Le intelligenze artificiali evolvono senza sosta e portano con loro vantaggi e svantaggi inediti. Questo non cambia neppure sotto l’egida dell’AI cognitiva, quel ramo delle AI che simula i processi mentali umani come il ragionamento, l’apprendimento e la comprensione del linguaggio.
Le AI generative consentono oggi di contestualizzare il linguaggio e renderlo più aderente a domini specifici ma tutto ciò, benché rilevante e utile, non è sufficiente.
L’ AI cognitiva si profila nella comprensione del contesto aziendale con beneficio per chi deve prendere decisioni potendo contare su informazioni più mirate, trasparenti e dettagliate.
Il cambiamento in corso è potente: ci si muove dalle AI generative verso le AI dotate di comprensione situazionale e ciò significa che produrre contenuti e automatizzare processi semplici non è più sufficiente. Occorre capire, interpretare e anticipare i cambiamenti.
L’AI cognitiva diventa così un alleato valido ma non per questo immune da problemi e criticità.
Indice degli argomenti:
Cosa è e come funziona un’AI cognitiva
L’AI cognitiva è un sistema di intelligenza artificiale progettato non soltanto per riconoscere schemi o automatizzare compiti, ma per imitare alcuni processi cognitivi quali il ragionamento, la comprensione di contesti complessi e l’apprendimento adattivo.
In sintesi, è un modello AI che non genera solo testo ma capisce un quadro complesso e suggerisce scelte strategiche ponderate.
La differenza tra un’AI cognitiva e le AI tradizionali vede queste ultime al pari di strumenti focalizzati su un compito specifico, mentre la prima veste i panni di un assistente che capisce, “ragiona” e collabora.
I componenti tipici di un’AI cognitiva sono:
- Input eterogenei: le AI cognitive elaborano dati strutturati e non strutturati e quindi, per esempio, testo, immagini, i dati provenienti da sensori e i contesti
- Comprensione e ragionamento: entrambi sostantivi che andrebbero scritti tra virgolette che consentono alle AI cognitive di riconoscere relazioni, cause e contesti. Vanno quindi al di là della facoltà di riconoscere uno o più modelli specifici tra i dati
- Apprendimento adattivo: la capacità di apprendere dai feedback e di adattarsi alle nuove condizioni, spingendosi oltre il mero addestramento
- Interfacce: facilitano il dialogo e le interazioni tra uomo e macchina. L’AI cognitiva ha un ruolo attivo e ciò contribuisce a rendere più snello il lavoro dei decisori
- Supporto decisionale: suggerisce soluzioni e argomenta le scelte fatte.
Questo ultimo punto va compreso appieno: le AI cognitive non fanno, supportano chi deve prendere decisioni.
Come funziona in termini tecnici
Entrando nella sfera tecnico-tecnologica, un’AI cognitiva integra diverse discipline fondamentali e altre complementari:
- Machine learning (ML) per riconoscere schemi e apprendere dai dati
- Natural language processing (NLP) per interagire, comprendendolo, con l’elemento umano
- Knowledge representation and reasoning (KRR) per gestire conoscenze e inferenze logiche, ossia i processi attraverso cui il sistema deduce nuove informazioni e prende decisioni sulla scorta di regole, conoscenze già acquisite e relazioni tra concetti
- Computer vision per interpretare immagini o video
- Automated decision system, il nocciolo dell’intera questione, ovvero la capacità di giungere a decisioni ponderate e plausibili sulla scorta delle informazioni elaborate
Tutto ciò consente all’AI cognitiva di non fermarsi alle predizioni e di “ragionare” facendo leva su informazioni complesse in ambienti altrettanto complessi.
Dietro l’AI cognitiva ci sono quindi architetture ibride che combinano reti neurali e sistemi simbolici. Questi ultimi – descritti per sommi capi – sono modelli AI che “ragionano” mediante concetti, relazioni e regole esplicite manipolando rappresentazioni di cose o idee (simboli astratti) per giungere a conclusioni anche inedite.
I sistemi simbolici simulano il ragionamento logico, a differenza dell’apprendimento automatico tipico delle reti neurali. In parole più dirette, un sistema simbolico non impara da esempi ma ragiona su regole esplicite.
Un Large language model (LLM) tradizionale come GPT si basa su correlazioni statistiche tra parole, mentre un modello cognitivo integra ragionamento logico, memoria episodica e moduli di inferenza. Una logica a “due cervelli” che vede, da una parte, il lato neurale per il linguaggio e, dall’altra parte, il lato simbolico dedito al ragionamento.
