L'intelligenza artificiale è un insieme ampio di tecnologie correlate ma diverse fra loro, che per comodità si raggruppano in tre ambiti principali: l'infrastruttura, ossia i framework con cui generare algoritmi e funzioni di AI; l'architettura, cioè essenzialmente gli approcci e le tecniche con cui gli algoritmi vengono addestrati; le numerose applicazioni verticali del machine/deep learning. Secondo CB Insights, attualmente 25 evoluzioni stanno impattando, ciascuna a suo modo, questi tre ambiti. Non tutte sono ugualmente importanti per le imprese. In generale conviene focalizzarsi sui trend che già mostrano un buon mercato potenziale e applicazioni concrete ben definite. Sono sviluppi che CB Insights definisce "necessari" perché le aziende dovrebbero in ogni caso avere una strategia in merito.

In questo ambito ricadono molte applicazioni già ben note dell'AI: la manutenzione predittiva, la diagnostica clinica, i componenti open source per il machine learning, il riconoscimento facciale. Per chi si occupa di AI è quasi scontato che un'azienda si interessi a queste applicazioni, in realtà molte aziende non le stanno ancora affrontando. Il segnale degli analisti è che è giunto il momento di farlo.

Se è necessario spingere le aziende a considerare le applicazioni "banali" dell'AI, è più difficile richiamare la loro attenzione sugli sviluppi che tecnologicamente sono ancora in uno stadio sperimentale e il cui mercato deve essere ancore ben definito. Eppure, spiega CB Insights, queste sono le tecnologie e le applicazioni che le aziende più evolute dal punto di vista AI stanno già valutando per capire se e quanto ne possano trarre subito un importante vantaggio competitivo.

Intelligenza artificiale: tre nuove tecnologie

A livello più tecnologico, i trend da seguire riguardano tre nuovi approcci all'addestramento degli algoritmi: le Capsule Network, il federated learning e le GAN.

Le Capsule Network sono l'elemento di livello più basso: riguardano il modo in cui le reti neurali usate nel deep learning valutano le caratteristiche di un oggetto nel riconoscerlo. Semplificando molto, le reti neurali classiche vanno alla ricerca di caratteristiche precise, mentre le Capsule Network tengono anche conto di come queste sono collocate nello spazio. La differenza, banalizzando, è che una rete neurale potrebbe indicare un ritratto alla Picasso come un volto reale (ha occhi, naso e bocca come è previsto che abbia) mentre una Capsule Network no, perché la disposizione dei tratti del volto sarebbe giudicata anomala.

Il federated learning riguarda il training dei modelli di AI. Oggi di solito li si addestra centralmente in cloud e poi si distribuisce il risultato finale ai dispositivi periferici che devono usarlo. Nell'apprendimento federato, invece, si distribuisce un modello non finito che viene addestrato in locale sui dati raccolti sempre in locale. I vari modelli addestrati in questo modo vengono poi riportati in cloud per generare un unico modello "globale", una sorta di media delle migliaia di modelli creati in periferia.

Intelligenza artificiale: le realtà sintetiche

Le GAN, o Generative Adversarial Network, sono più note tra gli addetti ai lavori. È un approccio in cui si mettono "in gara" due reti neurali: una è sviluppata per generare immagini artificiali, ad esempio di volti umani, a partire da una base dati di esempio; l'altra per determinare se una immagine è di sintesi o è reale. Le immagini generate dalla prima rete sono passate alla seconda, che le valuta e dà il suo giudizio. In questo modo la prima rete diventa sempre più abile nel creare immagini realistiche, imparando cosa serve per passare il filtro della seconda. Parallelamente, però, anche quest'ultima diventa sempre più selettiva.

Questo superarsi a vicenda porta a generare immagini sintetiche sempre più convincenti, indistinguibili dalla realtà. Un risultato che ha spiazzato i profani dell'AI e ha dato anche un po' forza ai suoi critici. Ma che non ha sorpreso i tecnici, secondo cui è applicabile ad altri ambiti e comunque ha una applicazione positiva: generare dati sintetici con cui addestrare altri algoritmi di AI nei campi in cui i dati reali sono pochi.