Intelligenza artificiale, machine learning, Internet of Things, cloud, blockchain. Con l’avvento e l’adozione di queste tecnologie stiamo vivendo una grande rivoluzione tecnologica, dopo Internet, chiamata “quarta rivoluzione industriale”. Tuttavia, queste tecnologie come stand alone non sono sufficienti per apportare il cambiamento necessario. Il vero potenziale di queste tecnologie potrà avvenire solo quando saranno utilizzate in parallelo, una di queste combinazioni è AI insieme alla blockchain.
AI, un mercato in forte crescita
Secondo una previsione sul mercato dell’intelligenza artificiale di Tractica, il settore dell’AI globale dovrebbe crescere dagli attuali 9,5 miliardi di dollari a 118,6 miliardi entro il 2025. Questo è ulteriormente rafforzato dal Global Blockchain Survey 2019 di Deloitte, in cui il 53% di tutti i professionisti ha risposto che blockchain è l’obiettivo principale delle loro organizzazioni quest’anno.
Sia AI che blockchain sono nuove tecnologie per molti settori. Molte aziende iniziano a comprenderle e implementarle all’interno dei propri servizi. In uno scenario simile, lo sviluppo di un progetto con l’utilizzo di AI e blockchain richiede un’esperienza e una ricerca approfondite. Per capire come queste tecnologie possono essere utilizzate in combinazione, illustriamo prima di tutto brevemente le loro caratteristiche, quindi comprenderemo come questi due possano integrarsi a vicenda, migliorandosi.
Per capire come la blockchain può supportare l’AI, possiamo guardare a quella che potremmo chiamare una catena del valore dell’AI che coinvolge materie prime (dati), produzione (formazione di modelli di intelligenza artificiale) e distribuzione (l’uso di analisi e decisioni dell’AI).
Blockchain e AI: una relazione complementare
Poiché ogni blocco nella blockchain contiene un’informazione diversa crittografata o codificata, la blockchain può aiutare a garantire la fiducia e la verificabilità dei dati. Il concetto di catena e blocco nella blockchain è che ogni blocco ha le sue informazioni e che le informazioni contengono un collegamento al blocco prima di esso, che sviluppa la catena e fornisce una catena di custodia verificabile. Nessun singolo attore può modificare le informazioni in un blocco senza invalidare l’intera catena di informazioni in un determinato blocco e invalidare così la catena. Poiché la catena è distribuita in una miriade di altri luoghi e tra altre parti, per apportare modifiche alla catena, un consenso di tutte le parti dovrebbe essere d’accordo sul fatto che le modifiche vengano apportate.
Da aggiungere al concetto di blockchain ci sono gli “smart contract”, che sono parti di codice decentralizzati che possono essere attivati quando è stata soddisfatta una specifica catena di azioni. In questo modo, quando hai due parti che desiderano eseguire una transazione sicura e affidabile senza l’uso di un intermediario, questo è ciò per cui idealmente la blockchain sarebbe utilizzata.
Se utilizzate in parallelo, AI e blockchain, si possono eliminare i limiti reciproci che ne ostacolano la scalabilità e l’adozione.
In che modo la blockchain può integrarsi all’AI
Il primo vantaggio è che si possono condividere modelli di apprendimento automatico tra tutte le parti senza un intermediario. Un buon esempio è il software di riconoscimento facciale. Se un dispositivo sa come appare una persona e lo carica sulla catena, anche altri dispositivi collegati sanno come appare quella persona. Quando altri dispositivi caricano i propri dati di riconoscimento facciale, gli altri dispositivi acquisiranno la capacità di utilizzarli per il modello di riconoscimento facciale. Dal momento che ciò accade sulla blockchain, non esiste un controllo centrale sul riconoscimento facciale, e come tale nessuna azienda possiede e/o archivia i dati. Questo approccio consente inoltre a tutti di apprendere più velocemente e in modo collaborativo attraverso l’uso dell’AI integrata con la blockchain.
I sistemi di intelligenza artificiale possono anche utilizzare la blockchain per facilitare la condivisione dei dati utilizzati su più modelli. Un esempio è l’uso di modelli di apprendimento automatico per consigli sui prodotti nella vendita al dettaglio online. Se un negozio online conosce le preferenze di un acquirente e quindi quel cliente accede a un sito Web del negozio diverso, questi due siti possono essere collegati tramite una blockchain per condividere informazioni di personalizzazione affidabili. Questo potrebbe diventare un luogo di competizione per i siti di e-commerce più piccoli che vogliono condividere tra loro informazioni di personalizzazione. Invece di raccogliere dati personali per ciascuna società, possono condividerli tra loro in una blockchain, fornendo concorrenza a siti come Amazon e Walmart che hanno già sviluppato i propri sistemi di dati per raccogliere queste informazioni sui propri clienti. Il vantaggio per il cliente è che, in cambio della condivisione delle informazioni, si può ottenere di tutto: dai prezzi migliori alle esperienze di acquisto personalizzate. Ciò potrebbe anche impedire la violazione dei dati se tutte le informazioni e i sistemi di pagamento sono archiviati e condivisi attraverso una blockchain anziché un sistema di dati centralizzato.
