Come l’intelligenza artificiale cambia il modo di prendere le decisioni

Con la recente esplosione dell'intelligenza artificiale c’è la comprensibile preoccupazione per il suo potenziale impatto sul lavoro umano.

Un gran numero di persone ha cercato di prevedere quali industrie e posti di lavoro saranno maggiormente colpiti e quali saranno le competenze più richieste.

Alcuni studiosi pensano però sia il caso di cercare anche un approccio alternativo.

La teoria economica suggerisce infatti che Ia aumenterà sostanzialmente il valore del giudizio umano. Le persone che dimostrano un buon giudizio diverranno più preziose, non meno.

Ma per capire che cosa comporta il buon senso e perché diventerà più prezioso bisogna capire cosa si intende.

Intelligenza artificiale, cosa fa e perché è utile

I recenti progressi nell'Ia comportano una riduzione del costo della previsione. E per previsione non si intende solo che la previsione futura che riguarda l'utilizzo di dati che si devono generare (dati che non si hanno), ma anche tradurre grandi quantità di dati in piccole quantità gestibili.

Ad esempio, l'uso di immagini divise in parti per rilevare se l'immagine contiene o meno un volto umano è un classico problema di previsione.

La teoria economica dice che quando il costo della previsione della macchina scende, le macchine faranno sempre più previsioni.

La previsione è utile perché aiuta a migliorare le decisioni. Ma non è l'unico input nel processo decisionale; l'altro input chiave è il giudizio.

Consideriamo l'esempio di una rete di carte di credito che decide se approvare o meno ogni transazione tentata. Vogliono consentire transazioni legittime e ridurre le frodi. Usano l'Intelligenza artificiale per prevedere se ogni tentativo di transazione è fraudolento. Se tali previsioni erano perfette, il processo decisionale della rete è facile.

Tuttavia, anche le migliori soluzioni di intelligenza artificiale commettono errori, e questo probabilmente non cambierà presto. Le persone che gestiscono le reti di carte di credito sanno per esperienza che c'è un compromesso tra l'individuazione di ogni caso di frode e il disagio dell'utente. E poiché la convenienza è l'intero business delle carte di credito, il compromesso non è qualcosa da ignorare.

Ciò significa che per decidere se approvare una transazione, la rete di carte di credito deve conoscere il costo degli errori. Quanto sarebbe negativo rifiutare una transazione legittima? Quanto danno causerebbe sarebbe permettere una transazione fraudolenta?

Qualcuno presso l'associazione della carta di credito ha bisogno di valutare come l'intera organizzazione sia interessata quando una transazione legittima viene negata. Devono valutare gli gli effetti di una transazione fraudolenta e il il compromesso può essere diverso per gli individui con un valore netto elevato rispetto agli utenti occasionali di carte di credito. Nessuna intelligenza artificiale può fare questo. Gli esseri umani devono farlo. Questa decisione è quella che chiamiamo giudizio.

Cosa comporta il giudizio

Il giudizio è il processo che determina quale sia la ricompensa per una determinata azione in un particolare ambiente. Il giudizio è il modo in cui si calcolano i benefici e i costi delle diverse decisioni in situazioni diverse.

La frode con carta di credito è una decisione facile da spiegare al riguardo. Il giudizio implica determinare quanto denaro viene perso in una transazione fraudolenta, quanto infelice sarà un cliente legittimo quando una transazione viene rifiutata, così come la ricompensa per aver fatto la cosa giusta permettendo buone transazioni.

In molte altre situazioni, i compromessi sono più complessi e i vantaggi non sono semplici. Gli esseri umani imparano il controvalore di risultati diversi per esperienza, facendo scelte e osservando i loro errori.

Ottenere il giusto valore è difficile. Richiede una comprensione di ciò che preoccupa di più l'organizzazione, di ciò di cui beneficia e di ciò che potrebbe andare storto.

In molti casi, soprattutto nel breve termine, gli esseri umani saranno chiamati a esercitare questo tipo di giudizio. Si specializzeranno nella ponderazione dei costi e dei benefici delle diverse decisioni, e poi tale giudizio sarà combinato con previsioni generate meccanicamente per prendere decisioni.

