Gli strumenti di Intelligenza Artificiale (AI) che solo pochi anni fa sarebbero stati trovati solo nelle aziende più all’avanguardia stanno diventando ormai all’ordine del giorno. Ma mentre hardware, software e framework specializzati possono essere più diffusi in questi giorni, la conoscenza e l’esperienza per usarli in modo efficace non è stata mantenuta. Ecco cinque domande essenziali da porre ai team di sviluppo prima di finalizzare la propria strategia di intelligenza artificiale.
- Cosa si intende quando si dice di voler utilizzare strumenti di intelligenza artificiale?
L’intelligenza artificiale copre un’ampia gamma di definizioni, algoritmi, approcci, strumenti e soluzioni. Ad esempio, ci sono gli approcci sottostanti come l’apprendimento automatico (sia supervisionato che non supervisionato) e sistemi basati su regole. In cima a questi approcci ci sono pacchetti che forniscono soluzioni dal riconoscimento delle immagini all’elaborazione del linguaggio naturale (PNL). Quali approcci e strumenti sono i migliori per affrontare il problema? Gli sviluppatori devono scegliere lo strumento giusto per il problema in questione. BERT, GPT e altri approcci complessi basati sulla rete neurale potrebbero essere spesso in primo piano, ma ciò non significa che siano lo strumento più appropriato per la maggior parte dei casi d’uso. L’algoritmo più semplice che risolve il problema è in genere il migliore e i leader dell’innovazione dovrebbero assicurarsi che i loro team stiano selezionando i loro strumenti di conseguenza, non sulla base di una campagna pubblicitaria.L’algoritmo più semplice è in genere il migliore e i leader dell’innovazione dovrebbero essere sicuri che i loro team selezionino i loro strumenti di conseguenza. - Quanto bene si comprende il problema che si vuole che l’AI risolva?
L’obiettivo degli strumenti di intelligenza artificiale è imitare l’intelligenza umana, quindi quanto bene capisci il problema? L’approccio che gli esperti in materia adottano per risolvere il problema è ben compreso? Qual è l’accuratezza prevista dall’esperto in materia? Quanto si è sicuri che lo strumento AI possa raggiungere o superare quel livello di precisione? Se gli sviluppatori non sono esperti nel dominio in cui verrà addestrata l’intelligenza artificiale – e probabilmente non lo sono – probabilmente avranno bisogno del contributo di esperti in materia in quel campo. Questi esperti dovranno lavorare insieme a data scientist e ingegneri per creare, mettere a punto e valutare i modelli, quindi è importante designare esperti competenti a cui il team di sviluppo può rivolgersi per le domande. Si tenga inoltre presente che anche gli esperti commettono errori, quindi non si deve aspettarsi che un sistema di intelligenza artificiale addestrato su un problema non banale sia perfetto. L’intelligenza artificiale può essere in grado di competere a livelli umani o superiori a scacchi, Go e Jeopardy, ma questi domini ristretti sono valori anomali piuttosto che la regola. Bisogna essere realistici riguardo alle prestazioni che ci si può aspettare dal sistema: le affermazioni che i sistemi di intelligenza artificiale supereranno le loro controparti umane in termini di qualità e accuratezza raramente si rivelano essere vere. - Molti strumenti di intelligenza artificiale dipendono dai dati per l’apprendimento automatico. Quali dati si hanno?
Gli algoritmi sono validi quanto i dati forniti. I modelli di machine learning possono richiedere enormi quantità di dati per costruire modelli statistici accurati. A seconda del caso d’uso e dell’algoritmo, i requisiti dei dati possono variare da migliaia a milioni di esempi. I dati sono disponibili? La qualità dei dati è stata verificata? Anche la distorsione intrinseca nei dati è un problema: si può essere sicuri che i dati non includano pregiudizi? Molti leader ritengono di avere enormi quantità di dati preziosi non sfruttati che aspettano solo di essere estratti da un algoritmo di intelligenza artificiale. Ed è vero che la maggior parte delle aziende mantiene registri, transazioni, vecchie e-mail, database di informazioni sui clienti e così via, ma spesso i dati sono rumorosi, incoerenti o inadatti per addestrare un sistema di intelligenza artificiale per l’attività che si desidera affrontare. Una valutazione approfondita dei dati di formazione disponibili è un prerequisito per qualsiasi attività di IA. In alcuni casi, la preparazione dei dati può richiedere fino al 90% dello sforzo di sviluppo in un progetto AI, quindi la convalida della qualità dei dati disponibili dovrebbe essere una priorità assoluta sin dall’inizio. - Di che tipo di risorse di calcolo si avrà bisogno?
Se si ha intenzione di ospitare la propria iniziativa nel data center, si è definito l’ambito delle risorse di elaborazione necessarie? Gli strumenti di intelligenza artificiale come gli algoritmi di apprendimento automatico possono essere ad alta intensità di calcolo e potrebbero richiedere hardware aggiuntivo come le GPU per gestire il carico di elaborazione. Gli strumenti di intelligenza artificiale come gli algoritmi di apprendimento automatico possono essere ad alta intensità di calcolo e potrebbero richiedere hardware aggiuntivo per gestire il carico di elaborazione. Se si vuole ospitarlo nel cloud utilizzando risorse come GoogleML o Amazon Comprehend, si sono definiti i costi? Quali sono i problemi di infosec relativi all’invio di dati al di fuori del firewall? La formazione e la distribuzione di modelli di intelligenza artificiale possono richiedere risorse hardware non normalmente disponibili nelle organizzazioni che non conoscono l’IA. I fornitori di servizi cloud possono facilitare l’accesso alle apparecchiature necessarie, ma possono essere costose e il trasferimento dei dati di formazione nel cloud potrebbe essere fuori questione se il set di dati contiene informazioni riservate. Assicurarsi di avere non solo le risorse di calcolo di cui si avrà bisogno, ma anche l’autorizzazione per trasferire i dati per addestrare i sistemi di intelligenza artificiale lì. - Quanto tempo ci vorrà per portare la soluzione in produzione e, una volta che sarà disponibile, come aggiornerete la soluzione? Oltre alle best practice per gli strumenti applicativi e lo sviluppo di soluzioni, le soluzioni AI richiedono formazione e test sui modelli. Quale percentuale di falsi positivi è accettabile (precisione)? Quale percentuale di obiettivi mancati è accettabile (richiamo)? L’addestramento e il test del modello possono richiedere settimane, mesi o anche di più. Una volta che la soluzione è in produzione, come verranno gestiti gli aggiornamenti? Il modello dovrà essere completamente riqualificato e testato? Come sarà garantita l’integrità del modello una volta che sarà in produzione? Le sfumature nei dati in tempo reale possono cambiare nel tempo, quindi potrebbe essere necessaria una rivalutazione e messa a punto periodiche. I sistemi di intelligenza artificiale commetteranno inevitabilmente degli errori, quindi si avrà bisogno di piani in atto per affrontare quelle false previsioni quando si verificano. E proprio come le distribuzioni software tradizionali richiedono ancora manutenzione e amministrazione dopo il completamento dello sviluppo di base, anche i sistemi di intelligenza artificiale devono essere continuamente valutati, ottimizzati e aggiornati. Solo perché il progetto è stato pubblicato non significa che si dovrebbe assegnare immediatamente gli esperti che hanno formato i modelli a un nuovo progetto.
