Riassunto esame Strategia, gestione e sviluppo dell'innovazione, Prof. Petrocelli Michele, libro consigliato Incoscienza digitale. La risposta alla rivoluzione digitale tra innovazione, sorveglianza e postdemocrazia, Michele Petrocelli

IN SINTESI

Il nostro intuito: veloce ma impreciso: L'intuito ci fornisce rapidamente associazioni semplici, che la nostra mente

razionale accetta se appaiono fluide e semplici. Tuttavia, la mente razionale è pigra e tende a fidarsi dell'intuito. L'intuito

confronta e fa la media, ma non sa contare e salta alle conclusioni. Viene ingannato da piccoli numeri e dal pericoloso

bias del "meno è più". L'intuito non vuole accettare il ruolo importante della fortuna negli eventi. Gli eventi rari sono

sovrastimati, anche a causa di media e social network.

Gli esperti sono migliori dei politici che inseguono le emozioni popolari? No, anche gli esperti sono soggetti a bias. Le loro

intuizioni e narrazioni sono fallaci, a meno che l'ambiente non sia stabile e possano imparare.

DEEP MACHINE LEARNING: MACCHINE A PROVA DI BIAS? – M.2 L.7

FIN DOVE POSSONO LE MACCHINE

L'intelligenza artificiale sfida le nostre capacità: il machine learning e il deep learning: Prima di approfondire questo

tema, si tendeva a criticare chi si affidava a internet per diagnosi mediche, basandosi sui motori di ricerca. La fiducia negli

esperti era tale da non considerare credibili i risultati della rete. E forse c'era ragione, ma la scoperta di LYNA, un algoritmo

di Google (LYmph Node Assistant), ha fatto riflettere. LYNA è in grado di diagnosticare cellule cancerose nel 99% dei casi,

anche su porzioni di cellule troppo piccole da poter essere identificate dai patologi. Un risultato a cui nessun esperto

umano può arrivare. E lo fa senza che per programmarlo ci sia voluto il contributo di esperti in diagnostica.

Un altro punto di vista interessante è quello di Jeremy Howard, data scientist. Secondo lui, grazie al deep learning (cioè,

l'attuale sistema di machine learning basato su reti neurali e su una potentissima capacità di calcolo), le macchine, senza

l'aiuto di esperti umani, già possono e potranno sempre meglio:

Vedere, sentire e percepire

✓ Comprendere, interpretare ed utilizzare il linguaggio umano

✓ Tradurre ed esprimersi in qualunque lingua in modo naturale

✓ Leggere, scrivere, disegnare, creare

✓ Categorizzare, diagnosticare, elaborare

✓

In questa visione, l'apprendimento delle macchine sembra non lasciare molto spazio al lavoro delle persone, inglobandole

in una realtà identificata e anticipata, cui adeguarsi e crogiolarsi rasserenati. Quindi a questo punto possiamo dire che:

• L'intelligenza artificiale sta sviluppando capacità che rivaleggiano con quelle umane.

• Il machine learning è la tecnologia che permette alle macchine di imparare e migliorare autonomamente.

• Il futuro del lavoro e della società potrebbe essere radicalmente trasformato da questa tecnologia.

PIÙ O MENO COME FUNZIONA

Il Machine Learning: una rivoluzione in corso che ci riguarda tutti

Immagiamo di fare shopping online su Amazon: sicuramente ci vengono proposti prodotti che, come per magia, coincidono

con i nostri gusti e le nostre passate ricerche. Oppure, pensiamo alla tua TV on demand che suggerisce film che potrebbero

piacerci in base a ciò che abbiamo già visto. Sono solo due esempi di come il Machine Learning (ML), una branca

dell'intelligenza artificiale, stia rivoluzionando la nostra quotidianità.

Ma cos'è il Machine Learning? In parole semplici, si tratta di una tecnologia che permette ai computer di imparare e

migliorare autonomamente dalle proprie esperienze, proprio come facciamo noi.

Come funziona? Pensiamo ad un algoritmo di ML come ad un bambino che impara a giocare a dama. All'inizio, il bambino

perde quasi sempre, ma man mano che gioca e impara dai suoi errori, diventa sempre più bravo. In modo simile, un

algoritmo di ML analizza dati e risultati per creare un programma che collega questi due elementi, migliorando le sue

prestazioni nel tempo.

Quali sono i vantaggi del Machine Learning? Innanzitutto, questa tecnologia permette di affrontare situazioni e problemi

che non possono essere previsti in anticipo. Inoltre, consente ai computer di prendere decisioni e compiere azioni non

programmate, adattandosi a nuovi scenari e imparando a risolvere problemi in modo autonomo.

Pensiamo alla guida automatica: sarebbe impossibile programmare un software che preveda tutte le possibili variabili che

si possono incontrare su strada. Con il Machine Learning, invece, la macchina può "imparare" a guidare analizzando dati e

feedback in tempo reale. Ma il Machine Learning non si limita solo a compiti pratici. Può essere utilizzato anche per scopi

creativi. Ad esempio, un algoritmo di ML può generare immagini, testi, discorsi e poesie originali, aprendo nuove frontiere

nell'arte e nella letteratura.

Esistono diversi approcci al Machine Learning:

Apprendimento supervisionato: In questo caso, l'algoritmo viene "istruito" fornendogli dati di input e output

✓ desiderati. L'obiettivo è che l'algoritmo impari a generare l'output desiderato in base all'input. Un esempio è il

riconoscimento di immagini, dove l'algoritmo impara a classificare le immagini in base a dei campioni predefiniti.

