Blockchain: come le aziende B2B posso superare sfide e limiti dell’IA

Blockchain: come le aziende B2B posso superare sfide e limiti dell’IA

Blockchain: PwC stima che l’IA aggiungerà $15,7 trilioni all’economia mondiale entro il 2030. IBM prevede che il contributo della tecnologia blockchain avrà raggiunto $3,1 trilioni per quell’anno.

Chiaramente, entrambe le tecnologie hanno tutto il potenziale per essere estremamente preziose. Ancora più intrigante è la loro convergenza. Oggi, l’IA è ancora una tecnologia limitata che si può dire di essere nella sua infanzia. Ci sono ragioni per sperare che i blockchain possano  inaugurare l’Industry 4.0.

In questo articolo, vedremo perché l’IA di oggi è limitata. Come i blockchain possono aiutare a migliorarla e quali sono le implicazioni di vasta portata per tutti noi.

Tre problemi che limitano l’IA moderna

Oggi, l’Intelligenza Artificiale si basa principalmente sull’apprendimento automatico. Una tecnologia che consente al sistema software di apprendere modelli analizzando grandi quantità di dati. Le reti neurali artificiali sono il sottoinsieme più noto di tali modelli. I progressi di oggi nell’apprendimento automatico consentono di svolgere attività che erano considerate fantascienza.

L’apprendimento automatico soffre ancora tre problemi da risolvere che ostacolano lo sviluppo dell’IA in generale.

Il Problema della Black Box

Le reti di deep learning sono i modelli di apprendimento automatico più potenti ma allo stesso tempo meno comprensibili. Una rete profonda è costituita da migliaia o persino milioni di nodi raggruppati in più livelli connessi: un livello di input, un livello di output e diversi livelli nascosti. Ogni nodo può essere paragonato con un interruttore a rotazione che può essere posizionato in centinaia di posizioni chiamate pesi. Quando diciamo che una rete “impara”, intendiamo che mette a punto i nodi in modo tale da produrre i giusti risultati nel suo livello di output.

reti di deep learning

Quando un data scientist crea e forma una rete neurale, conosce l’input (i dati che sono stati immessi nella rete) e l’output (i risultati prodotti dalla rete). Ad esempio, alla rete è stata fornita una serie di immagini etichettate di cani e gatti. Dopo il training, possiamo vedere che la rete può distinguere un cane da un gatto in un’immagine casuale che non ha mai “visto” prima con una precisione del 98%. Ma perché è stata proprio questa configurazione dei pesi dei nodi che ha permesso alla rete di ottenere questo risultato? E qual è la ragione del resto il 2% dei fallimenti?

Sembra che non possiamo ancora rispondere a queste domande di sicuro. E questo è chiamato il problema della black box (scatola nera) dell’apprendimento automatico e dell’intelligenza artificiale.

il problema della black box

Alcuni data scientist sostengono che esistono tecniche che ci consentono di estrarre una logica complessa dalle reti neurali, ma sono ancora lontani dal fornire risposte chiare come “il cliente X ha un punteggio di credito di 650 per questo e per questi motivi”.

Il problema della black box rallenta l’adozione dell’IA nella maggior parte dei settori in cui il costo di un errore può essere immenso, come l’assistenza sanitaria o la difesa.

Dati insufficienti / inaffidabili

Una rete neurale è valida solo come i dati da cui ha appreso. Ecco perché questi dati dovrebbero soddisfare molteplici requisiti di qualità e quantità, il che può essere difficile da bilanciare in molti casi. Una rete addestrata su una quantità insufficiente di dati avrà una bassa precisione, mentre una rete appresa su dati inaffidabili sarà distorta.

Ad esempio, un sistema di intelligenza artificiale che ha analizzato centinaia di migliaia di articoli ha imparato a vedere le parole ‘vittima’ e ‘donna’ come sinonimi (piuttosto, a causa dei molti dati ottenuti). Il motivo era che i dati stessi erano imperfetti: venivano presi da tabloid in cui le donne apparivano troppo spesso vittime di vari crimini.

