una crisi finanziaria originata negli Stati Uniti che avrebbe provocato una recessione globale con conseguenze economiche dolorose per l'Europa. Molti partecipanti al seminario - studiosi e responsabili delle politiche - erano increduli: «È semplicemente impossibile» ... «Non potrebbe mai accadere» ... «È una perdita di tempo parlarne» ... 

Questa storia suggerisce sia la sfida che il valore dell'analisi dello scenario. Gli scenari vengono spesso scambiati per:

  • previsioni,

  • profezie

  • simulazioni. 

Non sono nessuno di questi. Invece, gli scenari illustrano possibili stati futuri del mondo combinando teoria e narrazione in modi rigorosi e risonanti per facilitare il pensiero creativo. Forti di queste premesse possiamo allora entrare in questi nove scenari per il 2019.

 

1. tecnologie che consentiranno l'automazione parziale di varie attività.

L'automazione avviene per fasi. Mentre la piena automazione potrebbe essere ancora lontana, ci sono molti flussi di lavoro e attività che si prestano all'automazione parziale. McKinsey stima che "meno del 5% delle occupazioni può essere completamente automatizzato utilizzando la tecnologia attuale. Tuttavia, circa il 60% delle occupazioni potrebbe automatizzare il 30% o più delle loro attività costitutive".

 

 

Abbiamo già visto alcuni prodotti e servizi interessanti basati su tecnologie di visione artificiale e tecnologie vocali e ci aspettiamo di vederne ancora di più nel 2019. Assisteremo a ulteriori miglioramenti nei modelli linguistici e nella robotica che si tradurranno in soluzioni mirate ad automatizzare al testo e alle attività fisiche. Anziché aspettare un modello di automazione completo, la concorrenza spingerà le organizzazioni a implementare soluzioni di automazione parziali e il successo di questi progetti di automazione parziale stimolerà lo sviluppo ulteriore.

 

2. adozione di sistemi di AI nell'industria partendo dalle applicazioni analitiche esistenti.

Le aziende hanno passato gli ultimi anni a costruire processi e infrastrutture per sbloccare fonti di dati eterogenee al fine di migliorare l'analisi dei dati maggiormenti mission-critical, siano queste funzioni connesse all'analisi aziendale, a indicazioni strategiche e a personalizzazione della produzione, alla previsione o al rilevamento e monitoraggio delle anomalie.

 

 

Oltre ai nuovi sistemi che utilizzano tecnologie di visione e di linguaggio, ci si può aspettare di assistere al comparire delle prime incursioni di soluzioni basate sul deep learning e sull'apprendimento di rinforzo applicate ad aree in cui le aziende dispongono già di dati e di sistemi di apprendimento automatico. Ad esempio, le aziende stanno infondendo i loro sistemi che lavorano dati temporali e geospaziali con il deep learning, dando luogo a sistemi ibridi scalabili e più accurati (cioè sistemi che combinano il deep learning con altri metodi di apprendimento automatico).

 

3. in un'epoca di automazione parziale e soluzioni human-in-the-loop, il design UX / UI sarà fondamentale.

UX sta per User eXperience, ovvero esperienza utente. Questa può essere intesa come l’insieme di sensazioni, emozioni e ricordi che l’utente prova nel relazionarsi con un sito, un prodotto o un brand.Lo User eXperience Design (UXD) è quindi quella disciplina che studia l’esperienza degli utenti, a partire dalle culture, dalle sensibilità, dalle capacità di cui sono portatori, allo scopo di metterli nelle condizioni migliori per poter vivere un’esperienza positiva. 

 

Spesso, nel senso comune, lo UX design viene ridotto solo all'ultima attività di disegno dell'interfaccia, o UI (User Interface) design. Questo particolare tipo di attività è però molto diverso, sia per gli aspetti di cui si occupa, sia per le professionalità coinvolte. Se lo UX design consente di capire quali passaggi dovrà incontrare l'utente e in che modo, così che egli possa provare un’esperienza unica e memorabile, lo UI design è il disegno del ponte di collegamento che permette all'essere umano di relazionarsi con il prodotto.

 

Molte soluzioni di AI attualmente in produzione lavorano fianco a fianco con i consumatori, i lavoratori umani e altri esperti. Questi sistemi migliorano la produttività degli utenti e in molti casi consentono loro di eseguire attività su scala e accuratezza incredibili. Il corretto design tanto della UX che della UI non solo semplifica queste attività, ma è anche un modo per convincere gli utenti e utilizzare le soluzioni AI.

 

4. uscirà hardware specializzato per il rilevamento, la formazione e l'inferenza del modello.

La rinascita del deep learning è iniziata intorno al 2011 con modelli di registrazione della parola e con la visione artificiale. Oggi c'è certamente una scala di applicazione sufficiente per giustificare hardware specializzato: Facebook da solo fa migliaia di miliardi di previsioni al giorno. Anche Google lavora in una scala sufficiente per giustificare la produzione del proprio hardware specializzato: ha utilizzato le sue unità di elaborazione tensoriale (TPU) nel suo cloud dallo scorso anno. Il 2019 dovrebbe vedere apparire una più ampia selezione di hardware specializzato. Numerose aziende e start-up in Cina e negli Stati Uniti hanno lavorato su hardware che ha come obiettivo la costruzione di modelli e l'inferenza, sia nel data center che nei dispositivi periferici.

