AI e Marketing: Cosa l’Intelligenza Artificiale Non Sa Fare
- Articles, Blog

AI e Marketing: Cosa l’Intelligenza Artificiale Non Sa Fare


Ciao a tutti quanti, eccoci qui al nostro
terzo appuntamento sul rapporto intelligenza artificiale e marketing.
Oggi, nella fattispecie vedremo cosa l’intelligenza artificiale non sa fare.
Ricordo, la scorsa puntata lo scorso incontro ci siamo lasciati su quello che
l’intelligenza artificiale è brava a fare mentre oggi ed è esattamente
l’opposto.
0:00:29.170,0:00:34.970
Eccoci qua con una piccola
timeline. Quello che l’intelligenza artificiale, da come ha cominciato a
muovere i primi passi fino a quello che è diventata nei tempi più recenti. Come
vedete, possiamo cominciare a tracciarla dall’ esempio dal 1950 con i fatti super
noti riguardanti Alan Turing; per poi essere diciamo andata avanti in quello
che è il suo percorso di crescita fino a che, tra il 2011 con
Watson, IBM-Watson nel 2012 con Google Brain fino al 2016 con la vittoria di AlphaGo,
non è arrivato a sulla bocca di tutti e nelle orecchie di tutti quanti.
Perché questa carrellata? Sappiamo bene tutti quanti che appunto è
l’intelligenza artificiale in realtà non è un fatto così recente come come si
pensa, ma il fatto è che il percorso di
crescita è stato e, continua ad essere estremamente lento. Dal passato al
presente cosa è cambiato? Sono cambiate le
opportunità, è cambiato all’accesso ai dati, sono cambiati i processori e tutte
quelle che sono la parte tecnologica necessaria al calcolo: quindi
effettivamente all’utilizzo e alla possibile applicazione degli algoritmi
su cui si basa l’intelligenza artificiale.
Abbiamo detto che l’intelligenza artificiale è brava a catalogare ma, cominciamo a
vedere qualche ma. È brava a catalogare ma deve essere inizialmente addestrata.
Questo è un punto veramente importante, direi quasi il punto focale di tutte
quelle che sono le domande che quotidianamente ricevo nell’attività
nell’attività della mia azienda. Posso applicarla subito. Io ho questi
dati, li posso utilizzare? No, molto probabilmente no, perché gli algoritmi
intelligenza artificiale nascono con uno e un solo scopo. Non sono capaci di fare
tutto. Se, un algoritmo è nato per identificare del testo o per catalogare,
come abbiamo detto, non sarà in grado di riconoscere altri altri elementi. Non
sarà in grado di guidare per esempio, non sarà in grado di riconoscere le immagini,
se è un algoritmo basato sul testo non può riconoscere le immagini e viceversa.
Quindi, uno e un solo task per ogni tipo di algoritmo, combinando insieme
algoritmi diversi si può arricchire è quella che è la potenza del servizio, del
prodotto su cui si basa. Di fatto però, bisogna stare attenti ad addestrarla
correttamente. Tutto il periodo di addestramento è qualcosa che non può
essere eliminato. Immaginiamo un cucciolo o un bambino che deve cominciare a imparare
anche solo semplicemente a parlare.. ecco tutto tutto quello che gli
insegniamo, è tutto quello che fa di quel bambino una persona.
Lo stesso dicasi per gli algoritmi, tutto quello che diciamo come addestriamo i
nostri algoritmi sarà il modo in cui questi andranno poi effettivamente a
produrre un output. L’intelligenza artificiale non è
immediata, ma di lungo periodo. Altra domanda che molto spesso mi viene
rivolta. Ok, abbiamo definito i dati, abbiamo
definito quello che andiamo a fare: quando avrò i miei risultati?
Sarà un processo immediato? Posso subito sperare di metterla in opere di un
vantaggio? No, l’intelligenza artificiale è di lungo
periodo. L’addestramento, così come la crescita
linguistica, non è mai immediato; ci sono modi per velocizzarla, ci sono
algoritmi più o meno veloci, metodologie più o meno rapide di apprendimento ma, in
ogni caso i vantaggi vanno sul lungo periodo.
Come abbiamo detto, non è un plug and play. Non collego un nuovo macchinario a
quello vecchio per farne un upgrade, e quindi vederlo rendere direttamente e
immediatamente dieci volte di più, dieci volte più velocemente. È qualcosa che si
applica per far sì che, nel tempo vengano dei risultati soddisfacenti di
miglioramento che, porteranno quindi ha dei vantaggi.
Quindi, tutte quelle volte in cui mi chiedono “Posso risparmiare usando
l’intelligenza artificiale?”, la risposta di nuovo, mi spiace, èp no. Non si risparmia,
si spende probabilmente allo stesso modo, si fa attività di ricerca e sviluppo con
l’obiettivo di guadagnare di più, di andare a ottimizzare i processi che si
fanno e quindi, con lo stesso investimento, con lo stesso tipo di
investimento andare ad aumentare la resa. L’intelligenza artificiale è brava a
riconoscere comportamenti. Ricordate, abbiamo detto che riconosce similitudini
e riconoscere degli schemi nei comportamenti ma, il risultato è buono se i dati sono
buoni. Dicono gli esperti: “Garbage in, garbage
