Intelligenza artificiale e Marketing: è davvero così importante?

L’intelligenza artificiale è a un bivio. Nessuna delle due opzioni è promettente, ma è davvero importante? Ne possiamo fare a meno? O meglio, come e in che parte ci torna utile?

Date tutte le promesse che sentiamo sull’intelligenza artificiale, potrebbe essere una sorpresa apprendere che i ricercatori sono fortemente divisi sulla questione di come dovrebbe svilupparsi in un futuro prossimo. La divisione è tra i sostenitori dell’AI tradizionale/simbolica “basata sulla logica” e gli appassionati della “modellazione di reti neurali“. Come pone la questione l’informatico Michael Woolridge in una breve rassegna della controversia, “per ottenere un intelligenza artificiale efficiente, dovremmo modellare la mente o il cervello?”

Niente è semplice come si penserebbe, quando si parla di AI.

AI simbolica

L’intelligenza artificiale ha le sue radici storiche in un esperimento mentale pubblicato da Alan Turing e noto come “test di Turing”. Senza entrare nei dettagli, il test avrebbe dovuto fornire un criterio per giudicare il successo nel modellare l’intelligenza umana: la mente.

Modellare con successo l’intelligenza è stato l’obiettivo principale dell’AI per decenni. “AI simbolica” si riferisce al presupposto ampiamente diffuso che l’intelligenza umana sia riducibile a dichiarazioni logiche, il tipo che può essere catturato dalla logica simbolica.

Questo approccio ha permesso all’AI di compiere enormi passi avanti nell’affrontare aree dell’intelligenza umana ben circoscritte da regole chiaramente definite. Ciò includeva calcoli matematici, ovviamente, e – notoriamente – gli scacchi. Il problema era che gran parte del pensiero umano non rende esplicite quelle regole, anche se sono alla base dei nostri processi di pensiero. L’AI tradizionale/simbolica era in ritardo nel riconoscere i modelli e quindi nella comprensione delle immagini. E buona fortuna nell’elaborare una serie di regole per abilità come colpire una palla da baseball o andare in bicicletta. Impariamo a fare quelle cose (o no), ma senza studiare una serie di dichiarazioni che descrivono le azioni coinvolte.

In parole povere, l’intelligenza artificiale richiede che abbiamo programmi per computer in grado di calcolare la cosa giusta da fare in un dato momento. Secondo McCarthy (fondatore del laboratorio di intelligenza artificiale della Stanford University), calcolare la cosa giusta da fare si ridurrebbe al ragionamento logico: un sistema di intelligenza artificiale, secondo lui, dovrebbe dedurre la corretta linea d’azione. (Se questo ti fa pensare a un certo signor Spock, beh, sei in buona compagnia.)

Alcuni ricercatori di reti neurali dichiarano, che l’AI simbolica è un campo morto, e la comunità dell’IA simbolica sta cercando disperatamente di trovare un ruolo per le loro idee nella nuova AI.

Intelligenza artificiale e “Reti Neurali”

Un approccio alternativo all’intelligenza artificiale è talvolta descritto erroneamente come basato sulla modellazione di reti nel cervello umano. Piuttosto, si ispira a come si pensa che le reti neurali umane funzionino.

Spieghiamolo meglio: nell’intelligenza artificiale, questo approccio è chiamato “reti neurali”. Il nome deriva dai neuroni, le strutture cellulari massicciamente interconnesse che appaiono nel cervello e nel sistema nervoso. Ogni neurone è un dispositivo di elaborazione delle informazioni estremamente semplice. Ma quando un numero enorme di loro sono collegati tra loro in enormi reti, possono produrre il miracolo che è l’intelligenza umana. I ricercatori della rete neurale costruiscono versioni software di queste reti e, sebbene non stiano letteralmente cercando di simulare il cervello, l’idea è che le loro reti impareranno a produrre comportamenti intelligenti, proprio come negli esseri umani.

Ancora una volta, grandi reti artificiali di “nodi”, addestrati su set di dati sostanziali, imparano a riconoscere le relazioni statistiche nei dati; e un ciclo di feedback tra gli strati di nodi crea la possibilità di auto-correzione. La vastità dell’elaborazione e i molteplici livelli di nodi conferiscono a questo approccio il nome di “apprendimento profondo”.

È stata proprio questo che ha ostacolato lo sviluppo di questo approccio. Fino a tempi relativamente recenti, i dati o la potenza del computer non erano sufficienti per rendere il deep learning praticabile ed economico. Ma questo cambia, ed è per questo che negli ultimi anni abbiamo visto un rapido miglioramento, ad esempio, nel riconoscimento delle immagini AI.

Lo svantaggio, soprattutto quando si tratta di comprendere i testi, è che questo motore immensamente potente sta essenzialmente volando alla cieca. Riconoscerà enormi quantità di correlazioni nei dati che alimenta e risponderà di conseguenza. Dal momento che non comprende in modo intelligente i dati, gli errori – o, come hanno osservato le persone, “i pregiudizi” – diventeranno semplicemente più radicati a meno che un essere umano non intervenga per correggere le cose.

In termini semplici, un sistema di apprendimento profondo abbastanza avido da assorbire l’intera Internet, assorbirebbe così facendo, molte sciocchezze, alcune delle quali perniciose. Questo approccio, è bene aggiungere, lascia anche una grande impronta di “carbonio”.

Quali sono le implicazioni?

C’è qualcosa di importante per i professionisti del marketing? Nella misura in cui il marketing non è investito nel progetto di modellazione dell’intelligenza umana, forse no, anche se spiega che l’idea di affidare la strategia o la pianificazione aziendale all’AI è molto lontana.

Se c’è un lato positivo, questa spaccatura tra AI simbolica e deep learning supporta ciò che altrimenti potrebbe sembrare un pio desiderio: che l’AI può supportare alcune funzioni all’interno del marketing – ottimizzazione delle campagne, personalizzazione, gestione dei dati – mentre libera i marketer di essere strategici e creativi.

Non è tanto una questione di marketing che sperano che l’intelligenza artificiale non accetti il ​​loro lavoro. È che l’IA non è vicina all’essere pronta a farlo.