L’intelligenza artificiale generativa non è una novità assoluta in termini tecnologici. Il white paper “L’IA in azione” di Anitec-Assinform sottolinea come le Gan, le Generative Adversarial Network che rappresentano il progenitore di Chat Gpt e dintorni, siano state introdotte nel 2014 mentre i transformer appaiono nel 2017. Ma lo è in termini di utilizzabilità. Se sfruttata in modo opportuno e integrata nei processi aziendali, l’IA generativa «può portare ad un aumento della produttività da alcuni osservatori stimato tra il 5 e il 25% a seconda dei settori», si legge nel documento.
Ci sono tecnologie basate su IA, sul mercato da anni, a partire da machine learning e deep learning. E altre che stanno conoscendo nuove evoluzioni con l’applicazione dell’intelligenza artificiale: data analysis, cloud, digital twin, anche quantum computing. Le imprese che indicano un utilizzo importante dell’IA in molti processi è in crescita, nel 2023 passerà al 14%, dal 4% dell’anno prima, e diminuirà invece sensibilmente la percentuale di chi intende utilizzarla poco o per niente. Ma il mercato, pur in forte crescita, è ancora limitato (570 milioni di euro nel 2023, che significa lo 0,6% del mercato digitale italiano). Il problema è che al momento resta una «distonia significativa tra ciò che la tecnologia può offrire e il suo utilizzo effettivo nel panorama produttivo italiano». È per ridurre questo gap che il gruppo di lavoro “intelligenza artificiale” di Anitec Assinform, coordinato da Roberto Saracco, ha predisposto il nuovo white paper interamente dedicato all’intelligenza artificiale: «abbiamo voluto fornire un quadro delle applicazioni e degli sviluppi di questo abilitatore digitale» sottolinea Marco Gay, presidente dell’associazione italiana per l’Ict del sistema Confindustria, che insiste anche sulla necessità di definire «una strategia forte per far sì che idee e potenzialità si trasformino in investimenti» e «l’Italia benefici al massimo dell’utilizzo di questa tecnologia».
Secondo l’analisi del WP, i motivi fondamentali per cui le imprese fanno fatica a sviluppare il pieno potenziale delle tecnologie sono la mancanza di comprensione delle tematiche legate al digitale, la difficoltà nel trovare competenze adeguate, e una cultura aziendale e manageriale non sempre pronta ad accogliere il cambiamento. Il punto relativo alle competenze è sempre più centrale. La mancanza di risorse umane preparate in modo pragmatico all’applicazione dell’IA è un tema. «Gli output di ricerca delle Università italiane – si legge – dimostrano che nel nostro Paese il livello della ricerca accademica non è distante da quello degli altri principali Stati europei. Tuttavia, nonostante vi siano sempre più importanti progettualità per favorire il trasferimento tecnologico dall’Università al mercato, rileviamo un orientamento ancora troppo teorico e scarsamente improntato alla soluzione di problemi di business». Qui è anche fondamentale, oltre che agire sulla consapevolezza delle imprese, mettere a sistema una formazione adeguata al salto digitale, ad esempio continuano a potenziare gli Its (istituti tecnici superiori).
Ma c’è anche un problema di cultura manageriale che ancora non ha sufficientemente metabolizzato la sfida della transizione digitale. Come già successi negli anni scorsi con la robotica e le prime fasi della digitalizzazione delle fabbriche, l’IA porta nuovi timori legati all’occupazione. Secondo Anitec Assinform, il pericolo maggiore «sia per le aziende che per i lavoratori è legato alla perdita di competitività. Chi adotta per primo, e in modo efficace, le tecnologie basate sull’IA guadagnerà un vantaggio significativo sul mercato». Vediamo allora gli spunti più significativi che possono chiarire le idee sull’IA.
Dal machine learning all’intelligenza artificiale generativa
Considerazione numero uno: «ogni azienda oggi produce un enorme quantitativo di dati», per questo si parla di Big Data. Questi ultimi però, «senza strumenti di analisi avanzata non producono risultati e, viceversa, senza dati di alta qualità, l’IA non può funzionare correttamente o generare risultati accurati». L’intelligenza artificiale per funzionare bene, cioè per dare risultati utili, ha bisogno di macinare un gran numero di dati. Ma occupiamoci non dello sviluppo dell’IA (che comunque è un tema), ma del suo utilizzo. In termini molto semplici, l’intelligenza artificiale consente a una macchina di eseguire compiti che richiedono una certa forma di intelligenza, come il riconoscimento di immagini, la comprensione del linguaggio naturale, il ragionamento e la pianificazione. A livello industriale si può declinare in vari modi.
