Qual è il fondamento della AI (artificial intelligence, intelligenza artificiale)? Perché sta diventando sempre più pervasiva? Qual è il suo ruolo nell’ambito della definizione delle strategie aziendali? A queste e a numerose altre domande di base cercano di rispondere tre docenti presso la Rotman School of Management dell’Università di Toronto, esperti di intelligenza artificiale. Report sull’interessante libro Ajay Agrawal, Joshua Gans, Avi Goldfarb, Macchine predittive. Come l’intelligenza artificiale cambierà lavoro e imprese, Franco Angeli, Milano, 2019

1. Kea s.r.l. | Via Strà, 102 | 37042 Caldiero (VR)
Tel.: +39 045 6152381
Web: www.keanet.it | E-mail: info@keanet.it
1
La capacità di fare previsioni: ecco la base dell’intelligenza artificiale
Giugno 2019
La capacità di fare previsioni: ecco la base
dell’intelligenza artificiale
Qual è il fondamento della AI (artificial intelligence, intelligenza artificiale)?
Perché sta diventando sempre più pervasiva? Qual è il suo ruolo nell’ambito della
definizione delle strategie aziendali? A queste e a numerose altre domande di base
cercano di rispondere tre docenti presso la Rotman School of Management
dell’Università di Toronto, esperti di intelligenza artificiale.
Report sull’interessante libro Ajay Agrawal, Joshua Gans, Avi Goldfarb, Macchine
predittive. Come l’intelligenza artificiale cambierà lavoro e imprese, Franco Angeli,
Milano, 2019
La AI è una tecnologia predittiva. La capacità di formulare previsioni è una delle componenti essenziali
dell’intelligenza umana: ecco perché le macchine predittive sono definite come “intelligenza artificiale”.
Formulare una previsione significa prendere le informazioni disponibili (i dati) e generare, a partire da esse,
informazioni di cui non si dispone, riferite al presente, al passato o al futuro. Le previsioni stanno alla base
delle decisioni prese in condizioni di incertezza: il loro obiettivo è ridurre l’incertezza e quindi il rischio insito
nella decisione.
Dato che la formulazione della previsione può avvenire in qualsiasi ambito, l’intelligenza artificiale è una
tecnologia polivalente.
Il motivo della pervasività dell’intelligenza artificiale non sta soltanto nella sua versatilità, ma anche e
soprattutto nell’abbattimento dei costi necessari per generare previsioni specifiche, accurate e affidabili, in
virtù del fatto che si è creata una costellazione favorevole a cui concorrono, in particolare, l’abbondanza di
dati, l’aumento della potenza di calcolo, la disponibilità di modelli di machine learning.
Dato il calo dei costi delle capacità predittive, diventa economicamente conveniente fare più previsioni,
applicando quindi il metodo predittivo anche a sciogliere dilemmi che tradizionalmente non erano visti
come problemi predittivi, per esempio la classificazione delle immagini, la selezione di informazioni
adeguate contestualmente all’interlocutore, il servizio ai clienti, la guida di un veicolo o la cura di una
malattia.
Nel libro di Agrawal, Gans e Goldfarb ricorrono parole chiave che aiutano a definire il campo e il metodo di
azione dell’intelligenza artificiale:
• Dilemma: si tratta del problema, caratterizzato da elevati fattori di incertezza, e quindi di rischio,
riguardo al quale dobbiamo prendere una decisione
• Azione: quale obiettivo desideriamo raggiungere?

