Intelligenza Artificiale & Impresa 4.0

Con il diffondersi, anche legato a fenomeni di moda, di progetti di Industria e Impresa 4.0, si è (ri)cominciato a parlare di Intelligenza Artificiale (IA): perché?

Prima di rispondere a questa domanda è opportuno disambiguare il termine “Intelligenza Artificiale” che si presta a interpretazioni spesso fantasiose almeno relativamente allo stato dell’arte della tecnologia.

Cos’è un sistema di Intelligenza Artificiale?

L’IA si definisce innanzitutto come una disciplina che si occupa di realizzare sistemi. Nel corso degli anni si sono definiti quattro approcci[1] relativamente a quello che debba essere il comportamento che caratterizza (e definisce) i sistemi di IA:

1. Pensano come le persone (ovvero “svolgono attività che solitamente associamo al pensiero umano come prendere decisioni, risolvere problemi, imparare,…” Bellman 1978);
2. Pensano razionalmente (ovvero “riproducono computazionalmente facoltà mentali che rendono possibile percepire, ragionare e agire” Winston 1992);
3. Agiscono come le persone (ovvero “eseguono azioni che richiederebbero intelligenza se eseguite da esseri umani” Kurzweill 1990);
4. Agiscono razionalmente (ovvero “esibiscono un comportamento razionale interagendo con gli artefatti del mondo reale” Nilsson 1998).

Da notare in queste definizioni le due contrapposizioni: pensare vs agire e razionale vs “come le persone”, quest’ultima a significare che le persone non sempre pensano/agiscono razionalmente e, viceversa, un’azione o un ragionamento razionali potrebbero essere umanamente non condivisibili (vedi i problemi etici p.es. nel definire il comportamento desiderato dei veicoli autonomi in situazioni di rischio per la vita delle persone).

Non stupisce quindi che l’IA, per via dei diversi approcci riportati sopra, utilizzi risultati, considerazioni e metodi di molte discipline che apparentemente hanno poco in comune tra di loro: la filosofia (es. Aristotele a proposito dell’uso del sillogismo per verificare formalmente la correttezza di una conclusione), ma anche, e successivamente, la matematica (es. logica formale e teoria degli algoritmi), l’economia (es. teoria delle decisioni e teoria dei giochi), le neuroscienze e la computer science (es. architetture computazionali), la psicologia e la linguistica (es. comprensione e generazione del linguaggio, modelli cognitivi), la teoria dei controlli e la cibernetica (es. sensori e attuatori).

Gli agenti razionali

Per ovvi motivi, l’unica accezione che a noi interessa in questa sede è quella secondo cui l’IA si occupa della realizzazione di sistemi che agiscono “razionalmente” in un contesto (predefinito) del mondo reale, i cosiddetti agenti intelligenti o, meglio, razionali: sistemi che sono in grado di interagire con il contesto dell’impresa per raggiungere un fine o eseguire un compito.

In generale un agente razionale è un sistema che, per ogni possibile sequenza di input proveniente dall’ambiente (predefinito) in cui opera è in grado di costruire ed eseguire una sequenza di azioni da compiere allo scopo di ottimizzare una misura di performance prestabilita che indica se ed, eventualmente, in quale misura sia stato raggiunto un obiettivo o eseguito un compito.

Quindi il contesto del compito per un agente razionale è costituito da:

1. Una misura di performance (valutazione se il fine è raggiunto o il compito eseguito);
2. Un ambiente operativo predefinito (il contesto in cui raggiungere il fine o eseguire il compito);
3. Un insieme di attuatori (gli strumenti a disposizione per intervenire sull’ambiente operativo);
4. Un insieme di sensori (gli strumenti a disposizione per “conoscere” lo stato dell’ambiente e verificare il raggiungimento dell’obiettivo).

Impresa 4.0, sistemi ciberfisici e agenti razionali

Recentemente, parlando di Industria e Impresa 4.0[2] abbiamo introdotto i sistemi ciberfisici (Cyber Physical System: CPS) intesi come sistemi informatici in grado di interagire in modo continuo con i sistemi fisici (i.e. la parte del mondo reale) con cui sono connessi al fine di raggiungere uno scopo (p.es. l’assemblaggio di un’auto).

Un sistema ciberfisico possiede: capacità computazionale, capacità di comunicazione da e verso il sistema fisico con cui interagisce, capacità di interagire, attraverso la rete, con altri sistemi ciberfisici (p.es. altri robot, sistemi di avanzamento della scocca etc…).

Nel mondo manifatturiero i sistemi ciberfisici interagiscono con un mondo fisico vero e proprio (il mondo della produzione) tecnologicamente distinto dal sistema: la tecnologia (meccanica) della macchina utensile o del robot è eterogenea rispetto alla tecnologia (informatica) del sistema che li governa e questo perché il bene prodotto dalla macchina controllata è un bene materiale.

Nei contesti in cui il bene prodotto è intangibile (e quindi digitalizzabile), questa distinzione sfuma e la tecnologia usata nei processi di produzione (informatica) coincide con la tecnologia dei sistemi che li governano: è il caso delle banche, delle telco, dei media… in cui si può parlare di softbot[3] (Software Robot)

Questa distinzione come abbiamo visto è alla base della distinzione tra Industria 4.0 (manifatturiero à beni materiali) e Impresa 4.0 (manifatturiero + servizi/terziario à beni materiali + beni immateriali).

