L’evoluzione delle intelligenze artificiali è correlata a doppio filo con l’evoluzione dell’intera razza umana. Processi, abitudini e stili di vita vengono rapidamente modificati grazie a sistemi smart che supportano le attività umane con una diffusione pervasiva. In tutto questo processo, le persone, gli esperti di settore, hanno e devono avere un ruolo centrale. Il concetto portante dietro gli Hybrid Intelligence Systems è l’integrazione delle enormi potenzialità computazionali delle macchine intelligenti con la capacità umana di analisi e valutazione creativa degli scenari e dei contesti. Parliamo di un sistema di machine learning che basa le sue decisioni su schemi supportati da specialisti di settore e, d’altro canto, di specialisti di settore che basano le loro decisioni su valutazioni e classificazioni generati da un’intelligenza artificiale.
Cos’è la Hybrid AI
Esistono molte diverse definizioni legate agli Hybrid Intelligence Systems, ma indipendentemente dall’approccio utilizzato, lo scopo di queste tecniche e di questi strumenti è quello di aiutare persone e imprese a ottenere il massimo beneficio dall’AI, massimizzando accuratezza e affidabilità del risultato finale, e ottimizzando i tempi di processo dell’informazione. Per raggiungere il goal, si ibridano i sistemi di AI simbolica con i sistemi di AI non simbolica. Definiamo queste due classi di AI e vediamo insieme come fondere tecnologie concettualmente differenti per ottenere un Hybrid Intelligence System.
Per AI simbolica si intendono i sistemi che usano algoritmi per prendere decisioni basate su costrutti logici e grafi della conoscenza. Queste informazioni utilizzate dalle macchine sono dedotte ed estratte dai data scientist, in collaborazione con gli esperti di settore. In altre parole, si tratta di un’AI che non basa le sue conclusioni sull’esperienza iterativa, ma piuttosto su delle regole stabilite dal data scientist.
L’AI non simbolica è, invece, la classe che integra insieme i sistemi di machine learning, deep learning e reti neurali. In questo caso, la macchina impara a trarre conclusioni dai dati attraverso un processo che prevede lo sviluppo di modelli matematici basati sull’analisi di gradi quantità di dati (dataset), contenenti le informazioni da estrarre. Esistono sistemi supervisionati che utilizzano data set etichettati, che associano una serie di parametri a un’informazione certa. I sistemi non supervisionati, invece, estraggono le informazioni tentando di clusterizzare i dati iniziali trovando correlazioni e pattern ricorrenti.
Gli Hybrid Intelligence Systems possono essere visti come una combinazione avanzata di queste due categorie di AI, in grado di ottenere il meglio dai due mondi. Questi sistemi sono in grado di strutturare la conoscenza, creando costrutti che le macchine sono in grado di capire ed estendere. L’AI, così, non è più solo una black box non perfettamente comprensibile, ma è uno strumento in più che genera risultati facilmente accessibili e interpretabili dalle persone.
Perché è necessario integrare le capacità umane con quelle dell’AI
L’integrazione delle capacità umane con quelle dei sistemi di intelligenza artificiale è necessaria perché entrambi, da soli, non sono in grado di risolvere alcune tipologie di problemi. Gli esseri umani, ad esempio, sono straordinari nelle attività creative e di correlazione al contesto, ma hanno molte difficoltà ad analizzare grandi quantità di dati estraendone dei pattern. D’altro canto, le AI possono fare affidamento su hardware moderno in grado di effettuare milioni di operazioni al secondo, quindi sono facilitate nell’elaborazione dei big data e hanno dimostrato ottime capacità di rilevazione di pattern che potrebbero sfuggire all’occhio umano. Questi vantaggi sono, però, solo una faccia della medaglia, perché bisogna anche constatare che con il machine learning si fa ancora molta fatica a interpretare il contesto, e la creazione di contenuti è relegata a una forma particolarmente complessa di riproduzione, e non a un vero processo creativo. Inoltre, le AI sono ancora molto soggette ad attacchi che riescono a comprometterne irrimediabilmente l’affidabilità con macchinazioni che gli umani sarebbero in grado di riconoscere senza nessuna difficoltà.
In un ambiente dinamico, dove vengono generati molti dati, è importante riuscire a sviluppare sistemi che, grazie all’apporto umano, si adattino rapidamente e che, nel contempo, riescano a estrarre informazioni utili dai big data in tempo reale. L’AI tradizionale ha bisogno di molto tempo e di molti dati durante il processo di training; un sistema ibrido, invece, può semplificare questa fase rendendola più dinamica e quindi più adatta a un ambito applicativo reale. La componente umana è anche in grado di identificare e mitigare eventuali bias presenti nei dataset che potrebbero influire pesantemente sulle decisioni dell’AI.
