White Paper: L’IA in azione

L’Intelligenza artificiale evolve sempre più̀ rapidamente. Come mai?

Il progresso tecnologico è costante, tranne che in alcune aree. Ciò è tuttavia significativo a causa del carattere esponenziale dell’evoluzione nel contesto dell’IA, così come nel caso dell’industria elettronica con lo sviluppo dei chip.

In altre parole, ciò che si è osservato è stato:

1. Realizzazione di chip di nuova generazione (riduzione delle dimensioni del gate, riduzione dei consumi, miglioramento delle prestazioni).
2. Utilizzo dei nuovi chip (maggiori prestazioni) per la progettazione di componenti di nuova generazione.
3. Miglioramento dei processi litografici.
4. Minori costi e quindi maggiore espansione del mercato e aumento della domanda a giustificare ulteriori investimenti produttivi.

Per l’Intelligenza artificiale il ciclo è più̀ articolato ma porta alle stesse conseguenze di crescita esponenziale:

1. Crescente disponibilità̀ di dati, sia a livello “macro” – grandi basi dati -, sia a aziende e istituzioni come risultato della transizione digitale e dell’adozione della progettazione digitale.
2. a. A livello macro, l’evoluzione porta alla creazione di strumenti che consentono a più soggetti, incluse le imprese, di utilizzare l’intelligenza artificiale.
3. b. A livello micro l’utilizzo dele informazioni storiche per l’apprendimento automatico
4. Incremento del numero di sensori IoT, collegati al sistema produttivo ed integrati nei prodotti (con flusso dai prodotti al sistema qualità e l’utilizzo di una prospettica 4.0 dell’industria).
5. Disponibilità̀ crescente di sistemi di elaborazione agli edge con preelaborazione dei dati (IoT gateways)
6. Creazione di algoritmi di IA e la recente evoluzione della intelligenza artificiale generativa.
7. Produzione di metadati
8. Produzione di dati sintetici
9. Incremento di applicazioni e utilizzo di IA che genera nuova domanda di IA e stimola investimento nel settore

IA per le aziende

Ogni azienda oggi produce un enorme quantitativo di dati ed è proprio in questo contesto che si fa riferimento ai Big Data.

Il termine Big Data si basa su tre dimensioni:

1. 1. Volume: la vasta quantità̀ di dati che viene generata ogni giorno
2. 2. Velocità: la rapidità̀ con cui i dati vengono generati e raccolti, che richiede un’elaborazione molto spesso in tempo reale
3. 3. Varianza: la diversità̀ dei dati, come ad esempio diversi formati, fonti e tipologie

Gli ostacoli maggiori che le piccole e medie imprese devono superare risiedono nella capacità della loro infrastruttura tecnologica, motivo per cui si affidano tipicamente al Cloud. L’apprendimento automatico è una forma specializzata di intelligenza artificiale che prevede l’acquisizione automatica di conoscenza dai dati senza ricevere istruzioni specifiche. In definitiva, le macchine hanno la capacità di acquisire conoscenza attraverso l’analisi di grandi volumi di dati e di utilizzare questa conoscenza per fare o prendere previsioni. Il Deep Learning è una forma di apprendimento automatico che tenta di emulare il comportamento del cervello umano tramite l’uso di una rete neurale artificiale composta da più strati di neuroni. Ciò facilita l’apprendimento diretto delle macchine dai dati, invece di dover fare affidamento su funzionalità create dall’uomo. Grazie alla capacità di apprendimento autonomo di queste reti neurali, il Deep Learning viene di solito utilizzato per l’analisi di dati non strutturati come immagini, testo ed audio.

Data Spaces: il mercato dei dati

La strategia europea per i dati del febbraio 2020 ha annunciato la creazione di spazi di dati in 10 settori strategici: sanità, agricoltura, manifattura, energia, mobilità, finanza, pubblica amministrazione, competenze, cloud europeo per la scienza aperta e conseguimento degli obiettivi del Green Deal, considerato una priorità̀ fondamentale in tutta l’UE. L’obiettivo finale è che gli spazi di dati nel loro insieme formino un unico spazio europeo dei dati: si tratterà di un vero mercato unico dei dati.

CAD -Computer Aided Design-

L’implementazione del software CAD è diventata una pratica comune da molti decenni. In vari ambiti, i sistemi CAD forniscono librerie predefinite di componenti (plug-in) che sono spesso associati a informazioni (e software) specifiche che possono essere utilizzate per emulare il comportamento di un sistema o componente.

Cosa è il BIM

Il BIM (Building Information Modelling) è un metodo di progettazione utilizzato nel campo AEC (Architettura, Ingegneria e Costruzioni). Facilita la progettazione di un progetto e la registrazione della sua progressione attraverso ciascuna delle sue fasi di vita. Il BIM consente di attivare un processo di progettazione integrale, il che prevede la centralizzazione dei dati e il miglioramento della comunicazione tra i partecipanti, ciò riduce la probabilità di fallimento di un progetto.

IoT (Internet of Things)

L’“Internet delle Cose” – IoT- è una realtà̀ pervasiva sia nelle imprese a livello dei processi di approvvigionamento, realizzazione e distribuzione, sia a livello dei prodotti. Tipicamente, gli IoT sono sensori che riconoscono varie proprietà e trasmettono informazioni tramite collegamento alla rete.

