Mi piace mostrare come l'Intelligenza Artificiale possa lavorare sulle strutture nascoste del mondo che ci circonda. Quasi tutto è quantificabile e può essere descritto in relazioni statistiche - se X allora Y. Ciò che vediamo accadere attualmente - il boom dell'Intelligenza Artificiale - è una conseguenza dei dati più facilmente disponibili (e affidabili) attraverso Internet, dell'aumento della potenza di calcolo e, infine, dello sviluppo decennale di algoritmi di analisi dei dati intelligenti ed efficienti. Niente di più, niente di meno.

10 gennaio 2024

Intelligenza artificiale e orologeria - Un'introduzione

Marcus Siems @siemswatches
Collezionista, autore, analista di dati

Intelligenza artificiale e orologeria:

- Introduzione - Intervista ChatGPT - Prospettive della comunità -

L'Intelligenza Artificiale è un fenomeno di crescente interesse per tutte le nostre vite. Scivola sempre più dall'astratto mondo professionale alla nostra esperienza quotidiana e alla routine di tutti i giorni. E sempre più spesso troviamo rapporti sull'argomento che spuntano anche nel mondo dell'orologeria (ad esempio [qui], [qui], [qui], o [qui]). Tutti questi sviluppi sono in genere accolti con molto clamore ed entusiasmo... probabilmente per due motivi principali:

In primo luogo, vedere che un'industria così tradizionale e di lunga data come l'orologeria inizia a utilizzare l'AI su scala più ampia sembra surreale, dopo che apparentemente ha attraversato il tempo in modo inalterato per secoli. In secondo luogo, perché il 99,9% di noi (me compreso) non sa cosa succede quando digita una richiesta su ChatGPT e simili.

Immagine generata dall'AI di un robot che lavora nell'orologeria Immagine generata dall'AI (DeepAI) di un'intelligenza artificiale che lavora nell'orologeria.

Anche se l'Intelligenza Artificiale sia una delle nostre tecnologie più avanzate, porta con sé un aspetto mitico. Probabilmente è come se le persone si fossero sentite per la prima volta di fronte alle scoperte che il nostro mondo è completamente costituito da particelle in miniatura o che il nostro cervello (e quindi noi) funziona attraverso circuiti elettrochimici. Dobbiamo prima credere ai singoli scienziati, prima di poterlo capire come società.

Tuttavia, finché l'AI rimarrà nel regno delle creature mitiche, non saremo in grado di valutare se una nuova applicazione orologiera - sia essa un sito web, un design o uno strumento - sia veramente nuova e potenzialmente utile o solo un giocattolo. Saremmo come Dorothy che segue la strada dei mattoni dell'AI verso qualsiasi Mago che ci prometta ciò che vogliamo. Ma ci mostri le scarpe rosse! Piuttosto, affrontiamo questo impegno e cerchiamo di capire meglio che cosa Intelligenza Artificiale e per cosa può essere utilizzata.

"Captcha di apprendimento automatico" di Randall Munroe (xkcd).

1) Intelligenza artificiale - Significato

Credo che molto del potere che ci incute timore risieda già nel nome. L'intelligenza è probabilmente una delle caratteristiche a cui noi esseri umani siamo più legati e che ci distinguono dal resto del regno animale^[1]. È una parola che ha molto peso. Ma ciò che potremmo attribuire alla parola e ciò che viene effettivamente fatto nella ricerca e nelle applicazioni di AI potrebbero essere fortemente dissociati.

Perché, pragmaticamente parlando, ciò che Intelligenza Artificiale è prevedere un risultato in base ai dati su cui è stata addestrata (per saperne di più). In altre parole, è un metodo statistico per identificare e quantificare i modelli. Niente di più, niente di meno. In questo modo può davvero funzionare come il cervello umano. Anche noi cerchiamo di trovare schemi nel mondo che ci circonda e, una volta trovati, facciamo fatica a non vederli più. Prendiamo il seguente esempio di un dalmata:

Illusione ottica di emersione del cane dalmata di Michael Bach Schizzi in bianco e nero - riesce a individuare il dalmata? Foto per gentile concessione del Michael Bach Database.

Quando vede l'immagine per la prima volta, tutto appare come macchie casuali di bianco e nero. Ad un certo punto emergono delle strutture come un albero sullo sfondo, una strada e potenzialmente delle foglie. Il cane (un dalmata) è piuttosto difficile da trovare, ma una volta che l'ha visto, non riesce più a non vederlo. Tuttavia, è il suo cervello che mette ordine nello spazio vuoto tra le macchie nere... in senso stretto non c'è nessun cane.