Un approccio ibrido rende il data scientist e lo specialista di settore parte integrante del processo di training e anche del processo decisionale.
Video: Hybrid Intelligence
Hybrid Intelligence Systems: i benefici dell’approccio ibrido
L’approccio ibrido all’apprendimento automatico dà luogo a una serie di vantaggi pratici non indifferenti, che possono diventare un volano per l’applicazione di massa di tecnologie AI in ambito business.
Gli Hybrid Intelligence Systems sono molto più scalabili dai sistemi tradizionali, rendendo semplice l’adattamento della tecnologia a un contesto mutevole o in evoluzione. Le decisioni finali risultano più accurate e sicure, grazie all’attività di supervisione del processo da parte di uno specialista umano. Il fatto di non considerare l’AI come una black box autonoma, ma come uno strumento spiegabile che fa parte del processo decisionale, rende solido e, in alcuni casi, anche etico l’uso in produzione di questi sistemi.
Appare evidente che integrare del personale nel processo di training e di elaborazione dei risultati aumenta la complessità della pipeline, ma questo effort in più è ampiamente giustificato dalla possibilità di comprendere meglio il processo decisionale, poter intervenire per migliorarne l’accuratezza e poter sfruttare anche basi di dati che risultano parzialmente incomplete o carenti di alcuni dati specifici. In questo caso, l’apporto umano consente di sviluppare regole di correlazione o strumenti statistici che completano l’informazione, e l’AI è a sua volta in grado di fornire un supporto affidabile per l’etichettatura automatica dei dati o per l’estrazione di pattern e cluster rilevanti.
Gli scenari, i prodotti e i device diventano sempre più complessi. Automatizzare quanti più processi possibili è una necessità che si può concretizzare solo avendo a disposizione strumenti adattabili, veloci e scalabili. Un livello di automatizzazione elevato consente a tutti gli stakeholders di velocizzare le operazioni e di ottenere il meglio dalla tecnologia.
Il risultato finale è quello di avere a disposizione un sistema che può prendere la decisione migliore basandosi sulle informazioni migliori secondo il contesto attuale. Un livello di flessibilità impensabile per le AI tradizionali.
Un esempio applicativo pratico
Uno degli ambiti applicativi dell’AI più interessanti è l’elaborazione del linguaggio umano. Comprendere e contestualizzare il significato di una frase o di una discussione è un compito molto complesso per una macchina. In realtà, risulta molto complesso anche per un essere umano: durante una conversazione non è raro interpretare in modo errato le parole di un’altra persona.
Gli Hybrid Intelligence Systems sono molto utili per incrementare l’affidabilità del Natural Language Processing. Esistono tool in grado di fare una prima analisi di massima di un gruppo più o meno grande di conversazioni, estrapolando metriche e indicazioni operative utili a stabilire dei parametri facilmente leggibili, che possono essere elaborati da uno specialista. La correzione di questi parametri e l’etichettatura di un numero ristretto di dati, dà al sistema di apprendimento automatico tutti gli strumenti necessari per effettuare una seconda analisi approfondita con un grado di accuracy nettamente migliore.
L’intervento umano consente al sistema di avere una contestualizzazione rapida dei risultati, adattandosi facilmente a tutti gli scenari, compresi quelli in rapida evoluzione. Inoltre, con poche correzioni ai parametri, è possibile correggere errori di fondo e bias dell’AI nei confronti della conversazione in analisi, adattando il training generalista, su cui essa si basa, al caso specifico.
Conclusioni
Gli Hybrid Intelligence Systems aprono la porta a un elevato numero di applicazioni pratiche dell’AI: nuovi scenari di utilizzo dei sistemi di apprendimento automatico laddove prima c’erano delle esitazioni nell’applicarli, per via della scarsa adattabilità del sistema o della poca accuratezza.
Integrare l’effort umano, volto al miglioramento dei dati e del risultato delle decisioni di un’AI, significa sfruttare al meglio i vantaggi della collaborazione uomo-macchina aumentando, nel contempo, la fiducia attraverso l’interpretabilità del risultato e la conoscenza accurata dell’intero processo cognitivo che lo ha generato.
Tra i vari usi promettenti per questa tecnologia c’è in primis il NLP (ovvero la comprensione e l’interpretazione del linguaggio umano), così come la medicina, i processi burocratici e l’industria manifatturiera. Sperando in un’evoluzione ancora più estesa degli Hybrid Intelligence Systems, che permetta alle macchine di approdare nel mondo dell’arte e della vera creatività, ambiti da sempre ad appannaggio quasi esclusivo dell’essere umano.
Fonti