out” che, rende davvero l’esempio di quello che effettivamente è. Se, metto
dentro dati che sono immondizia, otterrò dati,risultati che sono altrettanto di
bassa qualità. D’altra parte immaginiamo molto più
semplicemente l’intelligenza artificiale come una ricetta di cucina: la ricetta più e
semplice più buona si ha, si ottiene quando gli
ingredienti da cui partiamo sono buoni. Uova fresche, farina di qualità, olio
buono.. e allora sì, che è riusciremo ad ottenere quello che desideriamo. Se invece prendiamo elementi,
ingredienti di bassa qualità, il risultato sarà altrettanto scadente. Alla
stessa identica maniera funziona l’intelligenza artificiale e, il data
scientist ne è il cuoco. Per esempio, l’intelligenza artificiale non
può eliminare da sola i pregiudizi. È per questo che servono dei
professionisti che addestrino la macchina e, le diano le giuste
indicazioni. Inconsapevolmente, una macchina assorbe, così come abbiamo detto
“Garbage in, garbage out”, tutti quegli elementi, anche negativi, che nella
grande massa, nei grandi numeri forse probabilmente dal singolo non vengono
notati ma, l’intelligenza artificiale impara da tutti questi elementi, impara
dai comportamenti da quelli di tutti, nel bene e nel male, e quindi se, alla fine ci
sono degli elementi negativi che emergono, dei comportamenti negativi che
emergono, questi verranno irrimediabilmente
trasferiti anche sugli algoritmi. Infatti, molto spesso si è visto come
l’intelligenza artificiale porta a galla i pregiudizi umani. Ne è un esempio la notizia
di qualche anno fa per cui Amazon, l’algoritmo di Amazon, aveva discriminato
i curricula provenienti da donne nel patto tecnico. Ecco, non è che
l’intelligenza artificiale non volesse la parità dei generi, non volesse
riconosce le stesse capacità tecniche alle donne piuttosto che gli uomini.
Il fatto è che, la maggior parte dei curricula, che erano pervenuti erano
di uomini, per quanto riguardava la proposta sulle posizioni tecniche quindi,
metti oggi un curriculum di un ragazzo, mettine un altro domani,
mettine un altro domani, nei grandi numeri in percentuale quelli le donne
hanno nettamente inferiori e, quindi l’intelligenza artificiale ha cominciato
ad agire in modo statistico: a riconoscere come buoni quei curricula
provenienti dagli uomini. Ma di fatto, è un errore che è pervenuto a monte da quelli che sono
stati i dati da cui è partito, che ha ricevuto e che gli sono stati passati. Chiaro
che, l’intervento poi umano, ed è per questo che è importante è indiscutibile
il fatto che servono delle persone a gestire quelle che sono poi le fasi di
addestramento ma, anche di correzione, di supervisione della macchina, le
persone che sono in grado di riconoscere il comportamento errato e di porvi
rimedio. Abbiamo detto anche che l’intelligenza
artificiale e brava nello script testing. Ma, non costa due gusci e due banane, come
dicevamo tutto quello che è la parte analitica di di creazione negli
algoritmi intelligenza artificiale, di adattamento, di selezione dei giusti dati
per alimentarla sono delle fasi molto delicate e che, non sono prive di costi.
Non si può immaginare di avere di nuovo, subito, un sistema performante
funzionante senza averlo prima adeguatamente commisurato a quelle che
sono le esigenze dell’azienda, a quelli che sono gli obiettivi e quindi ,senza avere
dati, tecnologia e persone in grado di gestire il flusso operativo. Può essere implementata con le risorse
che ho a disposizione? È possibile farlo, dipende da quelle che sono sempre le
risorse iniziali e gli obiettivi che ci si pone. Molto spesso, in realtà è
controproducente utilizzare i dati che si hanno già, perché magari essendo stati
raccolti in maniera casuale e non mirata, sono dati che si portano dietro anche
informazioni inutili e rumore, sono dati sporchi, sono dati da revisionare, da filtrare,
da mirare. A quel punto, forse data l’ampiezza di offerta di dati che oggi
sono disponibili, è probabilmente più conveniente configurare nella maniera
corretta la raccolta dei dati e, procedere anche i dati nuovi, che siano
già direttamente buoni, già direttamente adeguati per lo scopo che ci si è
prefissato. È vero che si dice che le aziende sono sedute su un tesoretto che
sono i dati che hanno ma, molto spesso se abbiamo un tesoretto che non può essere
speso non è un tesoretto, è qualcosa che ci crea soltanto fastidio, preoccupazioni
e che probabilmente occupa tera e tera di storaggio all’interno dei nostri data
centers. E questo, per esempio, è un’altra delle
domande che viene spesso fatta. Ad esempio nelle parte di di analisi dei
comportamenti e dei trend, su quello che riguarda dicevamo gli split test. Ma
perché gli algoritmi hanno individuato, hanno taggato come sport tanti argomenti,
tanti trend? Beh, è un esempio chiaro. Se ci sono tantissimi dati che derivano
dal mondo sportivo, se ci sono tantissimi dati di cui le persone parlano