Overfitting

Questo problema si sovrappone a quello precedente. Quando una rete neurale riceve troppi dati, inizia a trovare schemi casuali che non hanno significato e portano a conclusioni errate. Di conseguenza, il sistema di intelligenza artificiale funziona bene su dati storici ma inizia a fare previsioni errate su nuovi dati. In termini matematici, overfitting significa che l’IA ha la tendenza a trascurare i punti di dati fuori curva.

overfitting significa che l'IA ha la tendenza a trascurare i punti di dati fuori curva

Un esempio di overfitting può essere un sistema di valutazione del credito basato sull’intelligenza artificiale che assegna punteggi più alti a coloro che indossano la barba o hanno un SSN a partire da 6.

La parte peggiore dell’overfitting è che i data scientist a volte lo introducono intenzionalmente. Un modello sovradimensionato può mostrare risultati impressionanti su dati storici, che consente ad esempio di vincere concorsi di apprendimento automatico. In questo modo, i data scientist sono in qualche modo incentivati a sovvertire i loro modelli poiché le loro prestazioni non sono valutate in modo prospettico.

In che modo i Blockchain possono aiutarci a “risolvere” l’IA?

Un blockchain è come un libro mastro immutabile condiviso da più parti tramite una rete distribuita. In parole povere, un blockchain è un modo per condividere record di tutti gli eventi passati utilizzando un database decentralizzato.

un blockchain è un modo per condividere record di tutti gli eventi passati utilizzando un database decentralizzato.

IA e blockchain si basano su concetti polari. Uno centralizza e analizza grandi quantità di dati, l’altro è intrinsecamente decentralizzato. Uno soffre del problema della scatola nera, l’altro è completamente trasparente. E così via. Quindi, come possiamo combinarli con successo per far fronte alle sfide dell’IA?

Gli sviluppatori di Blockchain di Itransition non possono vedere un modo immediato per integrare le due tecnologie in un’unica soluzione chimerica. Ma possiamo sostenere che la blockchain potrebbe aiutare a risolvere alcuni problemi dell’IA. Ecco come.

Blockchain e il Problema della Black Box

Un blockchain può fornire record immutabili e trasparenti di tutte le decisioni AI. Vedere come ciascuna decisione specifica è stata presa consentirà agli operatori umani di individuare casi in cui devono essere coinvolti e di evidenziare le aree in cui l’IA non riesce. Con una migliore comprensione del processo decisionale dell’IA, gli ingegneri saranno in grado di creare modelli e sistemi di intelligenza artificiale più affidabili basati su di essi.

I Blockchain non risolveranno il problema della black box in quanto tale, ma ci aiuterà a far fronte ai risultati e a rendere i sistemi di intelligenza artificiale più prevedibili.

Blockchain e affidabilità dei dati

I blockchain convalidano tutti i dati per impostazione predefinita, questo è ciò per cui li adoriamo. I dati presi dai blockchain possono essere attendibili. Inoltre, questi dati sono già anonimizzati, il che significa potenzialmente più dati disponibili per l’analisi. In questo modo, grazie ai blockchain, sia la qualità che la quantità dei dati migliorano, riducendo la probabilità di errori.

Blockchain e overfitting

La startup Numerai ha proposto una soluzione al problema di overfitting. Hanno creato il token Numeraire. Dovrebbe fungere da incentivo per i data scientist per creare modelli che si comportano bene su nuovi dati.

L’idea è che i data scientist competeranno puntando Numerarie sulle previsioni dei loro modelli. La loro ricompensa dipenderà dalla correttezza di queste previsioni. Ciò consentirà un’analisi prospettica piuttosto che retrospettiva delle prestazioni dei sistemi di IA. Eliminando così la tentazione di ribaltare un modello per vincere una competizione.

Riassumendo

Niente di tutto ciò significa che la tecnologia blockchain arriverà e risolverà tutti i problemi attuali dell’IA. Ma può certamente rompere alcune delle barriere che trattengono l’IA.

Potremmo non vedere un mondo in stile Asimov in cui i robot svolgono la maggior parte del lavoro. Ma anche da dove ci troviamo oggi, è chiaro che ci sono enormi difficoltà per la tecnologia IA.