Il funzionamento in 4 fasi
Suddividendo la molteplicità di passaggi che svolgono le AI cognitive e raggruppandoli in macro-famiglie, si ottengono 4 fasi, ovvero:
- Percezione: l’AI cognitiva acquisisce dati (documenti, database, sensori, flussi social, …)
- Comprensione: integra il linguaggio naturale e il contesto. Per esempio, “comprende” la terminologia del settore
- Ragionamento e apprendimento: applica modelli statistici per evincere nuove informazioni. Per esempio, esamina report di vendita e fornisce suggerimenti
- Decisione: comunica i risultati ottenuti e argomenta le scelte e i suggerimenti restituiti
Le differenze tra AI cognitiva e AI generativa
Giunti a questo punto abbiamo elementi sufficienti per individuare le differenze sostanziali tra AI cognitiva e AI generativa. Riassumendo:
- Lo scopo primo di un’AI generativa e creare contenuti (testo, codice, immagini, …) e si profila nella produzione creativa o automatizzata. Esempi di AI generativa sono ChatGPT, Claude o Midjourney che sono basati su predizione statistica.
- La funzione principale di un’AI cognitiva è quella di compiere analisi e diagnosi supportando i decisori. Per farlo deve passare lungo una catena i cui anelli prevedono la comprensione, il ragionamento e le conseguenti decisioni. Un’AI cognitiva è basata quindi su conoscenza e contesto.
In sintesi, una AI cognitiva pensa insieme a chi la usa, mentre un’AI generativa crea contenuti in luogo di chi la usa. Una ragiona, l’altra produce.
L’AI cognitiva non si limita a prevedere la parola successiva ma costruisce una rappresentazione simbolica del contesto che sta trattando: non ripete modelli, interpreta scenari.
Campi di applicazione dell’AI cognitiva
Le AI in quanto tali si prestano in modo orizzontale trovando collocazione in diversi settori e comparti. Questo vale anche per le AI cognitive che si stanno facendo largo tra una platea sempre più numerosa e variegata.
Le applicazioni aziendali più ricorrenti si snodano in diversi campi tra i quali:
- Manutenzione predittiva: per la diagnosi e le interpretazioni dei dati in caso di guasti e fermi macchina
- Analisi dei clienti e sentiment analysis: lo studio del comportamento e dei bisogni della clientela (customer insight) utile per migliorare i prodotti esistenti e per crearne di nuovi anticipando la concorrenza. Le AI cognitive si prestano anche all’analisi del sentiment per comprendere le opinioni e gli atteggiamenti dei clienti
- Robotic process automation (RPA) cognitivo: automazione di processi capace di interpretazione semantica, ovvero una forma di automazione che non si limita a eseguire compiti ripetitivi ma che assume decisioni a seconda del contesto
- Analisi legale o medica: un’AI cognitiva è in grado di leggere referti e documenti scritti a mano ed estrapolare da dati non strutturati le informazioni pertinenti da inserire nell’opportuno fascicolo del cliente o del paziente
Considerando la portata delle AI cognitive e la loro duttilità, va da sé che possono essere impiegate in ogni contesto aziendale anche se con finalità diverse.
Il World Economic Forum, toccando seppure di sponda il tema delle AI cognitive, le definisce al pari di collaboratori delle imprese e non solo strumenti.
Ciò che assume un peso specifico è il cambio di paradigma: la macchina non risponde più sulla scorta di un prompt ma partendo da una situazione della quale comprende il contesto, gli obiettivi e tutti i vincoli che questi comportano.
I vantaggi per le organizzazioni
Non si tratta soltanto di lavorare in modo più rapido ed efficace riducendo errori e costi, l’asticella si spinge verso la necessità di creare sistemi capaci di rispondere in modo corretto spiegando perché sono giunti a una certa soluzione.
L’AI cognitiva apre nuovi scenari soprattutto nei settori nei quali i dati da soli non sono sufficienti.
In generale, si tratta di quei settori nei quali l’intenzionalità o la causalità non si esprimono soltanto attraverso i dati, anche se abbondanti e qualitativamente validi.
Tra questi spiccano la psicologia e la salute mentale in genere. Dati clinici, test e persino colloqui vis-à-vis tra specialista e paziente possono essere insufficienti per cogliere esperienze soggettive o traumi.
Spostandoci nel settore legale, pure addestrando un’AI tradizionale dandole in pasto milioni di sentenze, questa non è in grado di dedurne i principi etici o fare valutazioni sulla qualità delle sentenze stesse.
Negli ambiti della ricerca scientifica, le AI cognitive possono formulare nuove ipotesi e restituire una certa astrazione nell’interpretazione delle causalità individuate tra i dati.
Infine, anche se l’elenco dei settori nei quali i dati da soli non sono sufficienti è discretamente lungo, vanno citati i comparti militari e di intelligence. Infatti, i dati su eventi, movimenti e scambio di informazioni non consentono di prevedere intenzioni politiche o strategie nascoste. I dati da soli non costituiscono esperienza o contesto storico.