Questa identificazione del modello - anche a livello astratto - non è intelligenza, ma un'associazione. Che si tratti dell'associazione tra i puntini e un cane; il sole e una sensazione di calore; il mercato degli orologi e l'aumento dei prezzi al dettaglio; l'altezza e il peso di un essere umano; ecc. Quindi, può essere meglio compresa come apprendimento - o nel termine più comune per i metodi utilizzati per generare l'AI come apprendimento automatico. E trovo che questa formulazione colga meglio l'essenza. Non è necessario un organismo (o una macchina) altamente sviluppato per stabilire associazioni e imparare... si tratta semplicemente di una relazione statistica tra due cose.

Impostazione sperimentale dell'esperimento di Pavlov sul condizionamento classico Restando in tema di cani... anche gli stimoli completamente casuali possono essere accoppiati e associati tra loro. Tutti (si spera) conosciamo il condizionamento classico dalle scuole superiori, e Ivan Pavlov ha riportato questa forma di apprendimento statistico già nel 1897. Foto per gentile concessione di Teoria della comunicazione.

2) Intelligenza artificiale - Nozioni di base

Quindi, come può una macchina "imparare" e cosa serve per costruire la sua personale Intelligenza Artificiale^[2]? Io sostengo che tutto si riduce a tre ingredienti e fasi principali:

- dati di formazione

- una variabile da prevedere

- un modello che collega i due

Scomponendolo in questo modo, non sembra più una magia, vero? Ma rendiamo un po' più esplicito ciò che intendo con questi tre ingredienti e giochiamo a... Quanto vale il mio orologio?

Abbiamo pensato anche a lei se non è interessato solo teoricamente a questa domanda... "4 consigli per valutare il suo Orologio Vintage: Guida per principianti" - Un video sull'euristica di Felix Goldammer.

Innanzitutto, la previsione... può essere fatta su qualsiasi cosa sconosciuta che si desidera descrivere: quale mossa fare giocando a scacchi, la persona di fronte a lei è malata o no, qual è la risposta corretta alla sua domanda, questo nuovo design di orologio sarà un successo? Oppure, come nel nostro piccolo esempio: Quanto vale il mio orologio? L'unica cosa importante è che la domanda semantica che sta ponendo possa avere una risposta quantificabile (qui: prezzo in euro).

In secondo luogo, per prevedere il risultato sono necessarie informazioni rilevanti. Ad esempio, il valore di un Orologio Vintage dipende dalle sue condizioni, dalla scarsità, dalle complicazioni, dalla reputazione del marchio, ecc. ecc. È importante sottolineare che non si può prendere qualsiasi tipo di informazione... ad esempio, il colore del cinturino o il nome da nubile della madre del designer non dovrebbero essere importanti in questo caso.

Terzo, un collegamento tra le informazioni in ingresso e la previsione in uscita. Questa terza parte è l'operazione statistica che classicamente chiamiamo apprendimento automatico e quindi l'aspetto centrale dell'AI. Questa connessione (o modello) deve essere addestrata sulle informazioni di ingresso - nel nostro esempio - di diversi orologi e dei rispettivi prezzi noti. Quindi potremmo vedere che - in media(!) - gli orologi in condizioni migliori sono valutati di più. Alcuni marchi sono più in voga e aggiungono un premio ai prezzi, le complicazioni di solito costano un po' di più, eccetera eccetera.

Eric Wind di Wind Vintage per Esquire - un meme Quando si chiede a Eric Wind di Vento Vintage cosa è importante quando si valuta un orologio: "Condizione, condizione, condizione!". Foto per gentile concessione di Esquire.

Si tratta di una descrizione semantica di un'interazione quantificabile appresa dalla macchina tra fattori di mercato sul prezzo degli orologi. Si tratta di una descrizione molto semplificata rispetto a ciò che avviene, ad esempio, in OpenAI e ChatGPT o nelle IA che generano immagini, ma in fondo è anche questo ciò che avviene*. Ma arriveremo a queste applicazioni tra poco.