Il machine learning, una sottocategoria dell’IA che si concentra sull’abilità delle macchine di apprendere dai dati senza essere esplicitamente programmate. In altre parole, le macchine acquisiscono conoscenze tramite l’analisi di grandi quantità di dati e le utilizzano per fare previsioni o prendere decisioni. Il machine learning può essere applicato all’intero processo industriale (machine learning operations), per potenziare la collaborazione tra le unità di business coinvolte, ridurre il time-to-market per nuovi casi d’uso basati su AI, abilitare trasparenza e verificabilità delle operazioni e creazione di sistemi robusti, affidabili e scalabili.
Una sorta di evoluzione del machine learning è il Deep Learning, che cerca di simulare il funzionamento del cervello umano tramite l’uso di una rete neurale artificiale composta da molti strati di neuroni. Ciò consente alle macchine di apprendere direttamente dai dati, invece di affidarsi all’estrazione manuale di caratteristiche. 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. I sistemi di visione, per esempio, utilizzano il deep learning.
L’ultima frontiera dell’intelligenza artificiale è rappresentata dalla Generative AI (intelligenza artificiale Generativa), che ha bisogna di enormi basi di dati, li elabora attraverso algoritmi di apprendimento automatico ed è in grado di generare nuovi contenuti, come immagini, suoni e testo. Utilizza algoritmi che trasformano i dati contenuti nei Large Language Model (Llm), in altri dati che probabilisticamente corrispondono a una stringa di input (la domanda posta dall’utilizzatore). Queste tecniche vanno sotto il nome di Transformer, a loro volta si basano spesso sul Deep Learning, e utilizzano tecniche come i Gan (Generative Adversarial Networks), che consentono alle macchine di generare nuovi contenuti che si avvicinano a un obiettivo prestabilito (ad esempio vincere a scacchi o produrre un’immagine che abbia certe caratteristiche).
Da dove arrivano i dati: l’IoT
Come si vede, il punto è sempre l’analisi dei dati. I due ambiti nei quali vengono costantemente generati dati sono l’IoT (Internet of Things), relativo alle cose, e l’IoB (Internet of Behaviors), relativo alle persone ed ai comportamenti. Nelle imprese, gran parte dei processi si avvale di IoT per il monitoraggio degli apparati e delle attività. In questo modo, si generano dati che possono essere utilizzati. A questi, si aggiungono sempre più spesso altre informazioni che arrivano dai prodotti durante il loro utilizzo. Tutti questi dati grezzi possono essere elaborati e portano alla generazione di ulteriori dati, i metadati. Questo passaggio è ancora poco diffuso nelle aziende, per cui succede che il 60-95% dei dati disponibili non sono di fatto valorizzati. In realtà, potrebbero migliorare i processi e i prodotti, e offrire nuovi servizi. E potrebbero anche essere condivisi in framework “OpenData” creando ecosistemi in cui le aziende generano valore condiviso. Il metadato si presta a questa operazione perché è neutro, preservando quindi elementi di privacy e di confidenzialità, ma al contempo acquisisce altre caratteristiche necessarie per rendere i dati F.A.I.R, ossia Findable, Accessible, Interoperable, Reusable, e per fornire una semantica comune a diverse sorgenti di dati.
ed a seconda dei settori di applicazione, schematizzati in questo grafico, alcune tecnologie risultano piú
adatte. Nel grafico, le tecnologie piú frequentemente utilizzate sono raggruppate nell’arco superiore
sotto l’etichetta Machine Learning.
Un esempio di IA applicata ai dati che arrivano dall’IoT è quello di Tim: dalle reti in fibra e dal 5G arrivano enormi quantità di dati che l’IA elabora per migliorare continuamente user experience dei clienti ma non solo. L’intelligenza artificiale permette l’automazione di molte attività: configurazione dei dispositivi, provisioning, manutenzione e risoluzione dei guasti, gestione più snella dei “profili utente”, prestazioni più elevate e implementazione più rapida di nuovi servizi, riduzione dei costi operativi di rete, maggior sostenibilità dell’infrastruttura dal punto di vista ambientale. In un esperimento pilota condotto nel 2021 nel comune di Fossano, è stata usata una tecnologia basata su IA (Eris, Enhanced reinforcement learning for innovating self organizing networks), abbinata a una tecnologia Ret (Remote electrical tilt) che consente di regolare a distanza l’inclinazione delle antenne montate sulle torri rispetto al terreno per ottenere la portata ideale. Eris è in grado di individuare costantemente la configurazione ideale per potenziare l’efficienza. Il risultato è stato un miglioramento prestazione compreso tra il 10% e il 20% nei siti più congestionati appartenenti al territorio.
L’IA applicata a cloud, quantum computing, digital twin
L’IA è uno strumento efficace sia per generare metadati sia per metterli a valore. Può essere applicata per estrarre caratteristiche dai dati, fare una categorizzazione automatica, generare descrizioni, schemi o riassunti, predire dati mancanti, valutarne caratteristiche di qualità. La sua applicazione ad altre tecnologie (cloud, quantum computing, Analytics, digital twin), ne abilita nuove funzionalità.
