<\/p>\n
Spesso parliamo della potenza pressoch\u00e9 illimitata dell\u2019intelligenza artificiale (AI) se messa al servizio delle organizzazioni per affrontare problemi complessi, produrre nuove efficienze e raggiungere risultati di business molto specifici. All\u2019interno di ogni settore, questa tecnologia si sta rapidamente affermando come la proverbiale formula magica per fare di pi\u00f9 con meno, nonch\u00e9 in modo migliore rispetto al passato. Nel caso specifico della Customer Experience, parliamo anche di come l\u2019intelligenza artificiale possa veramente aggiustare ci\u00f2 che la tecnologia \u201crompe\u201d, agevolando le connessioni umano-umano che si perdono in molte iniziative di digitalizzazione.<\/p>\n
Tutto questo \u00e8 straordinario, almeno finch\u00e9 si dimostra come tale. Chiunque sia coinvolto nello sviluppo e uso dell\u2019AI dovrebbe infatti anche parlare dei suoi gravi effetti collaterali potenziali, che spesso non sono frutto di immaginazione. Esistono infatti gi\u00e0 diversi esempi concreti, come quello di interi quartieri presi ingiustamente di mira dalle forze di polizia per la loro composizione demografica; oppure il caso di candidati che hanno difficolt\u00e0 nel trovare lavoro a causa del proprio profilo che non corrisponde all\u2019ideale aziendale; e, ancora, alcune minoranze che non riescono a raggiungere determinati traguardi, come l\u2019essere accettati da un\u2019universit\u00e0 o accedere a un prestito sostenibile.<\/p>\n
Tutto questo \u00e8 generato da un problema intrinseco e radicato in tutti gli algoritmi dell\u2019AI, ossia i modelli parziali. Come societ\u00e0, abbiamo ormai fatto i conti con il fatto che ogni modello contenga in s\u00e9 un certo grado di parzialit\u00e0, che si pu\u00f2 facilmente spiegare. Se hai una maggioranza di clienti maschi tra i 50 e i 65 anni, i dati che alimentano i tuoi algoritmi sono gi\u00e0 (sebbene non intenzionalmente) squilibrati verso una determinata fascia di et\u00e0. Probabilmente il tuo algoritmo basa le sue decisioni sulle preferenze e il comportamento passato di questo modello, a meno che tu non abbia fatto qualcosa per prevenirlo. In poche parole, se non utilizzi i dati giusti o tutti i dati, introduci un certo grado di parzialit\u00e0.<\/p>\n
Visto che alcuni dei modelli di deep learning pi\u00f9 performanti oggi sono delle scatole nere gi\u00e0 pronte da usare, come fa un\u2019organizzazione a reagire? Tutto parte dal concetto di responsabilit\u00e0. Dalla prospettiva di un\u2019azienda, sono tre i pilastri su cui fondare un\u2019AI realmente responsabile:<\/p>\n
1: Essere responsabile dei risultati<\/strong>: Qui la chiave \u00e8 di assicurarti che l\u2019AI produca i risultati attesi e assumertene il controllo. Non desideri certo trovarti esposto quando il risultato di un punteggio non si dimostra etico o giusto. Accusare l\u2019algoritmo o i dati \u00e8 una posizione indifendibile. Lo sviluppo dell\u2019AI \u00e8 un processo complesso e dinamico, ragion per cui hai bisogno di solide protezioni per restare al passo e mantenere il controllo dei modelli mentre continuano ad auto-apprendere ed evolversi.<\/p>\n 2: Avere la capacit\u00e0 di spiegare l\u2019algoritmo<\/strong>: Quando non comprendi come i tuoi modelli prendono decisioni, permetti di fatto all\u2019algoritmo di comandare la realt\u00e0 di molte (di solito ai margini) persone. Anche se pu\u00f2 essere troppo complicato determinare come un modello matematico raggiunga una determinata conclusione, le aziende devono trovare un modo per spiegare il \u201cperch\u00e9\u201d che sta dietro alle decisioni prese tramite AI. Questo si rivela particolarmente importante quando tali conclusioni impattano sul benessere di un individuo e potrebbero quindi avere implicazioni legali.<\/p>\n 3: Dimostrare trasparenza sui dati che vengono usati<\/strong>: Per prima cosa dovremmo essere trasparenti sul fatto che una decisione online viene presa da un algoritmo oppure da un essere umano. Entrambi introdurranno un certo grado di parzialit\u00e0, tuttavia quella generata dalla macchina sar\u00e0 probabilmente pi\u00f9 sistematica. La trasparenza \u00e8 sempre la scelta giusta per mitigare la parzialit\u00e0, in special modo per i modelli di difficile spiegazione. In questo caso, la chiave sta in primo luogo nel fornire agli utenti una vista sui dati che portano a una determinata decisione. Per compiere un passo ulteriore, considera di offrire agli utenti un canale di riscontro continuo che consenta di adattare con regolarit\u00e0 il modello in base alle necessit\u00e0.