Per chi è interessato all’evoluzione della tecnologia, è interessante riflettere su cosa possiamo aspettarci dal nuovo anno. Gli avvenimenti inattesi del 2020 avranno senza dubbio un impatto sull’innovazione tecnologica nel 2021.
Divieto di fusione
Anzitutto, sta aumentando la pressione della politica sulle scelte tecnologiche delle grandi aziende. Nelle ultime settimane del 2020 si è intensificata la discussione su come depotenziare i cosiddetti operatori Over-the-Top, ovvero Google, Facebook, Amazon e Apple. All’inizio di questo mese, la Commissione europea ha presentato il Digital Services Act e il Digital Markets Act, due proposte che potrebbero cambiare completamente l’attuale regolamentazione dei servizi digitali.
La tendenza generale sembra quella di richiedere un frazionamento dei fornitori di servizi digitali, se non in termini societari almeno in quelli dello spazio dei dati. Google, che ha inventato e realizzato la piattaforma di raccolta dei dati che genera i vettori multidimensionali necessari per l’addestramento dei grandi modelli di Intelligenza Artificiale, è già sotto pressione perché ne limiti gli effetti. A ottobre, il governo degli Stati Uniti ha iniziato un’indagine su Alphabet (la società madre di Google) per “violazione delle regole di concorrenza al fine di preservare il monopolio sulla ricerca e sulla pubblicità online”. E il tema del potere in mano alle multinazionali del web è sempre più al centro anche dopo i recenti fatti di Washington.
La differenza tra sprovveduti e creduloni
Per capire il motivo della pressione politica, consideriamo ad esempio (dal punto di vista dell’analisi dei dati) la differenza tra sprovveduti e creduloni. I primi sono coloro che per scelta o per ignoranza, si espongono a informazioni false; i secondi sono quelli che, una volta esposti alle notizie false, sono pronti a passare all’azione. Gli esperti di sicurezza psicologica sanno bene che i creduloni costituiscono punti di vulnerabilità per i sistemi cyber-fisici, per quanto ben difesi, e utilizzano il phishing per identificarli. Purtroppo, i creduloni sono anche ottimi bersagli ai fini commerciali, perché sono disposti a sostenere il costo dell’azione che compiono (ad esempio, eseguendo un acquisto o rivelando informazioni in loro possesso). La ricerca ha elaborato modelli di apprendimento computazionale in grado di prevedere con ottima accuratezza se un certo sprovveduto sarà anche credulone, ma si tratta di modelli “early fusion” che operano su vettori o tensori multidimensionali messi insieme fondendo informazioni eterogenee sugli utenti (ad esempio, i parametri di comportamento e configurazione delle varie applicazioni di comunicazione e messaggistica sui loro telefoni) per eseguire le loro inferenze. Anche per questo, gli OTT hanno cercato di dotarsi di un’offerta ampia, che consenta di raccogliere le informazioni necessarie all’addestramento di grandi modelli early fusion. Come abbiamo visto in questo inizio 2021, il meccanismo per “azionare i creduloni” è però un’arma a doppio taglio, perché un loro comportamento incauto può avere conseguenze impreviste.
Il ruolo dei social network
Resta da vedere come l’amministrazione del nuovo presidente degli Stati Uniti Joe Biden tratterà la questione. In passato, Biden è stato molto critico nei confronti dei social network. In un’intervista rilasciata al New York Times a gennaio, Biden ha detto che la legge federale che protegge i siti di social network, nota come Sezione 230, dovrebbe essere abrogata. La Sezione 230 afferma che i social network non sono responsabili dei post illegali o offensivi da parte degli utenti.
La nuova Amministrazione potrebbe persino arrivare a condividere l’impostazione della Commissione Europea e considerare concorrenza sleale la early fusion di dati eterogenei da parte di chi controlla molte app, rispetto a chi ne ha solo una e al massimo puo’ accordarsi con altri operatori per fondere i risultati di modelli distinti (“late fusion”).
Gli Stati Uniti potrebbero anche adottare nuove misure sulla riservatezza dei dati. Lo stato della California ha già una legge sulla privacy, ma ci sono pressioni affinché venga sviluppata una politica federale. Va osservato comunque che la presenza di queste normative (compresa la GDPR europea) non sostituisce il frazionamento degli spazi dati degli OTT, perché si limita ad aumentare il costo di detenere informazioni sugli utenti. Questi ultimi (noi compresi) autorizzano facilmente la raccolta dei dati per tutti gli scopi possibili compresa la early fusion. I modelli ad alta dimensionalità si possono depotenziare solo facendo sì che nessun operatore abbia abbastanza informazioni per raggiungere un’accuratezza elevata, almeno sulle predizioni dei comportamenti individuali.