Apprendimento non supervisionato: in questo caso, l'algoritmo non riceve alcuna informazione sull'output

✓ desiderato. L'obiettivo è che l'algoritmo trovi autonomamente relazioni e schemi tra i dati. Un esempio è il data

mining, dove l'algoritmo analizza grandi quantità di dati per estrarre informazioni utili.

Apprendimento rinforzato: in questo caso, l'algoritmo impara interagendo con un ambiente dinamico. L'obiettivo

✓ è che l'algoritmo impari a compiere azioni che gli permettono di ottenere un premio o di evitare una punizione. Un

esempio è il gioco degli scacchi, dove l'algoritmo impara a giocare contro un avversario.

Il Machine Learning è una tecnologia in continua evoluzione con un forte impatto sulla nostra vita. La sua capacità di

apprendere e adattarsi offre nuove opportunità per il futuro in diversi settori, dalla medicina alla robotica.

Formula

f(x) = y**

rappresenta l'obiettivo di un algoritmo di Machine Learning. In questa formula:

f(x) è la funzione che l'algoritmo sta cercando di approssimare.

✓ x è l'input dell'algoritmo.

✓ y è l'output desiderato.

✓

L'algoritmo di Machine Learning analizza un set di dati di input e output per imparare la funzione f. In questo modo,

l'algoritmo può prevedere l'output y per un nuovo dato di input x.

Esempio: Immaginiamo di avere un algoritmo di Machine Learning che deve imparare a classificare le immagini di gatti e

cani. L'algoritmo viene "istruito" fornendogli un set di dati di immagini di gatti e cani etichettate correttamente. L'algoritmo

analizza le immagini e impara a identificare le caratteristiche che distinguono i gatti dai cani. In questo modo, l'algoritmo

può classificare correttamente nuove immagini di gatti e cani.

In questo caso, la funzione f rappresenta la relazione tra le caratteristiche di un'immagine (x) e la sua classificazione come

gatto o cane (y). L'algoritmo di Machine Learning impara questa funzione analizzando il set di dati di immagini etichettate.

Ecco alcuni altri esempi di come la formula può essere utilizzata in diversi contesti di Machine Learning:

Riconoscimento facciale: la funzione f rappresenta la relazione tra le caratteristiche di un volto (x) e l'identità della

✓ persona (y).

Predizione del prezzo di un'azione: la funzione f rappresenta la relazione tra le caratteristiche di un'azienda (x) e

✓ il prezzo delle sue azioni (y).

Diagnosi medica: La funzione f rappresenta la relazione tra i sintomi di un paziente (x) e la sua malattia (y).

✓

MA LA MACCHINA È A PROVA DI EURISTICHE E BIAS? E COSA RESTA AGLI ESSERI UMANI?

Il nostro cervello vs. l'apprendimento automatico: un confronto

L'apprendimento automatico (o machine learning) rappresenta una tecnologia rivoluzionaria in grado di simulare i processi

di apprendimento del nostro cervello. In particolare, l'algoritmo di apprendimento automatico replica il funzionamento di

due sistemi distinti:

Sistema 1: caratterizzato da rapidità, intuitività e spontaneità, crea associazioni tra le informazioni che riceve.

✓ Sistema 2: più lento e riflessivo, controlla le associazioni create dal Sistema 1 e le convalida.

✓

L'apprendimento automatico riproduce entrambi i sistemi:

Fase 1: l'algoritmo genera associazioni tra i dati a sua disposizione, in maniera analoga al Sistema 1.

✓ Fase 2: applica la logica e verifica le associazioni per garantirne la correttezza, emulando il Sistema 2.

✓

L'apprendimento automatico offre numerosi vantaggi rispetto al cervello umano:

• Immunità agli errori cognitivi: non è soggetto a stereotipi, conferme di credenze o distorsioni emotive.

• Capacità di ragionamento logico: applica la regola di Bayer e la regressione verso la media per una valutazione più

accurata.

• Gestione di grandi volumi di dati: può analizzare big data con estrema rapidità ed efficienza.

Tuttavia, l'apprendimento automatico presenta alcune limitazioni:

• Suscettibilità ai bias: i pregiudizi dei programmatori o dei dati di addestramento possono influenzare l'algoritmo.

• Mancanza di co-scienza e abilità umane: non è in grado di sviluppare etica, giustizia, empatia, intuizione o pensiero

laterale.

Problematiche legate ai bias nei dati: I modelli di intelligenza artificiale possono ereditare distorsioni e pregiudizi dai

dataset utilizzati per il loro addestramento.

Esempio: l'algoritmo di Amazon per la selezione dei candidati discriminava le donne a causa di un dataset prevalentemente

maschile.

IN SINTESI

Il deep learning permette alle macchine di apprendere autonomamente in qualsiasi campo, senza supervisione umana. A

differenza del pensiero umano, il machine learning non è soggetto a bias ed euristiche, diventando sempre più performante

e razionale nella valutazione delle associazioni. Tuttavia, i pregiudizi nei dati o nei programmatori possono influenzare

negativamente questo processo e portare a soluzioni errate.

L'uomo rimane fondamentale per l'intuizione, l'etica, la giustizia, la coscienza e l'empatia. La collaborazione uomo-

macchina è la chiave per rafforzare il pensiero creativo, superando i limiti cognitivi ed elaborativi di entrambi.

INNOVAZIONE E COMPETITIVITÀ – M.3 L.8

ALCUNE EVIDENZE EMPIRICHE

La digitalizzazione: sfida cruciale per l'Italia

Come emerso in modo evidente, la tecnologia e la digitalizzazione assumono un ruolo di primaria importanza per la crescita

economica di qualsiasi Paese. La crisi pandemica ha ulteriormente amplificato e accelerato questa correlazione, rendendo