Metadati

I metadati sono un by-product fondamentale della “digitalizzazione” nel momento in cui questa viene “valorizzata”, cioè̀ quando i dati che essa genera sono elaborati e danno origine a nuove informazioni. L’intelligenza artificiale utilizza i metadati nel processo di apprendimento automatico, ma l’intelligenza artificiale può anche essere utilizzata per creare metadati in altri modi. Ecco alcuni esempi.

• Estrazione di caratteristiche
• Categorizzazione automatica
• Generazione di descrizioni, schemi o riassunti
• Predizione di metadati mancanti
• Qualità dei dati

Trattamento dei dati

Cloud

Il paradigma Cloud è il modo più efficace per fornire tecnologie, prodotti e servizi basati sull’AI, senza trascurare sicurezza, controllo e trasparenza, nella consapevolezza che la mancanza di dati di qualità o di conformità alle normative vigenti può essere problematica e comportare costi. Tra i vari prodotti Cloud disponibili per supportare l’AI, le soluzioni che supportano il “journey AI” sono le più notevoli. Il viaggio verso un vantaggio competitivo tramite l’intelligenza artificiale è particolarmente evidente nei processi che coinvolgono l’automazione, l’ottimizzazione attiva, il lavoro digitale, la sicurezza informatica, l’apprendimento automatico e altro ancora. La sicurezza del dato, in informatica, si basa su tre principi fondamentali:

• Confidenzialità: significa garantire che i dati e le risorse siano accessibili solo a chi ne ha il diritto e il consenso;
• Integrità: significa garantire che i dati e le risorse non siano modificati odanneggiati da agenti esterni o interni;
• Disponibilità: significa garantire che i dati e le risorse siano accessibili e fruibili in ogni momento da chi ne ha il diritto e il bisogno.

Più genericamente, nei sistemi di IA la gestione dei dati presenta delle sfide specifiche per la sicurezza di essi, che richiedono una maggiore attenzione e vigilanza da parte dei responsabili della gestione e da parte dei proprietari del dato.

Tra queste sfide possiamo citare:

• Mantenimento dell’integrità̀ dei dati utilizzati per addestrare e testare i sistemi di IA, che se alterati possono influenzare la loro accuratezza, affidabilità̀ e imparzialità̀;
• Mitigazione e gestione dei rischi di violazione, manipolazione o perdita dei dati a causa di attacchi informatici o errori umani o tecnici;
• la messa in sicurezza del ciclo di vita di una IA, il quale risulta molto complesso a causa della complessità̀ stessa della tecnologia.

Il computer quantistico, tecnologia teorizzata agli inizi degli anni 80 e ancora in fase di sviluppo, rappresenta l’ultima evoluzione del paradigma computazionale.

Riportiamo una lista di use case del quantum computing per l’IA.

• Smart manufacturing
• Diagnosi mediche
• Sviluppo di medicinali tramite lo studio del ripiegamento delle proteine
• Gestione delle interruzioni di forniture

Digital Twin

Il Digital Twin (Gemello Digitale) è una rappresentazione digitale di un elemento reale (ad esempio prodotto, processo o infrastruttura).

Si compone di tre elementi:

• Il modello digitale
• L’ombra digitale
• La storia digitale

GAN (Generative Adversarial Networks)

Le GAN sono un tipo di rete neurale molto interessante per catturare effetti complessi, in particolare nel trattamento delle immagini X-RAY medicali, immagini per comprendere come evolve il cervello dei pazienti in presenza e assenza di patologie dirette.

Il dominio di applicazione può essere:

• Dati Sintetici
• Image ipainting
• Generazione di immagini
• Image Denoising

L’MLOps e i benefici derivanti

La soluzione per trarre un reale valore dai progetti di machine learning (ML)è introdurre il MLOps, acronimo di “Machine Learning Operations”.

I principali benefici del MLops sono:

• Favorire la collaborazione tra le unità di business coinvolte;
• Ridurre il time-to-market per nuovi casi d’uso basati su AI;
• Abilitare la Trasparenza e verificabilità̀ delle operazioni di machine learning;
• La creazione di sistemi robusti, affidabili e scalabili;

IA nei macrosettori economici

Le aree di maggiore sperimentazione con l’intelligenza artificiale sono principalmente quelle, delle telecomunicazioni e dei media. Due terzi delle società finanziarie intervistate e il 60% di quelle dei servizi hanno dichiarato che dedicheranno finanziamenti all’IA, più̀ caute invece le aziende dell’industria (45,5%) e di grande distribuzione e vendita al dettaglio (44,4%). Esiste una stretta associazione tra la diffusione di sistemi basati sull’Intelligenza artificiale e lo sviluppo di reti di comunicazione (in particolare 5G) in grado di connettere diversi dispositivi, raccogliere dati ed utilizzare le informazioni su larga scala per il miglioramento di comunicazioni, processi e servizi. L’AI permette una forte ottimizzazione della gestione dei problemi di rete automatizzando una procedura ancora principalmente dall’intervento umano.