Gli acquisti senza commessi
Il 2020 è stato un anno disastroso per molte aziende commerciali europee. Lo shopping online è aumentato vertiginosamente durante i periodi di blocco, facendo crescere i proventi degli intermediari logistici, in gran parte statunitensi. Per evitare che questa tendenza diventi permanente, occorre trovare formule ibride tra il commercio elettronico e quello in presenza. La risposta dell’innovazione tecnologica è l’autenticazione non-collaborativa o semi-collaborativa su larga scala, che permette ai clienti di prelevare personalmente i prodotti presso i punti vendita senza interagire con personale. Un esempio preliminare è quello della catena di negozi Amazon Go, che offre pagamenti automatizzati senza passare alla cassa, usando le telecamere per tracciare i prodotti scelti e fatturarli automaticamente ai clienti quando escono dal negozio. I sistemi di autenticazione non-collaborativa su larga scala permetterebbero di adottare questo schema di fruizione senza interazione anche per i servizi (ad esempio, trasporto, ristorazione e intrattenimento). C’è ovviamente il rischio (o l’opportunità) di ricadere in scenari in cui, grazie a modelli ad alta dimensionalità, si potranno prevedere (ed anche condizionare) i desideri del cliente; per questo la ricerca, dopo il video e l’audio, sta indirizzandosi su data set che raccolgono postura e la mobilità fine delle persone in varie situazioni di servizio. Si tratta di un compito tutt’altro che semplice: i dati posturali e biometrici hanno distribuzioni statistiche non–stazionarie (cioè, i cui parametri cambiano nel tempo) che rendono difficile bilanciare i dati di addestramento; ma in laboratorio sono già stati sperimentati oggetti mobili che reagiscono automaticamente alle intenzioni degli utilizzatori.
Il ritorno delle auto autonome
Negli ultimi decenni i modelli basati sull’apprendimento computazionale profondo hanno svolto un ruolo fondamentale nello sviluppo di veicoli autonomi. Gli insuccessi occasionali non devono fuorviarci: l’Intelligenza Artificiale ha dimostrato di poter realizzare sistemi di percezione per esaminare l’ambiente intorno al veicolo e identificare oggetti come pedoni, veicoli e segnali stradali. Utilizzando queste informazioni, il sistema di controllo può intraprendere le azioni necessarie per controllare il veicolo in termini di frenata, velocità, cambio di corsia o sterzo. A Phoenix, in Arizona, il progetto Waymo One ha inaugurato in ottobre il primo servizio per il pubblico, mettendo a disposizione oltre 300 auto a guida autonoma che raccolgono e lasciano i passeggeri senza un umano al volante. Waymo ha il sostegno di Alphabet, la società madre di Google, ed entro il 2021, ci sono piani per espandere questa attività oltre Phoenix.
Il surrealismo delle macchine
Il 2021 sarà anche l’anno dei sistemi di IA che invece di riconoscere le immagini, le disegnano. Ad esempio, consideriamo il modello di linguaggio DALL-E annunciato recentemente da OpenIA. Si tratta di una versione più piccola del macro-modello GPT-3 di Microsoft che è stata addestrata su coppie testo-immagine prese da Internet. Data una breve didascalia in linguaggio naturale, come ” una nocciola vista dall’alto” il modello disegna l’immagine corrispondente. È già interessante la sua capacità di generalizzare, che lo porta spesso a generare l’immagine giusta anche se l’insieme di addestramento comprendeva solo noci e mandorle; ma la sorpresa sta nella capacità di generalizzare anche le espressioni metaforiche, come disegnare una “poltrona a forma di avocado” avendo visto in addestramento solo un “puf a forma di fragola” e una “lampada a forma di pera”. Il fatto che un modello di apprendimento computazionale possa sviluppare gli artefatti interni necessari per eseguire questo tipo di generalizzazione (per quanto siano diversi dalle astrazioni che costruisce la mente umana), ci conferma che una forma di intelligenza visiva delle macchine è alla portata dell’apprendimento statistico già nel prossimo anno.
Intelligenza artificiale in sanità
Concludiamo la panoramica con un tema in cui è fortemente impegnato anche il mio laboratorio di ricerca: l’intelligenza artificiale in sanità. L’uso della visione artificiale per la diagnostica nelle immagini mediche è diventato forse il caso d’uso più noto per l’IA in ambito sanitario. Ma non è di questo che voglio parlare perché, nonostante le centinaia di milioni di euro di finanziamenti e capitale di rischio, la tecnologia non è stata ancora pronta per essere adottata. Non è un problema di qualità dei modelli diagnostici, che hanno raggiunto accuratezze eccezionali: sono i sistemi informativi degli operatori sanitari a non essere pronti (soprattutto dal punto di vista della gestione dati) per incorporare queste soluzioni su larga scala. Quello che sta per arrivare nel 2021 è invece l’erogazione di servizi clinici ai pazienti a distanza piuttosto che di persona, utilizzando strumenti di Intelligenza Artificiale.
Prima della pandemia, la telemedicina significava semplicemente una videochat con un medico. Oggi la ricerca sta costruendo piattaforme di sensori proprietari e modelli di apprendimento automatico in grado di monitorare a distanza i segni vitali dei pazienti per la diagnosi precoce dei problemi sanitari, tenendo conto dei quadri clinici complessivi. L’intelligenza artificiale di queste piattaforme (compresa quella del mega-progetto europeo SMART BEAR, capitanato dall’istituto ICAR del CNR italiano) sarà significativamente più precisa nel rilevare i problemi sanitari rispetto ai medici umani. Ad esempio, i medici umani rilevano la fibrillazione atriale con una precisione del 70-80%, mentre i modelli di IA lo fanno con una precisione del 99%. La battaglia per il 2021 sarà soprattutto creare interfacce di accesso a queste piattaforme che convincano e rassicurino i pazienti umani.