Ci si potrebbe chiedere quali sia la novità portata dall’Intelligenza Artificiale. In fin dei conti i robot attuali nel manifatturiero e i programmi gestionali nel terziario e nei servizi possono essere considerati degli agenti razionali nel senso che assolvono egregiamente i loro compiti: assemblare veicoli, gestire il magazzino, la fatturazione passiva e i pagamenti; basta interconnetterli tra loro e con i sistemi dei fornitori e abbiamo p.es. la supply chain 4.0.

Più semplicemente anche il banale termostato che mantiene la temperatura di casa sui livelli desiderati è un agente razionale: per ogni variazione di temperatura percepita tramite i suoi sensori è in grado di governare l’impianto di climatizzazione (attuatore) per minimizzare lo scostamento dalla temperatura prefissata (misura di performance) all’interno dell’appartamento (ambiente operativo).

Ma allora, perché e quando è utile e necessario che un sistema ciberfisico sia dotato di Intelligenza Artificiale?

Agenti razionali: dagli algoritmi all’Intelligenza Artificiale

In realtà esistono diverse tipologie di agenti razionali classificabili in funzione non del loro modo di interagire con l’ambiente (rispondono tutti alla definizione di “agente razionale”), ma della complessità della logica (i.e. del programma) che permette loro di raggiungere l’obiettivo nell’ambiente operativo.

I sistemi più semplici sono i “simple reflex agents” in cui c’è un collegamento diretto tra il dato puntuale percepito e l’azione intrapresa dal sistema. È il caso del nostro termostato: “se la temperatura sale di più di un grado dalla temperatura impostata, allora spegni la caldaia”, “se la temperatura scende di più di un grado allora accendi la caldaia”. In genere questi sistemi sono basati su regole: se rilevi x allora esegui y. Il che implica che in fase di progettazione devono essere previste e codificate tutte le possibili combinazioni di dati di input e le relative azioni da intraprendere.

Ci sono poi gli agenti basati su modelli (“model based reflex agents”) che utilizzano ad esempio i disegni dell’ambiente per interpretare gli input che vengono dai sensori e quindi individuare l’azione da intraprendere. Sono utilizzati quando il dato istantaneo rilevato dal sensore non è sufficiente ad individuare il da farsi, ma va contestualizzato p.es. con i dati rilevati precedentemente (storia del sistema). Un esempio sono i moderni aspirapolvere autonomi che “ricordano” dove sono già passati e tornano automaticamente alla base di ricarica quando hanno coperto tutte le superfici accessibili: il modello è costituito dalla planimetria delle stanze, aggiornato costantemente con le aree già pulite e viene utilizzato per dirigere l’aspirapolvere[4].

Non sempre però è possibile raggiungere un obiettivo con una sola azione, ma in molti casi bisogna pianificare una sequenza di azioni che, a parità di obiettivo, può variare in funzione dello stato dell’ambiente nel momento in cui viene dato l’input. Uno dei primi esempi di agente di questo tipo è il programma SHRDLU (1968-1970)[5], anche se lo scopo del programma era dimostrare la possibilità di interagire con un computer usando (un sottoinsieme de) il linguaggio naturale (gergo). Si tratta di un ottimo esempio di “goal based agent” in grado di pianificare ed eseguire, in funzione dello stato dell’ambiente, una sequenza di azioni (e non una singola azione) per raggiungere un obiettivo descritto in linguaggio naturale (spostare e impilare cubi e piramidi posti su un piano cfr. fig. 1). Una versione semplificata interattiva è disponibile online qui (NB è possibile scrivere comandi non predefiniti utilizzando sintassi e termini riportati negli esempi es. “put the black ball in the yellow box” e vedere come, a partire da situazioni diverse, vengano generate sequenze diverse di azioni per raggiungere lo stesso obiettivo).

Quando non è possibile definire esattamente un singolo obiettivo, ma è necessario conseguire simultaneamente più obiettivi si parla di “utility based agent”, ovvero di agenti che costruiscono sequenze di azioni per ottimizzare una funzione di utilità che combina più obiettivi a volte in maniera complessa. Ad esempio, un’automobile autonoma che conosca il costo dei pedaggi autostradali, le condizioni del traffico, il livello di benzina del serbatoio e il costo della benzina nei diversi distributori presenti lungo i possibili percorsi sarebbe in grado di proporre e seguire un percorso con un costo minimo (consumo + pedaggio + rifornimento), mantenendo, una volta giunti a destinazione, un livello di carburante adeguato per il ritorno.

Gli agenti più evoluti (model, goal e utility based) possono essere anche essere dotati di apprendimento inteso come capacità di modificare i meccanismi con cui individuano l’azione o la sequenza di azioni da intraprendere in funzione del successo o meno delle azioni intraprese precedentemente.

