Le Voci dell’AI – Episodio 39: 3 casi d’uso. Trasporti, difesa, educazione

Ciao a tutti! Siamo arrivati all’episodio 39 di Le Voci dell’AI. La settimana scorsa abbiamo considerato una prospettiva diversa da cui guardare gli eventi che hanno coinvolto OpenAI nelle ultime settimane.

Oggi invece torniamo all’intelligenza artificiale applicata.

Tra una settimana sarò in Italia per la keynote di un evento privato. In quell’occasione parlerò di come moltissime aziende nel mondo stanno usando l’AI e quindi per la puntata di oggi ho fatto una piccola selezione dei casi d’uso più documentati di recente e secondo me più interessanti.

Quindi oggi parliamo di trasporti, difesa ed educazione.

Cominciamo dai trasporti.

L’azienda chiamata Changi Airport Group, che controlla l’aeroporto principale di Singapore, ha cominciato a sperimentare l’uso dell’AI per il riconoscimento automatico degli oggetti pericolosi nei bagagli dei viaggiatori.

Vediamo come funziona. I viaggiatori che arrivano al Terminal 3 passano i propri bagagli a mano ai raggi X come al solito, ma anziché avere un essere umano a revisionare i risultati delle radiografie c’è un modello di AI.

Questo modello di AI è stato sviluppato per riconoscere un certo numero di oggetti in un’immagine bidimensionale.

Quando uno di questi oggetti viene riconosciuto, il modello di AI lo marca e avvisa il personale di sicurezza.

In questa maniera, se la tecnologia funziona, l’amministrazione dell’aeroporto promette un passaggio attraverso il controllo bagagli fino al 50% più veloce, il che sarebbe meraviglioso.

Ci sono tutta una serie di cavilli da considerare: innanzitutto l’immagine, su cui si concentrano al momento questi modelli, come abbiamo detto, è bidimensionale.

I controlli di sicurezza più moderni oggi usano la cosiddetta tomografia computerizzata per fare una scansione tridimensionale del contenuto dei bagagli, il che significa che il modello di AI specializzato per il riconoscimento in due dimensioni deve essere passato attraverso una nuova fase di addestramento per diventare capace anche nelle tre dimensioni.

Negli ultimi mesi ho trascorso un’enorme quantità di tempo lavorando proprio con questi modelli per l’identificazione e la classificazione di oggetti.

Parte di quello che ho imparato è finita nell’implementazione del workflow di automazione che menziono di tanto in tanto in questi episodi di Le voci dell’AI.

Quello che ho imparato è che la generazione corrente di questi modelli è incredibilmente veloce, molto più veloce riconoscere e classificare gli oggetti degli esseri umani. Ma al tempo stesso questi modelli sono piuttosto rigidi. Devono essere addestrati a riconoscere gli oggetti che sono importanti per il caso d’uso in questione.

Non sono in grado di riconoscere un oggetto pericoloso esotico raro, come ad esempio uno scudo da duello medievale se non vengono addestrati a farlo.

L’addestramento del modello non è complesso, ma richiede un sacco di tempo, come ogni altro lavoro di preparazione dei dati che è critico nell’intelligenza artificiale.

Negli ultimi mesi, però, è apparsa una nuova generazione di modelli di AI per l’identificazione e la classificazione di oggetti.

Questi nuovi modelli possono identificare qualsiasi oggetto basandosi semplicemente su una descrizione in un linguaggio naturale come l’italiano.

E questi sono i modelli che utilizzo nell’ultima versione dell’AP Workflow.

Questo approccio è migliore perché elimina la necessità di addestrare un modello a riconoscere uno scudo da duello medievale. Tutto quello che dobbiamo fare, invece, è chiedere al modello di rilevare qualcosa di tagliente o con bordi affilati.

Lo svantaggio di questo approccio, ovviamente, è che potrebbe causare una serie di cosiddetti falsi positivi; per esempio un modello addestrato a rilevare oggetti taglienti potrebbe segnalare un paio di forbici aperte come una potenziale minaccia.

Ovviamente oltre a questo, c’è il fatto che nessun modello di AI per l’identificazione e la classificazione di oggetti potrebbe mai riconoscere un coltello a forma di orsetto di peluche.

Ma questo è un problema che hanno anche gli esseri umani addetti alla sicurezza aeroportuale.

Quindi per l’aeroporto di Singapore e tutti gli altri aeroporti che stanno valutando questa tecnologia, è importante capire le limitazioni dei diversi approcci e lavorare con gli enti regolatori per sviluppare un processo che complementi questi modelli di AI ancora imperfetti.

In ogni caso, è altamente probabile che gli aeroporti di tutto il mondo si muovano in questa direzione e che in un prossimo futuro tutti i controlli di sicurezza che esistono oggi siano parzialmente o totalmente automatizzati e controllati a distanza da una frazione degli addetti alla sicurezza che vengono impiegati oggi.

