Il giovane pilota francese è incappato in un errore di strategia che a mio parere è un’ottimo esempio di Ai-based Decision Making, gli elementi ci sono tutti: c’è un manager, un obiettivo, delle decisioni da prendere in tempi brevissimi, una strategia, dei dati e un software per il supporto alle decisioni che tra le altre cose fa uso di intelligenza artificiale (AI).

La domanda è: quando e quanto fidarsi di un sistema basato su Intelligenza artificiale ed il ruolo del manager.

Non sto qui a dilungarmi su come funziona la Formula 1, basti capire che durante le qualifiche lo scopo è percorrere la pista nel minor tempo possibile, tale tempo determinerà poi la posizione di partenza della gara. Il tutto con delle regole: un numero limitato di gomme e un numero prefissato sessioni dalle quali si può essere eliminati.

Il gioco di strategia si condensa nella capacità di fare un tempo sufficientemente basso da “passare alla successiva sessione” usando il minimo numero di gomme morbide e senza “mostrare il vero potenziale dell’auto” in quel circuito allo scopo di sfoderare l’asso nella manica alla fine.

É qui che le decisioni del manager della scuderia si fanno cruciali.

Ai-based Decision Making nelle organizzazioni

Oggi, nelle aziende come nella Formula 1, le decisioni si fanno sempre più complesse e si basano su un numero di dati sempre maggiore, per tali motivi si utilizzano sistemi basati anche su tecniche di intelligenza artificiale: questo processo decisionale prende il nome di AI-based Decision Making, un ambito di ricerca che studia la relazione tra i sistema a supporto delle decisioni, l’intelligenza artificiale e la capacità delle persone di prendere decisioni corrette.

Questo implica tutta una serie di problematiche come un’enorme quantità di dati, la solidità del sistema predittivo, la capacità dell’operatore umano di mettere in dubbio la decisione dell’AI, fattori di fiducia/sfiducia, robustezza e trasparenza dell’AI, ed infine informazioni sufficienti a supportare il processo decisionale.

Così, il ruolo del manager è diventato più complicato, perché ha un suggeritore AI-based che gode di un’ hype (inflacted expectations) esagerato, ma che è fallibile tanto quanto un operatore umano.

Per capire questo complesso processo decisionale basato su software dotati di algoritmi di intelligenza artificiale vorrei analizzare cos’è successo nella scuderia Ferrari.

Come funzionano le qualifiche in F1?

Le qualifiche si dividono in 3 sessioni (Q1, Q2 e Q3) dove [bwin]:

• Q1 – Tutti i piloti hanno 18 minuti per uscire in pista e segnare il loro miglior tempo, alla fine della sessione le 6 monoposto più lente sono eliminate e le rimanenti passano alla fase successiva;
• Q2 – dura 15 minuti e i piloti scendono nuovamente in pista per fare un nuovo giro veloce. La Q2 è fondamentale perché le monoposto che vi partecipano partiranno in gara con gli stessi pneumatici con cui hanno fatto il loro miglior tempo nella Q2. Alla fine del Q2 altre 6 macchine saranno eliminate mentre le più veloci vanno alla fase finale.
• Q3 – i piloti restanti si sfidano in una sessione di 12 minuti in cui solitamente ogni pilota effettua due giri veloci. La monoposto più veloce si aggiudica la Pole Position.

Cosa è successo a Charles Leclerc a Monaco?

Charles Leclerc non si era fermato alla pesa, dunque il team lo ha avvisato e lo ha accompagnato al box della Federazione per effettuare la procedura, alla fine della quale è rientrato nel suo garage. Qui l’errore di valutazione della squadra che lo ha penalizzato. [Sky Sport]

Leclerc non è stato fatto tornare in pista nel momento in cui i tempi di tutti i piloti che andavano abbassandosi, questo a differenza di Vettel che rientrato in pista per migliorarsi ed evitare l’eliminazione dalla Q1. Il tempo per rientrare c’era. La Q1 termina, ma il ferrarista ha un tempo non sufficiente per passare in Q2, dunque viene eliminato.

Leclerc: “Io ho chiesto per sapere se fossimo sicuri di farcela. Non ho ricevuto risposta. Poi, a un minuto dalla fine, hanno scoperto che era troppo tardi. Sono più deluso che arrabbiato”.

Come spiega [Motorsport]: durante le sessioni di qualifica un sistema informatico calcola automaticamente il tempo sul giro sufficiente per poter stare tranquilli, se si è sotto quel tempo si evita di rientrare in pista e consumate gomme utili magari nella sessione successiva o in gara.

Ma i sistemi informatici sono fallibili, quindi è qui che le valutazioni in tempo reale degli ingegneri entrano in gioco e “valutano il da farsi”,  serve della vera intelligenza umana, non artificiale.

Il problema è che oggi le attività della Formula 1 sono sempre più specializzate e frammentate al fine di raggiungere un’efficienza impensabile anche solo dieci anni fa.

