Se c’è un ambito dove l’intelligenza artificiale eccelle è quello dell’analisi di dati. Al contrario dell’essere umano, che inevitabilmente cerca correlazioni usando l’intuito e l’esperienza, gli algoritmi di machine learning riescono ad andare molto più a fondo, andando a individuare quegli schemi che molto probabilmente sfuggirebbero a una persona.
Per farlo utilizza algoritmi di apprendimento automatico (machine learning) che sono in grado di “apprendere” dai dati, individuando schemi e tendenze. Una volta che un algoritmo è stato addestrato e ottimizzato su uno specifico set di informazioni, può essere utilizzato per effettuare previsioni e quindi prendere decisioni basate su nuovi dati. Ci sono due modi per addestrare un’IA: gli algoritmi supervisionati e quelli non supervisionati.
I primi sfruttano un set di dati già etichettati. Ogni esempio nel set di dati di addestramento è composto da un input e dal corrispondente output desiderato (o etichetta). L’algoritmo “impara” una funzione che mappa gli input agli output. Una volta addestrato, l’algoritmo può utilizzare questa funzione per prevedere l’output per nuovi input. Ad esempio, un algoritmo di apprendimento supervisionato potrebbe essere addestrato su un set di dati di immagini di gatti e cani, dove ogni immagine è etichettata come “gatto” o “cane”. Dopo l’addestramento, l’algoritmo dovrebbe essere in grado di classificare correttamente nuove immagini come “gatto” o “cane”.
Nell’addestramento non supervisionato, invece, i dati sono privi di qualsivoglia etichetta e l’algoritmo cerca di trovare strutture o pattern nei dati senza avere un output specifico in mente. Un algoritmo di apprendimento non supervisionato potrebbe essere utilizzato per raggruppare un set di dati in base a somiglianze o differenze.
Analisi dati con intelligenza artificiale: le applicazioni pratiche
Da tempo l’intelligenza artificiale viene usata per effettuare previsioni sulla base dei dati disponibili. Un esempio è il settore finanziario, dove gli algoritmi di machine learning vengono utilizzati per stimare le variazioni di specifici asset nel tempo, come nel caso della soluzione Data Science di Google Cloud. Ma anche nella cybersecurity, dove l’IA viene sempre più utilizzata per analizzare in automatico i log dei sistemi, sia per dare la priorità a quelli che richiedono un’analisi più specifica, sia per individuare gli schemi di comportamento utilizzati di frequente dai criminali informatici e avvisare gli esperti IT di eventuali anomalie. Un esempio sono gli Infinity AI Service di Check Point, o le soluzioni per il rilevamento delle anomalie di Kaspersky.
Video della soluzione Threatcloud AI di Check Point
Sempre in ambito finanziario, è sempre più frequente l’uso dell’IA per individuare possibili frodi nell’uso delle carte di credito, andando a far analizzare le transazioni da algoritmi di machine learning che verificheranno l’eventuale presenza di pattern di comportamento associati a frodi. Sono utilizzati dai principali attori del settore, come Mastercard e Visa.
Esistono esempi anche in settori come l’e-commerce o i servizi di streaming, dove proprio grazie all’IA le piattaforme sono in grado di “comprendere” i gusti degli utenti e, sulla base dei loro comportamenti e dei loro acquisti, suggerire prodotti, servizi o contenuti potenzialmente interessanti. Reply, per esempio, ha nel proprio portfolio AI Reccomandation Engine, soluzione pensata per negozianti omnichannel.
Altri esempi sono il meteo, dove l’IA migliora l’affidabilità delle previsioni, e la diagnosi medica. Proprio nell’ambito sanitario l’IA si sta rivelando un prezioso alleato perché pur non potendo sostituire la capacità di analisi delle persone, è in grado di analizzare molto più rapidamente le immagini medicali, spesso individuando pattern e anomali che rischiano di sfuggire al cervello umano. Sempre in ambito pharma, l’intelligenza artificiale può analizzare i dati provenienti da studi clinici per identificare nuovi modelli o intuizioni. Portando così alla scoperta di nuovi usi per i farmaci esistenti o alla identificazione di nuovi target per la ricerca di farmaci. Oppure per simulare come nuovi farmaci possono interagire con il corpo umano, accelerandone lo sviluppo e riducendo la necessità di trial clinici. Fra le varie aziende che sviluppano soluzioni basate su IA per il settore pharma e life science (e non solo) c’è Deloitte con il sistema pronto all’uso CortexAI.
I limiti dell’IA nell’analisi dei dati
Per quanto sia uno strumento estremamente potente, a oggi l’intelligenza artificiale non è ancora perfetta e non ci si può fidare ciecamente dei risultati. Il principale problema è quello del set di dati usato per l’addestramento, che potrebbe contenere dei bias, dei pregiudizi. I set, alla fine, sono preparati da persone in carne ed ossa, e inevitabilmente questi set di informazioni rischiano di contenere alcune storture che poi si andranno a riflettere nell’output finale. È per esempio il caso del riconoscimento facciale: se un algoritmo viene addestrato principalmente su immagini di persone di una certa etnia, potrebbe non funzionare altrettanto bene per le persone di altre gruppi etnici.
I pregiudizi non si limitano ai dati. Potrebbero essere insiti nell’algoritmo stesso, progettato per dare più peso a certe informazioni rispetto che ad altre. O, ancora, è il contesto di utilizzo che potrebbe determinare una serie di pregiudizi, come nel caso dei sistemi utilizzati per la selezione del personale, che potrebbero riflettere l’approccio adottato fino a ora dai manager nella scelta dei candidati.
