L'importanza dei bias per gli algoritmi di intelligenza artificiale

Quando si rilasciano pubblicamente algoritmi di intelligenza artificiale, ricercatori, appassionati del settore o semplici curiosi si cimentano nel metterli alla prova.

Come? Cercando di metterli in difficoltà fornendo dati non coerenti o non previsti, per vedere l'effetto e come questo viene gestito. Un esempio, diventato famoso negli anni scorsi, era un servizio in grado di stimare l'età di una persona da una semplice fotografia: molti si sono divertiti a chiedere l'età di animali o di altri oggetti, come le automobili. Divertente, ma non certo utile...

In realtà, un modo più interessante per gli addetti ai lavori è quello di mettere alla prova l'algoritmo con dati che dovrebbe essere in grado di gestire correttamente, ed è proprio così che si possono trovare i casi più interessanti da analizzare!

È questo il caso di algoritmi di super-resolution, ovvero in grado di generare immagini a maggior dettaglio rispetto a quelle di partenza meno definite, in questo caso su volti umani. La promessa è questa: partendo da un'immagine a bassa risoluzione, l'algoritmo riesce a generarne una nuova versione più dettagliata, grazie al fatto che ha visto molte foto ad alta qualità ed ha imparato a riconoscerne e quindi ricostruirne i dettagli.

Ed proprio insita in quest'ultima affermazione una delle chiavi per realizzare sistemi di intelligenza artificiale efficienti e funzionali:

I modelli di intelligenza artificiale possono essere buoni tanto quanto lo sono i dati usati per allenarli.

È fondamentale oggi più che mai, quando si lavora in quest'ambito, riuscire a raccogliere una quantità e varietà di dati che sia quanto più possibile bilanciata ma soprattutto rappresentativa. Non si tratta assolutamente di una cosa semplice, è molto costoso in termini di tempo e di risorse da impiegare, come ci insegna il principio di Pareto: impieghiamo infatti solo il 20% del tempo per ottenere l'80% del risultato, il che significa che per raggiungere il restante 20% dobbiamo investire l'80% del nostro tempo!

Dove sta però il valore e la qualità? Nella maggior parte dei casi, nel 20% più sfidante e difficile da raggiungere.

È il momento di agire

"Il primo passo verso il cambiamento è la consapevolezza. Il secondo passo è l’accettazione. Il terzo passo è l’azione." Nathaniel Branden

Credo siano tre i temi fondamentali da affrontare per risolvere questi problemi di bias nell'ambito dell'intelligenza artificiale, su cui investire da subito:

1. Semplificare, velocizzare ed automatizzare quanto più possibile la creazione e pulizia di dataset rappresentativi, visto che è quasi sempre questa l'attività più impegnativa e difficilmente replicabile nei progetti di machine learning;
2. Sviluppare metodologie che permettano agli algoritmi di apprendere altrettanto bene anche con un dataset più piccolo;
3. Fare un salto generazionale che permetta anche agli algoritmi, come succede a noi esseri umani, di capire subito i dettagli e il contesto di un'immagine, evitando così discriminazioni!

Come raggiungere questi obiettivi? La parola d'ordine è diversità. Per averla nei dati e negli algoritmi, bisogna però partire da chi li crea e li migliora, ovvero il team di lavoro. La componente umana e la sua creatività è ancora oggi la risorsa più importante per fare grandi passi in avanti, ed è prima di tutto su questo e sulla cultura che bisogna investire.