Non solo le blockchain possono essere utilizzate per condividere modelli e dati, ma possono aiutare a svolgere un ruolo di “cervello principale” in un modo condiviso tra più sistemi di intelligenza artificiale. Se siamo in grado di mettere insieme tutti questi benefici di apprendimento condivisi, blockchain e AI, può esserci anche la possibilità di combinare tutte queste cose che possono imparare dall’ambiente circostante e quindi condividere tale apprendimento con tutti i sistemi di intelligenza artificiale sulla rete. Il vantaggio sarebbe che nessuno possiede il sistema e non esiste alcun controllo del governo sul bot o sul cervello condiviso. Potrebbe essere potenzialmente imparziale a causa della mole di informazioni provenienti da diverse aree e diverse angolazioni.
Un’altra applicazione sta affrontando la sfida dell’AI spiegabile. Uno dei problemi più significativi con il deep learning è che non esiste una chiara idea di quali input generano quale output e in che modo influenzano l’intera sequenza. Se qualcosa va storto in una rete neurale di apprendimento profondo, non abbiamo un’idea chiara di come identificare il problema e correggerlo. Questo è il problema delle reti neurali in effetti essendo una “scatola nera” senza alcuna reale trasparenza o spiegabilità. Tuttavia, se utilizziamo la blockchain possiamo registrare come le singole azioni si traducono in una decisione finale in modo non attendibile, il che ci consente di tornare indietro e vedere dove le cose sono andate male e quindi risolvere il problema. La blockchain verrebbe utilizzata per registrare eventi, come decisioni e azioni di veicoli autonomi in un modo che non verrà modificato in seguito. Questo può anche aumentare la fiducia poiché l’elemento blockchain è imparziale e solo per l’archiviazione e l’analisi; chiunque può entrare e vedere cosa è successo.
Infine, i sistemi di intelligenza artificiale possono essere utilizzati per migliorare le blockchain in generale. I sistemi di apprendimento automatico possono tenere d’occhio ciò che sta accadendo nella blockchain. Può cercare modelli e anomalie nei tipi di dati archiviati e azioni eseguite su un determinato server ed essere utilizzato per avvisare gli utenti quando qualcosa potrebbe accadere. I sistemi possono cercare comportamenti normali e contrassegnare ciò che sembra insolito. I sistemi di intelligenza artificiale possono aiutare a mantenere la blockchain più sicura, più affidabile e più efficiente.
Un caso pratico: come certificare i dati elaborati dagli algoritmi
La HSPI S.p.A., azienda italiana specializzata nella consulenza direzionale orientata ai processi di cambiamento generati dall’Information & Communication Technology, è impegnata nel miglioramento e l’adozione dei nuovi e ha elaborato un modello di co-utilizzo delle tecnologie in cui i punti forti di ciascuna si fondono.
L’obiettivo principale di questa soluzione è quella di certificare i dati elaborati dagli algoritmi di AI (i dati su cui l’intelligenza artificiale auto-apprende e impara) e dimostrare che i parametri scelti (hyper-parameters nel gergo del machine learning) siano coerenti con gli obiettivi prefissati dalle esigenze business.
Concretamente, questa soluzione offre enormi vantaggi a quelle aziende che hanno un enorme bisogno dell’ AI ma devono anche costruire meccanismi di governance su tali tecnologie per verificare se:
- i risultati prodotti dagli algoritmi sono genuini e replicabili internamente e in un secondo momento e se
- i dati immessi negli algoritmi sono validati, di qualità e certificati (ovvero approvati e riconosciuti aziendalmente).
Con questo tipo di applicazione, grazie alle due tecnologie, è possibile rispondere a delle domande fondamentali: come possiamo capire la qualità dei dati se non abbiamo la possibilità di leggere gli script che li hanno generati? L’integrità e la sicurezza dei dati: gli input sono accurati e affidabili e possono essere manipolati o rubati? Gli algoritmi di apprendimento automatico che informano l’AI sono inclini a errori o bias eccessivi e possono essere controllati? L’interfaccia dell’IA rappresenta in modo affidabile l’output dell’AI e acquisisce in modo efficace nuovi dati?
Come è possibile dunque certificare un dato elaborato e prodotto da un algoritmo?
In sintesi, si tratta di una soluzione che, utilizzando catene di Markov nascoste, permette la generazione di matrici di transazione tra i dati in input agli algoritmi e l’output degli stessi.
Vista la natura degli algoritmi, le matrici di transazione delle catene di Markov hanno caratteristiche molto coerenti e dall’elevatissimo grado di similitudine.
Dal momento che risulta sempre possibile definire una specifica matrice transazionale, è possibile verificare la coerenza e bontà delle matrici ottenute da molteplici utilizzi dello stesso algoritmo: verificare la coerenza vuol dire che l’algoritmo ha funzionato in due istanti successivi mantenendo inalterate le sue condizioni di operatività (seppur modificando hyper-parametri oppure dati di ingresso).
Queste matrici di transazione costituiscono una firma digitale dell’algoritmo nell’atto di trasformazione dei dati: tale firma digitale, quando si mantiene coerente e similare, verifica la bontà degli algoritmi trasformandoli in veri e propri asset tecnologici.
Conclusioni
Le nuove tecnologie sono destinate a essere implementate e collaborare tra di loro, questo permetterà il loro miglioramento, lo sviluppo di funzionalità sempre più integrate a beneficio dei processi e dati.
