Gli algoritmi di intelligenza artificiale sono ormai presenti in ogni ambito e mercato, utilizzati e utilizzabili da individui e organizzazioni: dalla musica che ci viene consigliata studiando i nostri gusti preferiti, ai percorsi suggeriti sulle mappe per raggiungere una destinazione, dalle analisi delle frodi bancarie, alle autovetture a guida autonoma, ai sistemi in grado di accettare o rifiutare domande di prestito di denaro, non ultima la possibilità di fare domande su qualsiasi tipo di argomento (qualcuno sta pensando a ChatGPT?).
Attorno a queste tecnologie nascono nuove professioni, nuove idee di business, nuovi casi di utilizzo. Partendo da questo presupposto, Gartner ha recentemente pubblicato un paper centrato su “AI TRiSM” nel tentativo di fornire una migliore comprensione dell’emergente ecosistema incentrato sull’intelligenza artificiale.
AI TRiSM, acronimo di Artificial Intelligence (AI) Trust, Risk, and Security Management, è un framework sviluppato per consentire la governance, l’affidabilità, l’equità, l’efficacia e la privacy dell’IA. Si preoccupa di garantire che vengano impiegate adeguate salvaguardie e politiche di governance al fine di evitare l’uso inappropriato dell’intelligenza artificiale.
Si tratta, a tutti gli effetti, di una disciplina che mira a garantire la sicurezza e la protezione dei sistemi di intelligenza artificiale e dei dati che essi utilizzano, sia nel momento dell’addestramento degli algoritmi (le informazioni utili a completare la fase di studio e conoscenza necessaria a questi sistemi), sia nel momento di utilizzo vero e proprio.
Al suo interno comprende non solo la gestione dei rischi legati all’utilizzo di queste tecnologie, ma anche la gestione della fiducia (verso gli utilizzatori) e la gestione della sicurezza.
La disciplina include anche la valutazione dei rischi legati all’utilizzo dell’IA, la creazione di controlli per prevenirli o mitigarli e linee guida relativa alla corretta gestione dei dati utilizzati per addestrare, alimentare e mantenere aggiornati i sistemi.
Gartner definisce AI TRiSM come un framework che include soluzioni, tecniche e processi per aumentare la fiducia nei sistemi grazie all’interpretazione e alla spiegabilità del modello, la privacy, le operazioni effettuate dai modelli e la resistenza agli attacchi avversari per i clienti (utilizzatori) e l’azienda (produttrice del modello).
Per ultimo, ma non per questo meno importante, l’AI TRiSM si occupa anche di assicurare che i sistemi IA soddisfino standard etici e legali, un punto certamente fondamentale e di importanza strategica.
Il framework AI TRiSM si concentra su tre ambiti distinti:
- AI Trust
- AI Risk
- AI Security Management
Oltre a questo, Gartner definisce il deep learning come una sottocategoria dell’apprendimento automatico basata su una rete neurale artificiale profonda, la quale poi è stata utilizzata per creare numerose altre tecniche e applicazioni nell’ambito dell’intelligenza artificiale.”
Tra le applicazioni dell’apprendimento automatico, possiamo citare:
- Riconoscimento vocale: grazie all’uso di algoritmi di machine learning, è possibile migliorare la precisione del riconoscimento vocale e quindi consentire a dispositivi come gli assistenti vocali di comprendere meglio ciò che viene detto.
- Analisi dei dati: il machine learning può essere utilizzato per analizzare grandi quantità di dati in modo più efficiente e accurato rispetto ai metodi tradizionali.
- Visione artificiale: attraverso l’uso di reti neurali convoluzionali, il machine learning può essere utilizzato per analizzare e identificare oggetti in immagini e video, il che ha numerose applicazioni in campo industriale e medico.
- Previsione: l’uso di tecniche di machine learning consente di creare modelli di previsione per una vasta gamma di applicazioni, tra cui previsioni del tempo, previsioni finanziarie e previsioni di vendita.
In generale, l’apprendimento automatico ha avuto un impatto significativo in molte aree della nostra vita quotidiana, dalla sicurezza informatica al marketing, dall’assistenza sanitaria alla guida autonoma dei veicoli. E con il continuo sviluppo di nuove tecniche e algoritmi di machine learning, ci aspettiamo che il suo impatto continui a crescere in futuro.