Paradossalmente è stato il giovane Charles Leclerc a mettere in dubbio il suggerimento dei software, attribuendo ad ognuno dei piloti in pista il corretto peso specifico, ma la squadra lo ha fatto desistere, fidandosi di ciò che solitamente non sbaglia mai (il software).

Leclerc, perplesso:, “Dovrei uscire, penso che siamo un po’ troppo a rischio”, ha detto via-radio Charles ai suoi ingegneri, “No, abbiamo i dati e crediamo che tu sia al sicuro”, è stata la risposta.

AI-based Decision Making

Questo esempio che ho descritto da ricostruzioni di [Motorsport] e [Sky Sport] a mio parere è un ottimo esempio di Ai-based Decision Making, in qui la complessità nel prendere decisioni giusta è comunque in gran parte derivata dalla capacità di valutare la situazione d’insieme, ma quest’ultima arricchita dal fattore Artificial Intelligence (AI).

Ma cosa succede? Succede che oltre alla situazione in pista bisogna valutare il suggerimento del software, che sappiamo, si basa su un enorme quantità di dati, enormi capacità di calcoli ed algoritmi che “Dio solo sa cosa fanno” e quindi potenzialmente potrebbe aver “visto” qualcosa che noi banali esseri umani non siamo stati in grado di vedere.

É proprio questa “fiducia” nelle capacità del software che può portare in errore chi deve prendere una decisione, spinto quest’ultimo magari ad ignorare il proprio istinto in favore di un software che “fino ad oggi” non ha mai sbagliato.

In realtà tutto questo è riduttivo rispetto al problema delle decisioni basate su software di intelligenza artificiale, ma a mio parere è un ottimo esempio che mostra come un operatore umano deve essere messo in condizione di confutare le decisioni del software basato su AI, ma questo per essere fatto necessita di tutta una serie di soluzioni che vanno dall’uso di UX/UI adatte, dati ed informazioni a sufficienza a supporto della decisione dell’operatore.

Fonti:

• [Motorsport] https://it.motorsport.com/f1/news/fattaccio-ferrari-quando-lintelligenza-artificiale-conta-piu-della-logica/4396075/
• [Sky Sport] https://it.eurosport.com/formula-1/leclerc-mastica-amaro-ho-chiesto-piu-volte-se-il-tempo-fosse-sufficiente-sono-deluso_sto7290958/story.shtml
• [bwin] https://sports.bwin.it/it/news/altri-sport/formula-1-il-regolamento-di-prove-e-qualifiche

Cosa ne pensi? Dimmelo su Twitter @_domenicomonaco oppure su Linkedin linkedin.com/in/domenicomonaco

L'articolo Leclerc e la Ferrari a Monaco: un esempio di AI-based Decision Making sembra essere il primo su Domenico Monaco.

La questione nasce dal fatto che attualmente ci troviamo nella situazione in cui i Big Data hanno alimentato in modo esponenziale ricerche, innovazioni ed ambizioni forse fuori dalla portata della maggior parte delle aziende per diversi motivi. Infatti, usare i Big Data è spesso fuori discussione per motivi che vanno dalla reale disponibilità di Big Data al rapporto costi/benefici eccessivamente elevato nel loro utilizzo. Così l’autore mette in evidenza come la maggior parte delle aziende ha la -reale- necessità di ottenere un vantaggio dall’utilizzo dei cosiddetti Small Data piuttosto che dai Big Data, ma Small Data non significa necessariamente “sfide più piccole”, piuttosto significa differenti.

Ma cosa sono questi Small Data? In realtà non è un termine così recente, e come al solito esistono diverse sfaccettature del termine, ma partendo dall’articolo sopra citato sono quei dati di dimensioni sufficientemente ridotte da poter essere compresi dalla mente umana [1], quei dati in volume e formato tale da essere accessibili, informativi e utili [3] oppure, la definizione che più preferisco, “la traccia digitale che ogni persona genera” [4].

A partire dalle definizioni precedenti, l’autore estende la discussione verso alcuni vantaggi nell’uso degli Small Data rispetti ai Big Data, ad esempio essi sono maggiormente disponibili, precisi e completi; riguardano persone, piccoli gruppi e comunità; descrivono ogni persona in ogni contesto ed infine la maggior parte dei dati che le persone consumano (ed io aggiungo generano) sono Small Data.

L’importanza di utilizzare Small Data è tale che nella maggior parte dei casi sono i dati corretti ad un problema di analisi e la maggior parte delle innovazioni sono innescate da piccoli dati ([5], [7]). Seppur vantaggiosi rispetto ai Big Data, gli Small Data necessitano di analisi appropriate prima di tutto è necessario rispondere a domande del tipo

Di quale tipo di dati ho bisogno? Di quanti dati ho veramente bisogno? Qual è il meglio che posso ottenere con i dati che ho?

A causa della presenza ubiquitaria dei piccoli dati e di un grande impatto nel mondo delle PMI e dei privati, è fondamentale comprenderlo bene. L’elaborazione di dati di piccole dimensioni dovrebbe, in teoria, essere più veloce, ma nella maggior parte dei casi non sono dati sufficienti per applicare algoritmi di Deep Learning, generando nuovi problemi.