Ma l'Intelligenza artificiale non potrebbe calcolare autonomamente costi e benefici? Nell'esempio della carta di credito, l'Intelligenza artificiale non potrebbe utilizzare i dati dei clienti per considerare il trade-off e ottimizzare a scopo di lucro? Sì, ma qualcuno avrebbe dovuto programmarla in base alla misura di profitto appropriata. Ciò evidenzia una particolare forma di giudizio umano che diventerà più comune e più prezioso.

Come le persone, anche l’intelligenza artificiale impara dall’esperienza. Una tecnica importante è l'apprendimento del rinforzo, per cui un computer è addestrato a intraprendere azioni che massimizzano una certa funzione di ricompensa.

Ad esempio, l'AlphaGo di DeepMind è stato addestrato in questo modo per massimizzare le sue possibilità di vincere la partita di Go. I giochi sono spesso facili da applicare questo metodo di apprendimento perché la ricompensa può essere facilmente descritta e programmata.
Ma i giochi possono essere truffati. Come riferisce Wired, quando i ricercatori hanno addestrato un Intelligenza artificiale per giocare al gioco di corse in barca, CoastRunners, il sistema ha capito come massimizzare il suo punteggio andando in giro in cerchio piuttosto che completare il corso come previsto. Si potrebbe considerare questa ingegnosità di un tipo, ma quando si tratta di applicazioni al di là dei giochi questa sorta di ingegno può portare a risultati perversi.

Il punto chiave dell'esempio di CoastRunners è che nella maggior parte delle applicazioni, l'obiettivo assegnato all'Intelligenza artificiale differisce dall'obiettivo vero e difficile da misurare dell'organizzazione. Finché così sarà, gli esseri umani svolgeranno un ruolo centrale nel giudizio, e quindi nel processo decisionale organizzativo.

Infatti, anche se un'organizzazione consente all'intelligenza artificiale di prendere determinate decisioni, ottenere il giusto payoff per l'organizzazione nel suo complesso richiede una comprensione di come le macchine prendono tali decisioni. Quali tipi di errori di previsione sono probabili? Come potrebbe una macchina apprendere il messaggio sbagliato?

Il Reward function engineering

Dato che l’Intelligenza artificiale serve a fare previsioni migliori e meno costose, è necessario pensare chiaramente e capire come utilizzare al meglio tali previsioni. Il Reward function engineering è il compito di determinare le ricompense alle varie azioni, date le previsioni fatte dall'Intelligenza artificiale.

Essere bravo in questo richiede una comprensione delle esigenze dell'organizzazione e delle capacità della macchina.

A volte il Reward function engineering prevede la programmazione delle ricompense in anticipo rispetto alle previsioni in modo che le azioni possano essere automatizzate. I veicoli autoguidati sono un esempio di ricompense con codice hard. Una volta fatta la previsione, l'azione è istantanea. Ma come dimostra l'esempio di CoastRunners, ottenere la giusta ricompensa non è banale. Reward function engineering deve considerare la possibilità che l'Ia si ottimizzi eccessivamente su un metro di successo, e nel fare ciò agisce in un modo che è incoerente con gli obiettivi più ampi dell'organizzazione.

In altre occasioni, la codifica delle ricompense è troppo difficile. Ci possono essere così tante previsioni possibili che è troppo costoso per chiunque giudicare in anticipo tutti i possibili payoff. Invece, alcuni umani hanno bisogno di aspettare che arrivi la previsione, e poi valutare il payoff. Man mano che le macchine migliorano nella previsione, il valore distinto di Reward function engineering aumenterà man mano che l' applicazione del giudizio umano diventerà centrale.

In generale, la previsione della macchina diminuirà o aumenterà la quantità di lavoro disponibile per gli esseri umani nel processo decisionale?

Troppo presto per dirlo. Da un lato, la previsione della macchina sostituirà la previsione umana nel processo decisionale. D'altra parte, la previsione della macchina è un complemento al giudizio umano. E previsioni meno costose genereranno una maggiore domanda di decisioni, quindi ci saranno più opportunità di esercitare il giudizio umano. Quindi, anche se è troppo presto per speculare sull' impatto complessivo sui posti di lavoro, non c' è dubbio che presto saremo testimoni di un grande fiorire della domanda di giudizio umano sotto forma di Reward function engineering.

Se questo articolo ti è piaciuto e vuoi rimanere sempre informato sulle novità tecnologiche iscriviti alla newsletter gratuita.

LASCIA UN COMMENTO

Please enter your comment!
Please enter your name here