Un approccio cloud per l’IA consente di migliorare la produttività, grazie a uno sviluppo e a una distribuzione dei modelli veloce, sicuro e certificato. Fra i prodotti disponibili sul mercato, ci sono ad esempio soluzioni per supportare il cosiddetto “AI journey”, il raggiungimento di un vantaggio competitivo tramite l’adozione di IA: comprendono sistemi di automazione, ottimizzazione proattiva dell’IT, lavoro digitale, cybersecurity, gestione del ciclo di vita dei modelli di machine learning e molto altro.
Sfruttando la potenza di calcolo del quantum computing per l’intelligenza artificiale e il machine learning, in ambito di smart manufacturing vengono utilizzate applicazioni per distinguere manufatti con difetti di produzione da altri senza difetti. L’approccio quantistico riesce a migliorare l’accuratezza, velocizzare il training, raggiungere risultati migliori in termini di errore rispetto alla quantità di dati in ingresso. Oppure, per la gestione delle forniture, un approccio quantistico può agevolare il processo decisionale migliorando il recupero, abbassando i costi e riducendo i disservizi. E aiutare a perfezionare la classificazione degli eventi e la predizione di future interruzioni.
In ambito analitycs, si possono impiegare algoritmi di Machine Learning e Deep Learning per fare analisi predittiva, ad esempio per valutare la domanda di uno specifico prodotto in un determinato arco di tempo. Oppure algoritmi avanzati per fare analisi prescrittiva, che serve a determinare le migliori azioni da intraprendere in base a specifici scenari o funzioni obiettivo. Concretamente, può essere utilizzata per ottimizzare la catena di approvvigionamento (Supply chain), identificando i modelli di domanda futuri e suggerendo le azioni più appropriate per minimizzare i costi o massimizzare l’efficienza.
Il Digital Twin, ovvero la rappresentazione digitale di un elemento reale (anche un intero impianto produttivo), può essere utilizzato per monitorare il funzionamento dell’elemento fisico (ad esempio, l’impianto di cui sopra), interagire per dare istruzioni (per esempio, richiedere una diminuzione di potenza per prevenire un surriscaldamento), effettuare simulazioni, connettersi con altri digital twin. In realtà, sono 15 anni che il digital twin viene utilizzato nell’industria manifatturiera, ma l’intelligenza artificiale abilita le funzionalità di comunicazione con l’oggetto fisico e lo scambio dei dati. Per cui lo strumento si è evoluto: da semplice rappresentazione di un elemento fisico, con possibilità sostanzialmente limitate a una simulazione grafica, a capacità di monitoraggio, analisi di dati reali e anche effettuazione di attività per conto dello stesso.
Un approccio di cybersecurity per l’IA
Infine, la cybersecurity. L’implementazione delle tecnologie in azienda aumenta l’esposizione agli attacchi informatici. L’IA viene utilizzata dagli hacker per sferrare gli attacchi, ma viceversa può essere anche utilizzata dalle imprese per difendersi. I dati Clusit 2023 indicano che i pericoli sono in aumento: nel 2022 in Italia ci sono stati 188 attacchi, il 7,6% di quelli globali (contro il 3,4% del 2021), con un aumento del 169% sul 2021. Un utile documento è quello prodotto dall’Enisa (European Union Agency for Cybersecurity) chiamato “Artificial Intelligence Cybersecurity Challenges“, che fra le altre cose mappa il panorama delle minacce all’IA, le classifica, elenca i possibili attori. Il consiglio contenuto nel WP è il seguente: è opportuno adottare un approccio specifico per l’intelligenza artificiale.
I passaggi suggeriti: valutare in modo poco approfondito le minacce (Threat Modeling) per identificare preventivamente i potenziali incidenti ed evitarli con dei controlli di sicurezza dedicati, adottare misure tecniche e organizzative adeguate a prevenire e contrastare gli attacchi informatici (ad esempio, cifratura dei dati, segmentazione delle reti, autenticazione multifattoriale, backup dei dati, gestione degli accessi e degli incidenti). Seguire le best practices e gli standard internazionali di cybersecurity, come quelli proposti dall’European Union Agency for Cybersecurity (Enisa), dal National Institute of Standards and Technology (Nist) o dalla Cybersecurity and Infrastructure Security Agency (Cisa) degli Stati Uniti. Formare e sensibilizzare il personale e gli utenti sui rischi e le responsabilità legati all’utilizzo dell’IA e sulle misure di prevenzione e protezione da adottare. Monitorare e valutare costantemente le performance e gli impatti dei sistemi di IA, con particolare attenzione alla gestione degli errori, delle anomalie e delle vulnerabilità.
Il white paper L’IA in azione di Anitec-Assinform può essere scaricato gratuitamente da questo indirizzo.
