Costruire o comprare è la domanda sbagliata con cui iniziare. La domanda giusta è: cosa so davvero del mio problema, dei miei dati e delle mie capacità interne? Questo post non ha l’ambizione di dare una risposta universale, ma serve a stimolare le domande nell’ordine giusto.
La squisita capacità dell’AI di intercettare la correlazione L’intelligenza artificiale, e in particolare il sottoinsieme dell’IA chiamato apprendimento automatico (machine learning, mai sentito nominare?) è in grado di imparare dal passato a prevedere il futuro. Il machine learning impara in molti modi, tutti accomunati da una cosa: i dati storici. I dati possono essere parametri…
Si parla sempre di reti neurali. Reti neurali che vedono, che parlano, che scrivono. Ma cosa sono le reti neurali?
Sintetizzando tantissimo, le reti neurali sono delle combinazioni complesse di equazioni i cui coefficienti vengono ottimizzati per rappresentare al meglio i dati con cui la rete è allenata. E semplificando dalla sintesi, la rete neurale è quella famosa scatola nera in cui entrano dei dati ed esce una previsione.
L’AI fa predizioni generalizzando informazioni che ha già visto nel passato, in base alla situazione che sta osservando nel momento presente.
In particolare, in industria osservare la situazione del momento presente significa elaborare in real-time i dati dal campo – temperatura, pressione, portata, ma anche immagini superficiali o di altro tipo. Questi diventano gli input del modello
Tra il 2018 e il 2022 sono state fatte diverse ricerche sul tasso di successo o fallimento di progetti di advanced analystics e AI. Tutti concordano nel dire che solo il 20-30% di questi progetti si rivelano in grado di portare benefici ed essere scalato.
Ma come mai?
Il data scientist è una fugra mitologica, con competenze che spaziano dalla porgrammazione all’analisi dei dati alla statistica applicata alla creazione di viste e reportistica d’effetto.
Spoiler: di solito non esiste il data scientist, ma piuttosto il team di data science: un isnieme di professionisti che lavorano insieme per raggiungere il risultato.
Sia come sia, queste figure mitologiche hanno un codice e un vocabolario tutto loro, spesso incomprensibile ai più. Cerchiamo quindi di svelare alcune delle parole più usate dal team, che vi capiterà di trovare sparse nelle presentazioni di sprint o stato avanzamento lavori.
Una delle grandi sfide dell’implementazione di soluzioni di intelligenza artificiale industriale è farsi capire da chi deve sviluppare il modello.
Mi dispiace deludere i lettori, purtroppo l’AI non è infallibile. Lo so, prendetevi il tempo che vi serve per elaborare il lutto.
Infatti, i modelli di machine learning e di deep learning, imparando solo dai dati senza senso critico, spesso replicano quello che hanno osservato in modo errato, o non sanno gestire alcune situazioni.