3) Intelligenza artificiale - Diversi modelli

Ora facciamo un rapido tuffo nella parte centrale: il modello di apprendimento automatico e i suoi presupposti. Esistono numerosi modi per dedurre il risultato da una serie di informazioni. Il più semplicistico è la relazione monotona (a volte lineare), ad esempio: Migliore è la condizione, più alto è il prezzo di un orologio:

Figura 1. Scenari (giocattolo) di esempio in cui apprendimento automatico possono essere applicati gli algoritmi. I punti colorati rappresentano singoli orologi, la linea tratteggiata implica la previsione dell'algoritmo. Una previsione graduale del prezzo basata sulla condizione (a sinistra) e un limite per prevedere il mantenimento/vendita di un orologio basato sull'attaccamento emotivo e sul tempo di polso che ogni pezzo riceve (a destra). I dati rappresentati sono fittizi e hanno solo lo scopo di aiutare il contesto.

La linea tratteggiata nella figura descrive la previsione del modello. Ad esempio, potrebbe essere una relazione lineare 1 a 1 e prezzo = condizione * una costante. Forse ci sono degli effetti che vanno oltre la linearità e la nostra relazione è piuttosto esponenziale - se si aumenta un po' la condizione sull'estremità superiore, aumenta drasticamente il prezzo... Questa relazione esatta tra prezzo e condizione è ciò che può essere appreso nel processo... da una macchina**...

4) Intelligenza artificiale - Algoritmi moderni

Tutti questi semplici metodi che ho appena introdotto sono vecchi di un secolo e costituiscono la base della nostra esperienza moderna con l'AI. Una delle prime applicazioni di massa dell'apprendimento automatico avvenne durante la Prima Guerra Mondiale... Charles Spearman introdusse l'analisi dei fattori per semplificare grandi quantità di domande e compiti psicologici e definì - cosa interessante - un parametro generale per l'intelligenza^[3]. Questa prima quantificazione dell'intelligenza fu poi utilizzata per valutare i soldati britannici e trovare gli ufficiali adatti nei loro ranghi, al di là dell'antico ma ancora prevalente sistema aristocratico.

Può trovare "Breve storia dell'intelligenza artificiale" che copre gli ultimi 70 anni di sviluppi importanti di BootstrapLabs qui.

Negli anni '70 e '80 sono state introdotte applicazioni che utilizzano una leggera modifica di questi metodi: le reti neurali artificiali***. Qui, un oggetto in ingresso con tutte le sue caratteristiche viene ponderato (modello) per prevedere una reazione. Ad esempio, abbiamo un orologio che presenta diverse caratteristiche - dimensioni, età, materiale, condizione, marca, ecc. - che combiniamo per definire un livello. E ponderando queste caratteristiche potremmo (in un mondo ottimizzato) stimare il suo miglior prezzo di vendita. Si tratta quindi di un'estensione della stima lineare di cui sopra.

Figura 2. Schema dell'architettura della Rete Neurale Artificiale con uno strato. L'architettura serve solo a rappresentare un'intuizione e i 'nomi dei livelli' in basso sono aiuti alla memoria e non vincoli o risultati effettivi della modellazione.

Questa "architettura" molto semplice è in grado di mettere in relazione l'input (un orologio) con l'output (il suo prezzo)... Anche in questo caso, questa relazione viene appresa su migliaia e migliaia di orologi con prezzi noti, prima di poter essere applicata per prevedere il prezzo di un orologio che non è già presente nel database. Inoltre, includerà sempre qualche errore, ossia parametri sconosciuti come, ad esempio, gli stati d'animo degli offerenti all'asta.

Ora immaginiamo di non avere un solo livello che fornisce direttamente un output, ma che questo livello alimenti le sue informazioni in un altro livello più 'profondo'. Il livello più profondo definisce le relazioni tra le caratteristiche, e un altro livello più profondo dopo di esso le caratteristiche delle caratteristiche e un altro ancora dopo e dopo ancora... ognuno riassume e astrae il suo input attraverso le relazioni delle caratteristiche del livello precedente...

Figura 3. Schema dell'architettura della Rete Neurale Artificiale con diversi strati 'nascosti'. L'architettura serve solo a rappresentare un'intuizione e i "nomi degli strati" sul fondo sono aiuti alla memoria e non vincoli o risultati effettivi della modellazione.