Più in generale, una “intelligenza artificiale che capisce il business” ha risvolti pratici anche nell’analisi dei rischi, nella valutazione delle opportunità offerte dal mercato e, in aggiunta, si posiziona nel suggerire politiche di prezzo concorrenziali e sostenibili.
Ci sono però altre interessanti sviluppi che vanno oltre la percezione e il ragionamento simbolico.
I Cognitive Digital Twins
Si può pensare ai Cognitive Digital Twins come a versioni evolute dei gemelli digitali: non solo repliche virtuali di sistemi fisici che monitorano e analizzano dati, ma modelli digitali che apprendono, ragionano, memorizzano conoscenza (inclusa quella tacita a cui dedichiamo un paragrafo più avanti) e supportano decisioni in contesti complessi.
Di fatto sono repliche di sistemi con l’aggiunta delle AI cognitive che aprono scenari applicativi in diversi settori, non solo nel comparto manifatturiero.
Va evidenziato che uno studio firmato da ricercatori di atenei canadesi e brasiliani ha identificato alcune criticità nella standardizzazione e nella scalabilità dei Cognitive Digital Twins, gettando anche le basi per la creazione di sistemi più resilienti. Lo studio include dati aggiornati alla fine del 2023 e non è ancora stato sottoposto a revisione paritaria ma, nonostante ciò, include schemi e valutazioni degne di rilievo.
A prescindere, i Cognitive Digital Twins combinano apprendimento automatico, ragionamento, elaborazione del linguaggio e conoscenza per cercare di riprodurre funzioni cognitive umane.
In altre parole, un Cognitive Digital Twin è un’applicazione concreta delle AI cognitive che forniscono le necessarie “funzioni mentali”.
È una tecnologia emergente, con implicazioni elevate ma anche sfide delle quali parleremo più avanti.
La conoscenza tacita
Attraverso knowledge graph che rappresenta di fatto la conoscenza sotto forma di concetti e relazioni logiche (chi fa cosa, dove lo fa, quando lo fa e come lo fa) e la contextual memory che consente a un’AI di “ricordare il contesto”, le organizzazioni possono usare e i principi di conoscenza tacita, ossia quel know-how che non viene mai scritto nero su bianco ma che tutti usano per lavorare.
Si pensi alle procedure o alle consuetudini aziendali, spesso tramandate dai dipendenti più navigati a quelli con meno esperienza (il che è un toccasana nelle aziende in cui la rotazione del personale è frenetica).
Sfide, governance e problemi aperti
Le AI cognitive comportano rischi relativi ad accuratezza, bias, sicurezza, responsabilità legale, privacy e dipendenza organizzativa.
Di fatto sono i medesimi problemi che attanagliano le AI tradizionali e, proprio come nel caso di queste ultime, la mitigazione passa attraverso governance, test rigorosi e supervisione dell’uomo.
Entrando un po’ più in profondità, però, occorre evidenziare che i modelli cognitivi incorporano contesti e se questi sono distorti, le decisioni finali lo saranno a loro volta. Non si tratta soltanto di identificare bias nei dataset per limitare i moltiplicatori di rischio ma di valutare l’impatto delle decisioni prese da tali sistemi e ciò, ancora una volta, rimanda alla necessità della supervisione umana che non può essere sacrificata in virtù di una non meglio misurabile capacità decisionale della macchina.
Di fatto, anche se simulano un ragionamento, le AI cognitive non hanno una comprensione semantica propriamente detta e possono fallire se confrontate con ragionamenti o scenari particolarmente complessi.
Tutto ciò tende a sollevare e a mantenere spalancate le questioni etiche. Se l’AI prende decisioni critiche – si pensi alla sanità ma anche alla finanza – eventuali errori possono avere conseguenze gravi se non persino gravissime.
Non di meno, ragionamenti o scenari particolarmente complessi tendono a ridurre la spiegabilità delle AI cognitive.
Infatti, come scritto sopra, le AI cognitive sono per principio costruite per permettere di tracciare i ragionamenti che svolgono, offrendo meccanismi quali alberi decisionali o regole logiche e, in aggiunta, alcuni strumenti di interpretabilità che spiegano (o, meglio, cercano di spiegare) perché un modello ha preso una certa decisione, evidenziando i fattori che più hanno partecipato ad assumerla.
Nonostante ciò, le decisioni particolarmente complesse tendono a rimanere nella sfera delle black box.
Tra i problemi di natura tecnica vanno annoverate la necessità di grandi dataset e la necessità di valutare con attenzione in che modo implementare le AI cognitive e come integrarle con i sistemi esistenti. Limiti non invalicabili ma che necessitano di profili professionali di alto livello per essere superati.