Si usa quindi l’Intelligenza Artificiale quando la complessità, la numerosità o la variabilità delle potenziali combinazioni di input e/o di obiettivi presentati al sistema rendono impossibile o troppo oneroso definire in un algoritmo il collegamento tra gli input provenienti dall’ambiente e gli obiettivi che il sistema deve raggiungere. Così il nostro aspirapolvere dovrà essere in grado di costruire autonomamente il modello (planimetria) delle superfici da pulire, mentre SHRDLU dovrà costruire la sequenza di spostamento di piramidi, scatole e cubi usando regole generali, vista l’impossibilità pratica di predefinire tutte le possibili coppie di configurazioni obiettivo e di partenza cui si può trovare di fronte.

La possibilità di usare regole generali per raggiungere obiettivi specifici permette anche ai sistemi di IA di “spiegare” all’operatore come arrivano alla conclusione proposta. La spiegazione è costruita utilizzando la sequenza delle regole generali applicate al contesto specifico della richiesta: nel mondo dei blocchi di SHRDLU ad esempio la regola “prendere x e poggiarlo sul tavolo” diventa “ho preso il BLOCCO ROSSO GROSSO e l’ho appoggiato sul tavolo”, “mettere x sopra y” diventa “ho messo il CUBO ROSSO sopra il CUBO VERDE” etc… (vedere la sequenza dal minuto 4:18 al minuto 4:40 del video citato in nota). La capacità dei sistemi di IA di spiegare il proprio comportamento è ritenuta fondamentale nel caso in cui essi siano usati a supporto di processi decisionali (es. diagnosi medica) e nell’esecuzione di azioni che possano danneggiare esseri umani (es. guida autonoma)[6].

Alcuni esempi di utilizzo di sistemi di Intelligenza Artificiale nell’Impresa 4.0

I “sistemi giocattolo” descritti sopra a titolo esemplificativo possono far immaginare l’uso della tecnologia in contesti di business: il nostro aspirapolvere può diventare un veicolo autonomo per agricoltura o per le miniere a cielo aperto, SHRDLU può diventare un robot per spostare materiali in contesti ostili o nei magazzini, il navigatore intelligente può diventare un sistema per la pianificazione e la gestione delle consegne a domicilio.

Generalizzando è facile immaginare come nell’impresa 4.0 possano trovare posto sistemi di IA ora che la capacità di calcolo è disponibile a buon mercato e, soprattutto, sono disponibili grandi quantità di dati[7].

Nel marketing è noto a tutti noi come i nostri dati personali (anagrafici, posizione, interazioni precedenti con il brand,…) siano usati quotidianamente per proporci prodotti e servizi “ad personam”. La molteplicità delle combinazioni possibili di questi dati, che fanno di ognuno di noi un consumatore unico, rende di fatto impossibile costruire per via algoritmica proposte personalizzate, cosa invece resa possibile dall’uso di regole generali e da sistemi in grado di “imparare” a conoscere gli utenti dall’interazione di questi ultimi con il sistema stesso.

Le attività operative sono tuttavia il contesto ideale per l’uso di sistemi di IA, vista la gran mole di dati già disponibile e l’elevato livello di automazione già raggiunto tramite i sistemi ciberfisici convenzionali (sensori e attuatori) p.es. nella manutenzione predittiva e nell’ottimizzazione non lineare della produzione.

Nella gestione delle forniture e degli acquisti è possibile ridurre i costi del magazzino e il rischio dei fuoriscorta, attribuendo dei coefficienti di rischio ai tempi e ai costi di fornitura sulla base della storia pregressa del singolo fornitore e dei dati di contesto (es. andamento dei mercati).

Molte funzioni di supporto possono essere rese più efficienti utilizzando softbots basati su regole per supportare l’attività desk.

In generale in tutti i casi in cui le situazioni sono complesse, i dati da analizzare esplodono in maniera combinatorica e il contesto richiede flessibilità e rapido adattamento a nuove situazioni, non è possibile o conveniente progettare algoritmi per automatizzare o supportare i processi, ma è utile pensare a soluzioni di IA in grado, appunto, di usare regole generali per risolvere problemi puntuali e, se del caso, imparare dall’ambiente.

Queste sono appunto le condizioni di mercato in cui operano le aziende oggi, dove sono scomparse le produzioni di massa, i clienti richiedono prodotti e servizi personalizzati, i tempi di vita di prodotti e servizi si sono accorciati drasticamente.

Note

• [1] Per queste ed altre considerazioni tecnico-scientifiche sull’IA si veda S.Russell, N. Peter: “Artificial Intelligence: A Modern Approach, Global Edition” 2016
• [2] Leadership & Management “Industria 4.0 vs. Impresa 4.0”
• [3] Vedi https://www.britannica.com/technology/agent
• [4] Vedere: “Vacuum Cleaner World”
• [5] Vedere il video e la trascrizione dell’interazione al link “SHRDLU on Film”
• [6] Vedere Communications of the ACM: “AI, Explain Yourself” e MIT Technology Review “The Dark Secret at the Heart of AI”
• [7] Boston Consulting Group: “PUTTING ARTIFICIAL INTELLIGENCE TO WORK”

 

Articolo a cura di Alvaro Busetti