Ogni trend tecnologico si sviluppa attraverso una successione di fasi che ne caratterizza il processo di maturazione: dall’emersione alla sua accettazione. Tale processo è sempre accompagnato da un “buzzing tecnologico” che solitamente esplode nelle fasi iniziali di maggiore “illusione” per poi rimodularsi progressivamente in funzione dell’accettazione da parte del pubblico. Semplificando, il ben noto hype cycle (ciclo dell’esagerazione) di Gartner potrebbe essere considerato come una metodologia che ci aiuta a riassumere graficamente lo stato del buzzing che avvolge una grande varietà di trend tecnologici.

In una recente versione dell’hype cycle (luglio 2016), Gartner posizionava l’apprendimento automatico all’apice della curva dell’esagerazione, prevedendone una più convinta adozione entro i 2-5 anni e lasciando presagire una possibile transizione attraverso la cosiddetta fase della “disillusione”. La fase della disillusione è un passaggio importante, talvolta dispendioso, di un ciclo di maturazione. Essa può tradursi in una sostanziale diminuzione dell’interesse da parte del mercato con lo scarseggiare di risultati concreti, la scomparsa di alcuni player e il consolidamento della posizione di altri più realisti e esperti sul tema. Ad ogni modo, un posizionamento come quello descritto, all’apice della curva, pur segnando un passaggio rilevante nell’evoluzione di un trend, potrebbe non aiutare le aziende a capire se è il momento di investire. Insomma, ognuno a sua misura, temendo di diventare la vittima sacrificale in una fase di incertezza, tenterebbe a ritardare gli investimenti approcciando l’argomento con un certo scetticismo. Nel caso dell’apprendimento automatico, questo atteggiamento sarebbe un grave errore strategico. Vediamo perché.

  1. Il trend dell’apprendimento automatico dovrebbe essere inteso come l’ineluttabile processo di transizione dal paradigma classico della programmazione al paradigma secondo cui la macchina, esaminando i dati che arrivano nelle forme più disparate dal mondo reale, è in grado di programmarsi per assolvere una varietà di compiti specifici (per esempio analizzare i dati dei clienti e produrre predizioni per le campagne di retention, analizzare i referti di pazienti e supportare le diagnosi, guidare un drone, interagire con il linguaggio naturale, analizzare immagini complesse, etc.). In accordo con questa chiave di lettura che già ben approssima lo stato reale delle cose, una nuova generazione di applicazioni “smart” (talvolta anche definite, con abuso commerciale del termine, cognitive) sta emergendo e contribuendo a disegnare il quadro tecnologico che l’hype cycle prova a descrivere. Tuttavia è essenziale distinguere tra la gioventù delle più recenti applicazioni smart che incorporano algoritmi di apprendimento automatico e la maturità dell’apprendimento automatico nella sua attraente vastità.
  2. L’apprendimento automatico è l’insieme di metodi e algoritmi sviluppati negli ultimi decenni da varie comunità scientifiche ed è diventato una vera e propria disciplina scientifica alla fine degli anni ‘90. Gli elementi costitutivi della nuova generazione di applicazioni smart derivano quindi da anni di ricerca e consolidamento. Molti software incorporano già da tempo algoritmi di apprendimento automatico e, nel complesso, sono prodotti stabili, ampiamenti accolti dalla loro utenza (dunque ben piazzati nella fase di maturità). Questi software devono certamente la loro diffusione anche alla validità commerciale degli algoritmi di apprendimento sottostanti. Dunque, un dubbio da sfatare è che l’apprendimento automatico sia qualcosa di nuovo e di immaturo. Non è così.
  3. Negli ultimi cinque anni l’evoluzione tecnologica dell’hardware ha consentito di eseguire gli algoritmi di apprendimento automatico in tempi ridottissimi rispetto al passato, contribuendo a stimolare lo sviluppo di aree promettenti come quella sull’apprendimento profondo. Nonostante una fervida ricerca pluridecennale, per esempio, gli algoritmi di apprendimento profondo sono sempre stati penalizzati dai limiti di elaborazione delle vecchie generazioni di hardware. Oggi le cose stanno cambiando e molto velocemente.
  4. Non esiste un metodo o un algoritmo universale di apprendimento automatico e non esiste una tecnologia smart preferenziale: un consulente esperto sa bene che le necessità del cliente guidano la scelta dei modelli di apprendimento e i modelli guidano la selezione delle tecnologie. Il grosso del business sull’apprendimento automatico non è centrato sui prodotti e sulle tecnologie, ma sulla capacità di: fornire competenze in linea con i requisiti dettati da un’applicazione consapevole ed esperta della disciplina dell’apprendimento automatico; fornire competenze in grado di sostenere le nuove trasformazioni dei processi aziendali secondo paradigmi di progettazione informatica in continua trasformazione. Solo a seguire, c’è la scelta della tecnologia, tra tante possibilità in continua emersione, con le ovvie eccellenze e specificità da valutare caso per caso.

Pubblicato da lorenzo

Full-time engineer. I like to write about data science and artificial intelligence.

Vuoi commentare?