2. Kea s.r.l. | Via Strà, 102 | 37042 Caldiero (VR)
Tel.: +39 045 6152381
Web: www.keanet.it | E-mail: info@keanet.it
2
La capacità di fare previsioni: ecco la base dell’intelligenza artificiale
Giugno 2019
• Previsione: di quali informazioni dobbiamo disporre per decidere e agire con un ridotto margine di
incertezza e rischio? Per essere utile come strumento di supporto decisionale, la previsione deve
essere non solo accurata e affidabile, ma anche specifica, cioè contestuale
• Previsione. È utile se accurata, affidabile, veloce, economica, specifica e contestuale rispetto a
obiettivi esplicitati e codificati
• Giudizio: quali sono i criteri in base ai quali valutare a priori pro e contro dell’azione che seguirà alla
decisione? Il giudizio valutativo è il processo attraverso cui stabilire le conseguenze (i vantaggi e/o
gli svantaggi, detti ricompense) di una decisione e della conseguente azione all’interno di uno
specifico contesto e rispetto a un obiettivo specifico, oggettivo o soggettivo che sia. Più sono
disponibili previsioni numerose, accurate e affidabili, più si tenderanno a prendere decisioni
strategiche anche in ambiti in cui, senza il supporto predittivo, si sarebbe deciso di non decidere
per davvero, accettando la scelta più scontata – quella che Herbert Simon definì “satisficing”,
sufficientemente soddisfacente. L’incremento di quantità e qualità delle previsioni si riflette sulla
crescita di valore del giudizio e, a valle, della decisione e dell’azione
• Decisione: la previsione basata sull’analisi dei dati riduce l’incertezza e quindi la rischiosità della
situazione su cui decidere. Gli autori sottolineano che, se il numero di previsioni-azioni è limitato e
codificabile oggettivamente (cioè se le decisioni sono di tipo più transazionale che relazionale), se il
vantaggio della rapidità di passaggio dalla previsione all’azione è elevati e se i rischi in caso di errore
sono accettabili, allora la decisione è automatizzabile, altrimenti resta ancora di competenza alla
persona, assieme al giudizio valutativo che la precede.
• Risultato: quali sono i criteri in base ai quali valutare a posteriori l’esito dell’azione seguita alla
decisione?
• Input: quali dati servono per alimentare correntemente la macchina predittiva?
• Training: quali dati servono per allenare la macchina predittiva prima che essa possa prendere
servizio?
• Feedback: quali dati di ritorno utilizzare e come utilizzarli per alimentare il processo di machine
learning e migliorare in modo continuo la macchina predittiva?
Nel contesto dell’intelligenza artificiale vanno considerati tre tipi di dati, ognuno dei quali svolge una
funzione distinta. Il calo dei costi delle capacità predittive aumenta il valore dei dati e degli strumenti di
raccolta dei dati da fonti digitali e fisiche (mediante sensori), che sono elementi complementari alla
previsione. Quantità, qualità, frequenza di aggiornamento, varietà, proprietà e controllo sono fattori
strategici riferiti ai dati.
Agrawal, Gans e Goldfarb spiegano che le macchine predittive funzionano bene, quando i dati disponibili
sono molti e quando l’obiettivo è oggettivabile. Le persone sono invece più abili a fare previsioni, quando i
dati disponibili sono pochi, quando gli obiettivi sono connotati soggettivamente, quando si tratta di operare
in condizioni di eccezione, nonché quando è necessario comprendere il processo e/o i nessi causali sottesi
ai dati disponibili (ovvero i meccanismi di funzionamento del mondo reale). Per gli autori individuare i
rispettivi punti di forza è fondamentale per progettare la collaborazione tra macchine e persone con
l’obiettivo di migliorare in modo continuativo le prestazioni delle macchine attraverso l’esempio, cioè
apprendendo automaticamente dagli errori.

3. Kea s.r.l. | Via Strà, 102 | 37042 Caldiero (VR)
Tel.: +39 045 6152381
Web: www.keanet.it | E-mail: info@keanet.it
3
La capacità di fare previsioni: ecco la base dell’intelligenza artificiale
Giugno 2019
I modelli di machine learning tipici dell’intelligenza artificiale si differenziano dai metodi statistici in
particolare perché sono in grado di:
• Considerare un volume molto più elevato di dati, indicatori e variabili
• Far emergere interazioni rilevanti a posteriori, cioè come risultato del processo di elaborazione
delle informazioni, senza ipotizzarle a priori
• Apprendere attraverso l’esempio, adottando il metodo della retropropagazione tipico del
funzionamento del cervello umano
• Migliorare nel tempo l’accuratezza e l’affidabilità della previsione.
Agrawal, Gans e Goldfarb non mancano di evidenziare, oltre a quelle sociali, anche altre criticità insite nelle
applicazioni di intelligenza artificiale:
• Adottare la strategia “AI first”, come fece Google nel 2017, significa sacrificare a obiettivi di medio
termine come raccolta dati e apprendimento, alcuni importanti obiettivi a breve termine come la
customer experience e la performance operativa. La sperimentazione è quindi solo alla portata
delle aziende che hanno risorse e un parco clienti tali da poterne sostenere gli effetti
temporaneamente negativi. Le altre realtà saranno più propense ad acquistare ed eventualmente a
personalizzare tecnologie già mature
• Le previsioni elaborate dalle macchine predittive possono produrre discriminazioni involontarie,
difficili da scoprire e controbattere, sfruttando interrogabilità delle macchine predittive, dati di
feedback e machine learning per correggere le distorsioni
• Anche in presenza di dati scarsi le macchine predittive forniscono previsioni con sicurezza, anche se
infondate e quindi non attendibili
• Le macchine predittive sono manipolabili usando dati di input e/o di feedback scorretti
• Le macchine predittive sono interrogabili, il che significa che sulla base delle risposte è possibile
realizzare altre macchine predittive, compiendo di fatto un furto di proprietà intellettuale
• Una minore biodiversità delle macchine predittive migliora le prestazioni medie delle applicazioni,
ma ne aumenta la vulnerabilità.
Autore: Petra Dal Santo | dalsanto@keanet.it