Quando si tratta di ottimizzare uno scenario concreto, l'euristica umana non può reggere il confronto con un buon algoritmo di apprendimento. È quello per cui è stata creata l'intelligenza artificale, ma risolvere i problemi è solo una parte del processo: occorre capire quali domande porsi e, alla fine, interpretare i dati. Siamo ancora noi a guidare le macchine, perché i risultati che forniscono sono applicati in un contesto umano, composto anche di creatività ed empatia.
Se l'amico è l'intelligenza artificiale
Per esempio, se un amico ci chiede un consiglio per scegliere un ristorante adatto ad una cena romantica, sappiamo già a quali parametri dare la priorità. Non sono variabili assolute, ma piuttosto un buon punto di partenza: luogo accogliente e intimo, pietanze di classe e un occhio di riguardo per i dessert. Sulla base dell'importanza percepita di ciascuna di queste caratteristiche, di quanto conosciamo dei gusti della persona e delle nostre esperienze pregresse, formuliamo infine la nostra risposta.
Se lo stesso amico chiede ad un algoritmo di apprendimento la medesima raccomandazione, la macchina relaziona tra loro tutti gli attributi che le risultano pertinenti all'oggetto "cena romantica", quali ad esempio distanza, giudizi e prezzi dei ristoranti ed elabora un modello in base ad essi, restituendo un elenco di decine o perfino centinaia di luoghi giudicati adatti. La risposta viene dunque fornita da un modello "black box", definito in base all'output, senza che sia noto il processo di elaborazione.
Il confronto è semplicistico, ma rende la peculiarità e non solo logica dell'approccio umano. Esso si basa sull'esperienza del concetto "cena romantica", sulla relazione di amicizia e sulla frequentazione diretta o indiretta di ristoranti, ma non solo.
In questo tipo di cena, qual è il peso del fattore "cibo" rispetto ad una caratterizzazione "calda e accogliente" dell'atmosfera? E in base a quali parametri si definisce quest'ultima?
Capire il problema
Il diffuso entusiasmo per l'intelligenza artificiale tende a farne il mezzo privilegiato per risolvere qualsiasi problema, ricorrendo di volta in volta a modelli sempre più elaborati. Il rischio è di costruire uno strumento perfetto e impiegarlo per risolvere problemi immaginari.
Implicito nell'originale scenario di raccomandazione romantica del ristorante è il fatto che abbiamo fatto la nostra user research - conoscenza del nostro amico - e abbiamo identificato le specifiche necessità dell'utente - cena romantica. Rispetto alle macchine, noi umani eccelliamo in tutte le forme di ricerca generativa degli utenti - interviste, focus group, studi di osservazione - poiché richiedono una significativa dose di empatia e la presenza di interazioni umane non strutturate.
Una recente ricerca della Mc Kinsey & Company, società internazionale di consulenza manageriale, evidenzia che nel prossimo futuro gli esseri umani continueranno a identificare i problemi da affrontare.
LEGGI ANCHE: Intelligenza Artificiale: quali sono le opportunità per il tuo business? Partecipa gratis al Ninja Talk
Interpretare i dati
Un altro uso molto comune del fattore umano in funzione dei processi di machine learning è quello di sfruttare l'intuizione per dare un senso ai set di dati. Una "atmosfera calda e accogliente", ad esempio, è una caratteristica frutto di una sensiblità che va oltre alla combinazione di dati.
Questa sottile sfumatura è un ottimo esempio di ricerca generativa, volta ad identificare i problemi, che fornisce gli input per una ricerca valutativa, la quale genera output in base all'elaborazione secondo un modello predefinito. In questi casi si chiede agli utenti di classificare una serie di funzionalità in termini di importanza relativa ai loro casi di utilizzo, di modo da poter campionare le risposte creando modelli di formazione per l'intelligenza artificiale.
Credits: Depositphotos #167082854
Guidare il processo
In definitiva, se abbiamo fornito una buona raccomandazione o meno dipende dall'esperienza reale, ma come valutare l'efficacia di un algoritmo non è sempre così semplice come chiedere al nostro amico come è andata la serata.
Poiché molte variabili sono interattive per natura, non è sempre facile distinguere l'influenza che il prodotto ha sull'utente e viceversa. Per evitare che dati fuorvianti vengano inclusi nei modelli utilizzati dall'intelligenza artificiale, la ricerca generativa degli utenti aiuta a comprendere i pesi che gli stessi danno ai diversi fattori, fornendo un parametro qualitativo che permette di interpretare più ragionevolmente i dati e perfezionare l'algoritmo.
Sono ancora gli uomini a definire e guidare i processi di machine learning, poiché essi sono generati da necessità umane e forniscono risultati funzionali alle nostre necessità.