Spostiamoci adesso nel settore della difesa, dove l’intelligenza artificiale generativa viene testata in maniera massiccia da oltre un anno e mezzo e spesso testata su larga scala.

Qui sono quasi sempre le agenzie governative americane che finiscono sui giornali, ma in realtà moltissimi altri dipartimenti della difesa intorno al mondo stanno sperimentando l’uso dell’ AI in una miriade di scenari diversi.

Prendiamo ad esempio l’Idf, Israel Defense Forces, che considera la guerra con Hamas un conflitto dove l’AI ha il ruolo primario.

A quanto sappiamo gli analisti dell’Idf usano l’AI generativa per valutare una mole enorme di dati e identificare automaticamente i bersagli da attaccare.

Questi dati includono riprese di droni, comunicazioni che sono state intercettate, dati di sorveglianza e informazioni ottenute dal monitoraggio dei movimenti e del comportamento sia di individui che di gruppi grazie a questo approccio l’Idf è passata da cinquanta bersagli identificati all’anno a cento bersagli identificati al giorno già dal 2021.

Di questi bersagli, il 50% viene poi attaccato dalle forze aeree e di terra.

Anche qui vanno tenute in considerazione tutte le limitazioni dei modelli di AI moderni, come il fatto di avere allucinazioni di cui parliamo spesso in questo appuntamento settimanale e quindi la verifica dei bersagli da parte degli analisti umani è assolutamente critica.

Oltre a questo scenario, l’Idf sta testando l’AI per almeno un altro caso d’uso, il volo autonomo dei droni di sorveglianza.

In questo scenario, L’idf sta usando la tecnologia sperimentale di una start up chiamata ShieldAI.

La start up sta sviluppando un autopilota in grado di reagire alle minacce sul territorio e modificare la rotta in maniera opportuna. Tutto senza l’intervento umano.

Per esempio, analizzando in tempo reale i dati raccolti dai vari sensori a bordo, l’ AI del drone è in grado di modificare la rotta stabilita per evitare la collisione con oggetti in movimento o delle zone di volo interdetto o delle forze ostili che potrebbero causare la distruzione del drone.

I normali programmi di autopilota non possono fare nessuna di queste cose senza la direzione e la costante supervisione di un operatore umano.

In tutto questo, quello che è importante sottolineare è il fatto che in molti casi i modelli di AI utilizzati nel settore della difesa sono gli stessi utilizzati per le applicazioni commerciali di tutti i giorni.

I ricercatori che hanno sviluppato questi modelli non si aspettano necessariamente che le proprie creazioni vengano utilizzate a scopo bellico e quindi ci sono tutta una serie di implicazioni etiche e morali per chi lavora nel settore.

Ma è un argomento complesso che lasciamo per un altro episodio.

Chiudiamo con il settore dell’educazione.

Sei scuole nella città di Los Angeles hanno notato un programma chiamato Magic School,  che personalizza l’AI generativa di OpenAI per l’uso scolastico.

Di solito, quando parliamo di AI applicata al mondo accademico, pensiamo all’uso di GPT-4 come un tutor personale per gli studenti, che è quello che fanno aziende come Khan Academy.

in questo particolare caso, nelle scuole del gruppo Ednovate sono i docenti che usano l’AI.

Il tool in questione aiuta gli insegnanti a fare un sacco di cose diverse. Creare i piani di studio trimestrali, adattare il livello del materiale usato per la lettura in base alle esigenze degli studenti, scrivere programmi educativi individualizzati per gli studenti con bisogni speciali, perfino consigliare i docenti su come affrontare i problemi comportamentali degli studenti.

Ora tutto questo si può fare semplicemente con GPT-4, il modello nella versione a pagamento di ChatGPT.

Il problema di quell’approccio è che i docenti devono diventare esperti di prompt engineering e ricordare qual è il migliore da usare per ognuna di queste situazioni.

L’azienda che produce Magic School, come tutti i suoi concorrenti, offre quel valore aggiunto, lo sviluppo e sperimentazione di tutta una serie di prompt che rendono le risposte di GPT-4 più precise negli scenari che contano per i docenti.

Adesso vedrete che queste aziende cominceranno a fare ancora di più, grazie all’introduzione da parte di OpenAI dei GPT customizzabili.

Una delle cose più utili che queste versioni personalizzabili di ChatGPT possono fare è attingere a dei documenti caricati dagli amministratori quando tentano di rispondere alle domande degli utenti finali; quindi in un prossimo futuro vedremo aziende come Magic School diventare più precise in tutti quei task che sono stati codificati in documenti e libri elettronici.

Vi faccio vedere quello che si può fare la prossima volta.

Okay, ci fermiamo qui per questa settimana.

Come sempre, scrivetemi all’indirizzo di posta elettronica che trovate qui sotto con i vostri commenti, le domande e i suggerimenti per gli argomenti da trattare nei prossimi episodi.

Ciao!