<\/p>\n Nel volume Weapons of Math Destruction: How Big Data Increases Inequality and Threatens Democracy<\/em><\/a>, l\u2019autrice Cathy O\u2019Neil \u00e8 stata una delle prime persone a puntare i riflettori su come l\u2019automazione e l\u2019AI possano distruggere le vite delle persone e perpetuare l\u2019ineguaglianza. Il suo pensiero \u00e8 che \u201cI processi di Big Data codificano il passato. Non inventano il futuro. Per far questo \u00e8 richiesta un\u2019immaginazione morale, qualcosa che solo gli umani possono fornire. Dobbiamo integrare esplicitamente valori migliori nei nostri algoritmi, creando modelli di Big Data che seguano i nostri principi etici.\u201d.<\/p>\n Si tratta di un compito che dovremmo tutti accettare seriamente. Non \u00e8 facile e il paradosso sta nel fatto che stiamo iniziando a usare l\u2019AI per spiegare l\u2019AI stessa, in quanto non riusciamo a farlo da soli. Il punto \u00e8 che non puoi semplicemente implementare la tua AI e lasciarla fare. Devi essere responsabile nel momento dell\u2019implementazione ma anche durante il suo intero ciclo di vita.<\/p>\n Esiste l\u2019esigenza costante di assicurarsi di essere veramente sintonizzati su ci\u00f2 che sta accadendo, sul perch\u00e9 sta accadendo, sull’impatto che i suoi risultati hanno sulle persone, accertandosi di non introdurre inavvertitamente nuovi pregiudizi. Si tratta anche di un processo di miglioramento continuo e, come si suol dire, non sappiamo quello che non sappiamo… per il momento.<\/p>\n Segui la nostra serie di blog sull\u2019Etica dell\u2019AI<\/a> e partecipa al dibattito<\/a>.<\/p>\n","protected":false},"excerpt":{"rendered":" Spesso parliamo della potenza pressoch\u00e9 illimitata dell\u2019intelligenza artificiale (AI) se messa al servizio delle organizzazioni per affrontare problemi complessi, produrre nuove efficienze e raggiungere risultati di business molto specifici. All\u2019interno di ogni settore, questa tecnologia si sta rapidamente affermando come la proverbiale formula magica per fare di pi\u00f9 con meno, nonch\u00e9 in modo migliore […]<\/p>\n","protected":false},"author":287,"featured_media":146475,"template":"","tax_priority":[],"tax_blogtype":[17742],"tax_blogcategory":[15948,16006],"tax_contenttheme":[],"tax_bundle":[],"tax_contenttheme2":[],"tax_capability_sitewide":[],"tax_products_programs":[],"tax_buying_job":[],"tax_buyer_persona":[],"tax_sector":[],"tax_segment":[],"class_list":["post-146862","blog","type-blog","status-publish","has-post-thumbnail","hentry","tax_blogtype-partners-it-it","tax_blogcategory-ai-and-machine-learning-it-it","tax_blogcategory-ecosystem-it-it"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.genesys.com\/it-it\/wp-json\/wp\/v2\/blog\/146862","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.genesys.com\/it-it\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.genesys.com\/it-it\/wp-json\/wp\/v2\/types\/blog"}],"author":[{"embeddable":true,"href":"https:\/\/www.genesys.com\/it-it\/wp-json\/wp\/v2\/users\/287"}],"version-history":[{"count":1,"href":"https:\/\/www.genesys.com\/it-it\/wp-json\/wp\/v2\/blog\/146862\/revisions"}],"predecessor-version":[{"id":146872,"href":"https:\/\/www.genesys.com\/it-it\/wp-json\/wp\/v2\/blog\/146862\/revisions\/146872"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.genesys.com\/it-it\/wp-json\/wp\/v2\/media\/146475"}],"wp:attachment":[{"href":"https:\/\/www.genesys.com\/it-it\/wp-json\/wp\/v2\/media?parent=146862"}],"wp:term":[{"taxonomy":"tax_priority","embeddable":true,"href":"https:\/\/www.genesys.com\/it-it\/wp-json\/wp\/v2\/tax_priority?post=146862"},{"taxonomy":"tax_blogtype","embeddable":true,"href":"https:\/\/www.genesys.com\/it-it\/wp-json\/wp\/v2\/tax_blogtype?post=146862"},{"taxonomy":"tax_blogcategory","embeddable":true,"href":"https:\/\/www.genesys.com\/it-it\/wp-json\/wp\/v2\/tax_blogcategory?post=146862"},{"taxonomy":"tax_contenttheme","embeddable":true,"href":"https:\/\/www.genesys.com\/it-it\/wp-json\/wp\/v2\/tax_contenttheme?post=146862"},{"taxonomy":"tax_bundle","embeddable":true,"href":"https:\/\/www.genesys.com\/it-it\/wp-json\/wp\/v2\/tax_bundle?post=146862"},{"taxonomy":"tax_contenttheme2","embeddable":true,"href":"https:\/\/www.genesys.com\/it-it\/wp-json\/wp\/v2\/tax_contenttheme2?post=146862"},{"taxonomy":"tax_capability_sitewide","embeddable":true,"href":"https:\/\/www.genesys.com\/it-it\/wp-json\/wp\/v2\/tax_capability_sitewide?post=146862"},{"taxonomy":"tax_products_programs","embeddable":true,"href":"https:\/\/www.genesys.com\/it-it\/wp-json\/wp\/v2\/tax_products_programs?post=146862"},{"taxonomy":"tax_buying_job","embeddable":true,"href":"https:\/\/www.genesys.com\/it-it\/wp-json\/wp\/v2\/tax_buying_job?post=146862"},{"taxonomy":"tax_buyer_persona","embeddable":true,"href":"https:\/\/www.genesys.com\/it-it\/wp-json\/wp\/v2\/tax_buyer_persona?post=146862"},{"taxonomy":"tax_sector","embeddable":true,"href":"https:\/\/www.genesys.com\/it-it\/wp-json\/wp\/v2\/tax_sector?post=146862"},{"taxonomy":"tax_segment","embeddable":true,"href":"https:\/\/www.genesys.com\/it-it\/wp-json\/wp\/v2\/tax_segment?post=146862"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}