 

 

5. le soluzioni AI continueranno a fare affidamento su modelli ibridi.

Mentre il deep learning continua a guidare molte ricerche interessanti, la maggior parte delle soluzioni end-to-end sono sistemi ibridi. Nel 2019, inizieremo ad assistere di più sul ruolo essenziale di altri componenti e metodi, inclusi metodi basati su modelli come l'inferenza bayesiana, la ricerca ad albero, l'evoluzione, i grafici della conoscenza, le piattaforme di simulazione e molti altri. E potremmo iniziare a vedere interessanti sviluppi nei metodi di apprendimento automatico che non sono basati su reti neurali.

 

6. i successi delle AI stimoleranno gli investimenti in nuovi strumenti e processi.

Siamo in un'era altamente empirica per l'apprendimento automatico. Gli strumenti per lo sviluppo del machine learning dovranno tenere conto dell'importanza dei dati, della sperimentazione e della ricerca dei modelli e del modello di implementazione e, infine, del monitoraggio del modello stesso. Ora assistiamo solo a un passo del processo: la costruzione del modello. Le aziende stanno cominciando a esaminare strumenti per la raccolta dei dati, la gestione e l'analisi dei metadati, l'utilizzo efficiente delle risorse di calcolo, la ricerca efficiente dei modelli e l'ottimizzazione iperparametrica. Nel 2019, vedremo molti nuovi strumenti per facilitare lo sviluppo e l'effettiva diffusione di AI e Ml a prodotti e servizi.

  

7. l'inganno prodotto dalle AI rimarrà una seria sfida.

Nonostante una raffica di notizie "false", siamo ancora agli albori di contenuti generati dalla macchina (immagini finte, video, audio e testo contraffatti o mai prodotti da un uomo). Almeno per ora, il rilevamento e le tecnologie forensi sono stati in grado di carpire quali erano le immagini e i video falsi. Ma gli strumenti per generare contenuti falsi stanno migliorando rapidamente, quindi le varie agenzie negli Stati Uniti e altrove hanno avviato programmi per assicurarsi di avere le migliori tecnologie di rilevamento.

 

 

E l'inganno della macchina non si riferisce solo alle macchine che ingannano gli umani; macchine ingannatrici (robot) e macchine per ingannare le persone (troll armies e click farm) possono essere altrettanto difficili da gestire. I metodi di propagazione delle informazioni e le fattorie dei clic continueranno a essere utilizzati per ingannare i sistemi di classificazione sui contenuti e le piattaforme di vendita al dettaglio. I metodi per rilevare e combattere questi usi illeciti dovranno essere sviluppati con la stessa rapidità con cui vengono lanciate nuove forme di inganno basate sulle AI.

 

8. etica, affidabilità e sicurezza saranno al centro dell'attenzione.

È stato incoraggiante vedere ricercatori e professionisti diventare seriamente interessati e coinvolti in questioni relative alla privacy, alla correttezza e all'etica delle AI. Tuttavia, man mano che i sistemi di AI vengono implementati in applicazioni mission-critical, e anche in scenari che includono la vita e la morte di persone in applicazioni come veicoli autonomi o assistenza sanitaria, l'efficienza migliorata dall'automazione dovrà essere accompagnata da misurazioni e garanzie di sicurezza e affidabilità. L'aumento dell'inganno delle macchine nelle piattaforme online, così come i recenti incidenti che coinvolgono veicoli autonomi, ha spalancato la questione. Nel 2019 l'etica e la sicurezza dovranno essere discusse più intensamente.

 

9. la democratizzazione dell'accesso a grandi dati di addestramento ridurrà il campo di gioco.

Poiché molti dei modelli su cui facciamo affidamento, tra cui l'apprendimento approfondito e l'apprendimento di rinforzo, sono affamati di dati, i vincitori della competizione nel campo dell'AI sono state le grandi aziende o paesi con accesso a enormi quantità di dati.

 

 

Ma i servizi per generare set di dati etichettati (in particolare le aziende che si basano su etichettatrici umane) stanno iniziando a utilizzare strumenti di apprendimento automatico per aiutare i loro lavoratori a ridimensionare e migliorare la precisione. E in alcuni domini, nuovi strumenti come le generative adversarial networks (GAN) e le piattaforme di simulazione sono in grado di fornire dati sintetici realistici, che possono essere utilizzati per formare modelli di apprendimento automatico.

 

Infine, una nuova serie di tecnologie protette e protette dalla privacy che facilitano la condivisione dei dati tra le organizzazioni stanno aiutando le aziende a trarre vantaggio dai dati che non hanno generato. Insieme, questi sviluppi aiuteranno le organizzazioni più piccole a competere usando l'apprendimento automatico e l'intelligenza artificiale.

 

Guardando al 2019...

Se questi sono gli scenari le sfide sono di diverso tipo. Sfide tecnologiche che ci chiedono di guardare al mercato e agli investimenti degli stati nel mondo delle AI. Sfide etiche che chiedono che ogni stakeholder renda presente la sua voce per orientare le decisioni pubbliche verso il bene comune. Abbiamo bisogno di competenze legali per regolare il mercato e indirizzare la società civile e il  mondo militare verso gli orizzonti che riteniamo meno problematici e più sicuri per la prosperità e la pace del mondo, Il 2019 è appena iniziato ma l'impegno per un algor-etica e per l'etica delle AI deve crescere e approfondirsi.
 

Share on Facebook
Share on Twitter
Please reload