Si può anche pensare a ogni livello e a ogni astrazione nel senso del linguaggio (Grandi modelli di linguaggio). Il primo livello descrive le lettere, il secondo livello la relazione tra le lettere, quindi le 'sillabe'. Il terzo livello riguarda la relazione tra sillabe -> parole, il quarto livello è costituito da parole -> frasi o frasi e poi da paragrafi e significato ^astratto*4. Queste astrazioni - che possono essere apprese anche dall'algoritmo, senza vincolarlo - sono il vantaggio principale di queste "Reti Neurali Profonde" rispetto a tutto ciò che si trova nel campo dell'Intelligenza Artificiale. Intelligenza Artificiale che sono venute prima.

Una buona analogia per la struttura a strati profondi dell'intelligenza artificiale è la trama del film di Christopher Nolan "Inception" del 2010. Ogni strato più in basso è come un altro sogno in un sogno... Diventa sempre più assurdo e surreale ad ogni sogno. Foto di una struttura della trama del film disegnata a mano dallo stesso Christopher Nolan.

Naturalmente, queste etichette per i diversi livelli sono puramente schematiche. Le parole, le frasi e i paragrafi sono entità che possiamo cogliere dalla nostra esperienza quotidiana. Ma un modello statistico costruirà una rappresentazione molto astratta che non seguirà la nostra comprensione limitata. Tuttavia, questi livelli profondi di astrazione sono il motivo per cui possiamo avere una conversazione con ChatGPT e algoritmi simili^[4]. Significa che l'algoritmo non ha bisogno di aver visto prima un paragrafo, una frase o una domanda particolare per capirne il significato, perché può trovare meta-relazioni da altri frammenti di testo.

Tuttavia, come può immaginare, per arrivare a questo punto è necessaria TANTA potenza di elaborazione e dati di testo affinché l'algoritmo possa imparare e funzionare. Ad esempio, ChatGPT 3.5 (versione gratuita) è stato addestrato per settimane e mesi su migliaia di GPU con testi scritti, libri e siti web e infine ha integrato il feedback di migliaia di operatori umani.

5) Intelligenza artificiale - Conclusione sulla sua essenza

Immagino che tutti stiano tirando un sospiro di sollievo ora che abbiamo superato questo capitolo piuttosto intenso della metodologia. Tuttavia, spero di essere riuscito a trasmettere che Intelligenza Artificiale e Apprendimento automatico non sono 1) una novità, 2) si tratta di modelli di previsione "semplici" e 3) non sono uno strumento magico regalatoci dai signori dei robot per distrarci fornendo riassunti di libri e generando immagini steampunk dei nostri animali domestici.

Immagine generata dall'AI di treni di ingranaggi aiutati dall'intelligenza artificiale Un'immagine generata dall'AI (DeepAI) di "Diversi treni di ingranaggi di orologi che lavorano con circuiti informatici".

Molto piuttosto l'Intelligenza Artificiale lavora sulle strutture nascoste e latenti del mondo che ci circonda. Quasi tutto è quantificabile e può essere descritto in relazioni statistiche - se X allora Y. Ciò che vediamo accadere attualmente - il boom dell'Intelligenza Artificiale - è una conseguenza dei dati più facilmente disponibili attraverso Internet, dell'aumento della potenza di calcolo e, infine, di decenni di sviluppo di algoritmi di analisi dei dati intelligenti ed efficienti. Niente di più, niente di meno.

Nella prossima parte voglio affrontare in dettaglio ciò che la moderna AI può e non può fare nel nostro amato mondo degli orologi. Per favorire questa discussione - in gran parte speculativa - ho anche parlato con diversi esperti nel campo dell'orologeria, che hanno tutti avuto qualche sovrapposizione con il mondo della tecnologia in passato. Sarà divertente!

* Mi scuso vivamente per l'eccessiva semplificazione.

** Con un approccio di analisi intelligente, ma non proprio di intelligenza^[1].

*** Ci sono diverse differenze empiriche tra i cervelli al carbonio e al silicio - ma non entriamo nel merito. Le RNA potrebbero (nella migliore delle ipotesi) essere definite un modello semplificato della funzione biologica.

^*4 Si può pensare a livelli simili di astrazione anche nel senso dell'elaborazione visiva/immaginaria. Il primo livello è costituito dai bordi chiari/scuri limitati a una certa posizione, il livello successivo può essere costituito dagli angoli, i livelli successivi da forme sempre più complesse che si possono trovare ovunque nella scena e gli ultimi livelli sono le identità degli oggetti, che possono essere persino indipendenti dall'angolo di presentazione, ecc.