Come si realizza un progetto di Intelligenza artificiale? La domanda se la sono posta al Politecnico di Milano dove hanno sviluppato un modello a quattro livelli dove è possibile a partire da una specifica Soluzione (virtual assistant, chatbot, intelligent data processing) definire l’insieme di Capacità (natural language processing, learning, image processing) richieste per supportarla, caratterizzare l’insieme di Metodologie (supervised learning, temporal planning) che implementano le capacità e identificare le Tecnologie (cloud, on premise) più appropriate.
Il modello però offre una visione statica mentre l’identificazione di Soluzioni, Capacità, Metodologie e Tecnologie per una specifica applicazione può essere fatta in modo interattivo durante lo sviluppo del progetto. Per questo il modello è stato rivisto in funzione della IA.
Indice degli argomenti
Intelligenza artificiale per il pricing dinamico nell’ecommerce
“Ipotizziamo un’azienda che deve sviluppare un sistema di pricing dinamico per il commercio elettronico”, spiega Manuel Roveri responsabile ricerca dell’Osservatorio Artificial intelligence.
Gli attori coinvolti sono l’esperto di IA, L’Ia engineering, e l’azienda. All’ingegnere spetta il compito di scegliere una classe di soluzioni, capacità e metodologie che devono rispettare i vincoli applicativi e tecnologici dell’azienda.
“Una volta definita la soluzione che meglio risolve il problema applicativo dell’azienda, la scelta di capacità e metodologie viene fatta in base ai vincoli applicativi e funzionali (esempio la valutazione deve essere in real time o tempo differito).
Segue la definizione delle tecnologie che deve tenere conto dei vincoli aziendali (per esempio deve operare in cloud). A questo punto viene definito un sistema generico che deve però essere configurato e poi reso operativo. Per questo è necessario avere dei dati “che sono fondamentali e devono essere di qualità. I dati li utilizziamo nella fase di addestramento che servono che serve per passare da un modello generale a uno specifico che si adatta ai dati dell’azienda e al particolare problema applicativo”.
Finito? Mica tanto. Per passare alla fase operativa manca infatti l’attività di testing o validazione. “Adesso che ho costruito il mio modello infatti – aggiunge Roveri – devo capire quanto sia bravo e verificarne le prestazioni. La fase di validazione serve a questo e se le prestazioni non sono adeguate devo tornare indietro e chiedere più dati oppure cambiare modello in termini di capacità e metodologie ed eseguire un’altra fase di addestramento”.
La fine non è prevista
Se invece va tutto bene si può passare alla fase operativa anche se un progetto di Intelligenza artificiale non conosce la parola fine.
“Quando un sistema opera continua a processare dati che devono essere sfruttati per migliorarne le prestazioni – spiega Roveri -. Avremo un evoluzione continua del modello perché i vincoli possono cambiare nel tempo. Per esempio dal cloud si deciderà di operare direttamente sull’oggetto e quindi sarà necessario cambiare tecnologie e metodologie e capacità”.
In sostanza, è l’indicazione del Politecnico, l’idea è di costruire un percorso perché nel caso della IA è molto difficile prendere una soluzione a scaffale e utilizzarla così com’è. In questo ambito diventa fondamentale l’utilizzo di un linguaggio comune fra azienda ed esperto IA e capirsi su aspetti come vantaggi, svantaggi e opportunità.
“La tecnologia non è una comomodity e la scelta tecnologia e di una metodologia non sono indipendenti perché la tecnologia ci vincola sulle metodologie da adottare e viceversa. Infine, l’evoluzione è parte integrante di un progetto IA e quindi è importante capire quando valutare il progetto e in che fase perché è nella natura stessa del progetto avere una parte di evoluzione”.