continuamente sulla rete, non solo di calcio, ma magari anche di altri sport
così via, in Italia soprattutto di calcio, la macchina non può far altro che
catalogare quei dati come sport. Se è brava a catalogare e brava anche a riconoscere il fatto
che ci sono tante conversazioni che, trattano argomenti simili e contesti
simili, e quindi le taggherà così come sono, con similitudine. Qual è la
difficoltà? Molto spesso non ci si rende conto, focalizzati su quello che il
proprio business, che le persone hanno altri interessi quindi, chi si occupa di
viaggi, chi si occupa di food, non riesce a credere o comunque difficilmente riesce
a visualizzare come le persone nei suoi canali o, le persone simili che gli interessa
raggiungere hanno altri interessi che non siano il cibo che non
sia il viaggio e, che parlano molto molto spesso gli sport.
Se si riuscisse a vedere quelli che sono i dati, così come li vede nella maniera
più pura l’intelligenza artificiale, a quel punto
sarebbe molto più facile anche per per le persone avere un approccio
corretto e una strategia corretta. Gli strumenti sono utili proprio perché da una
parte ovviamente essere addestrati corretti, ma dall’altra parte corregge
altrettanti pregiudizi che si trovano dalla parte di chi deve utilizzarli. Abbiamo detto anche, la volta scorsa, che
l’intelligenza artificiale è brava a scrivere dei report ma,
non è ancora brava a scrivere dei testi lunghi in autonomia.
Ci sono già diversi esperimenti, ci sono già diversi algoritmi altamente e
riccamente finanziati, persino da da Google, esperimenti dalle più famosie
riviste, giornali, newspaper esteri, soprattutto inglesi e
americani, che hanno messo in pista quello che sono degli strumenti
addestrati a scrivere notizie. Il vero fatto è che, in questo momento le
migliori performance arrivano da tutte quelle notizie ripetitive quindi, ad
esempio notizie ahimè di nuovo sportive dove, la notizia in sé è il fatto che, un
campione o una campionessa xy, ha fatto un’ottima performance nel suo sport,
superando un record, correndo, saltando, facendo la sua la sua performance in un dato modo;
ed è così che per esempio sono state generate centinaia e centinaia di
notizie in maniera automatizzata durante le ultime Olimpiadi. Proprio dando dispacci
di informazione, pur senza quello che poi è
effettivamente la knowledge, l’elemento umano la parte emozionale che ci
contraddistingue, dando la notizia pura del fatto che, l’atleta aveva vinto aveva
arrivata una certa posizione in confronto al passato, in confronto ai
suoi competitors, ai suoi concorrenti. Perché questo succede? Perché come
citiamo Jonathan Foster di Microsoft Design, l’authoring, la scrittura d’autore
non è un problema, non è un fatto che gli algoritmi non siano
brillanti ma, è perché è la lingua ad essere particolarmente sottile e
brillante. È molto molto difficile andare, soprattutto per un sistema automatizzato,
a raccogliere tutte le possibili sfumature linguistiche di una parola. Ed è per
questo che ci sono gli enormi, molto importanti studi su quello che è la
linguistica, la semantica per andare a migliorare tutti quei algoritmi che si
basano sul linguaggio, dal natural language processing alla generazione del
linguaggio, allo speech to text, alla comprensione del linguaggio naturale per
andare effettivamente a migliorare quelle che sono le performance dettate
da una mancanza di tipo linguistico. Notiamo infatti che, per esempio,
determinati strumenti nativi in lingua inglese, lavorano molto mai in inglese
che è un’altra lingua. Google Translate stesso, se andiamo a
fare un esempio ricco, perché ovviamente ha accesso a milioni
di dati ed è addestrato inconsapevolmente da milioni di persone,
Google stesso che è uno dei migliori, ad esempio per quanto riguarda una lingua
italiana, non è in grado di raggiungere la perfezione. Sicuramente è uno dei
migliori ed è quello che aggiunge la percentuale di successo è più alta in
questo momento. Quali sono i take away di questo nostro
appuntamento di oggi? Che l’intelligenza artificiale addestrata, non fa nulla da
sola, che i risultati sono di lungo periodo, non possiamo aspettarci di
vedere dei risultati immediati perché, basandosi su dati statistici, aver
bisogno di far crescere la variazione che è intercorsa dal momento in cui è
stata applicata all intelligenza artificiale.
I dati di partenza devono essere buoni, altrimenti partiamo già con un enorme
svantaggio e, soprattutto non è gratis. Vi lascio ancora con una piccola
riflessione: “Success il the sum of small efforts – repeated day in and day out.”, Robert
Collier. Mi raccomando, il successo è la somma di
tante piccole cose. Grazie, alla prossima!

About Ralph Robinson

Read All Posts By Ralph Robinson

Leave a Reply

Your email address will not be published. Required fields are marked *