Se consideriamo che la maggior parte dei Small Data è di tipo personale e risiedono in device mobili, allora è necessario considerare in modo ancor più pressante questioni di privacy o risolvere problemi legati alla potenza di calcolo, memoria ed energia limitata dei dispositivi.

Dunque il problema della caratterizzazione dei Small Data passa dalle famose 5V (volume, velocità, varietà, veridicità e valore) tipiche dei Big Data a [11]:

• Scope – Quanto sono esaustivi i dati relativi al problema in questione?
• Resolution and Identity: quanto sono fini i dati e quanto è identificabile ciascun elemento?
• Relational : quanto è facile associare diversi dataset attraverso campi comuni o codifiche che fanno parte dei dati?
• Flexibility – Quanto è facile estendere i dati (eg. Aggiungendo nuovi campi) e ridimensionare le dimensioni?
• Privacy – In che modo i dati si riferiscono alle persone?

Una interessante applicazione dei Small Data è quella della e-healt, in particolare la ricercatrice Deborah Estrin [4] definisce gli Small Data come l’immagine della salute personale sostenendo che il comportamento digitale può fornire preziose indicazioni sulla salute personale di una persona.

In particolare in questo contesto, ma anche in altri, gli Small Data si riferiscono a informazioni relative a un individuo, normalmente associati a una persona identificabile e possono includere nome, cognome, indirizzo, numero di telefono, condizioni specifiche di salute o cognitive, ecc.

Questi dati sono privati e quindi come effetto collaterale, ci sono due fatti che rendono l’uso dei dati personali impegnativo per le applicazioni basate sull’apprendimento automatico. In primo luogo, è difficile da raccogliere; i dati personali sono considerati privati o sensibili e la maggior parte delle persone non è disposta a condividerli. In secondo luogo, i dati personali relativi alle condizioni mentali, sanitarie ed educative sono scarsi perché tali condizioni sono rare e spesso “nascoste”, il che significa che non sono identificate prima dei sintomi. Ciò significa che i dati provenienti da alcuni soggetti potrebbero non essere adeguati dati di allenamento di reti neurali per altri soggetti.

Di conseguenza, i dati più adatti per addestrare un algoritmo sono i dati appartenenti allo stesso soggetto, rendendo i dati di destinazione ancora più piccoli.

L’autore conclude esprimendo la necessità di esplorare i limiti e gli usi degli Small Data.

Riferimenti:

• [1] jWork.org (2014). “Small data”. Never heard this term? URL: http://jwork.org/main/node/18
• [2] R. Pollock (2013). Forget Big Data, Small Data is the Real Revolution. URL: http://blog.okfn.org/2013/04/22/forget-big-data-small-data-is-the-real-revolution
• [3] WhatIs. URL: http://whatis.techtarget.com/search/query?q=small+data. Last access: August 2016
• [4] D. Estrin (2014). Viewpoint: small data, where n=me, Communications of ACM 57 (4), 32-34. Based in the TEDMED 2013 presentation: What happens when each patient becomes his or her own “universe” of unique medical data? URL: http://www.tedmed.com/talks/show?id=17762
• [5] R. Baeza-Yates (2013). Big data or right data? In Proceedings of International Workshop on Foundations of Data Management, CEUR Proceedings, vol. 1087
• [6] M. Kavis (2015). Forget Big Data: Small data is driving the Internet of Things. URL: http://www.forbes.com/sites/mikekavis/2015/02/25/forget-big-data-small-data-is-driving-the-internet-of-things/#3635c7f0661b
• [7] M. Lindstrom (2016). Small data: The tiny clues that uncover huge trends. St Martin’s Press, NY, USA
• [8] Wharton (2016). Why Small Data is the new big data. URL: http://knowledge.wharton.upenn.edu/article/small-data-new-big-data
• [9] F. Shilmover (2015). Forget Big Data: Small Data is where the money lies. URL: https://www.datanami.com/2015/05/20/forget-big-data-small-data-is-where-the-money-lies/
• [10] A. El Deeb (2015). What to do with “small” data. URL: https://medium.com/rants-on-machine-learning/what-to-do-with-small-data-d253254d1a89#.w01mkrich (Accessed August 2016).
• [11] R. Kitchin (2013). Big data and human geography: Opportunities, challenges, and risks. Dialogues in Human Geography 79(1), 1-14.
• [12] R. Kitchin and T. Lauriault (2015). Small data in the era of big data. GeoJournal 80, 463-475
• [13] Small Data Group (2013). The Year of Small Data. URL: https://smalldatagroup.com/2013/12/11/the-year-of-small-data/
• [14] BIG, small or Right Data: Which is the proper focus? https://www.kdnuggets.com/2018/10/big-small-right-data.html

Foto Credit: https://slinkachu.com

Cosa ne pensi? Dimmelo su Twitter @_domenicomonaco oppure su Linkedin linkedin.com/in/domenicomonaco

L'articolo Small Data: nella botte piccola c’è il vino buono sembra essere il primo su Domenico Monaco.