Insurtech e dintorni
INTELLIGENZA ARTIFICIALE E MACHINE LEARNING
Moda o reale innovazione?
Come in passato fecero il vapore, l’elettricità ed internet, l’Intelligenza Artificiale sta trasformando il nostro mondo in maniera definitiva, dando vita a quella che gli esperti considerano già la Quarta rivoluzione industriale.
L’intelligenza Artificiale è entrata con entusiasmo nell’agenda delle aziende, nelle discussioni accademiche e online, nell’immaginario collettivo.
In modo semplicistico potremmo definire l’Intelligenza Artificiale come l’abilità di un sistema tecnologico di risolvere problemi o svolgere compiti e attività tipici della mente e del corpo umani. Nella pratica, consiste nella programmazione di un computer affinché si comporti ed esegua un’attività come farebbe un agente intelligente (ovvero una persona).
L’obiettivo è quindi realizzare macchine in grado di “agire” autonomamente, svolgendo compiti e azioni tipici dell’intelligenza umana (pianificazione, comprensione del linguaggio, riconoscimento di immagini e suoni, risoluzione di problemi, riconoscimento di pattern, ecc.). Per tale motivo sotto l’etichetta di Intelligenza Artificiale ritroviamo discipline matematiche, informatiche e statistiche.
In questo contesto, si riconosce all’algoritmo un’importanza centrale. Un algoritmo è una procedura di calcolo ben definita che, a partire da determinati valori in ingresso, fornisce determinati valori in uscita. Quindi, null’altro che una sequenza finita di passi che trasforma gli ingressi nelle uscite. Nell’ambito dell’Intelligenza Artificiale però, l’algoritmo acquisisce una propria autonomia: una volta effettuato l’addestramento, il sistema volontariamente inizia l’azione nel suo ambiente e persegue degli obiettivi senza interagire con l’agente umano.
Come funziona l’Intelligenza Artificiale.
Parlare di IA significa parlare in realtà di diverse tecnologie e strumenti. Quattro sono i punti cardini che ci aiutano a definire l’attività dell’Intelligenza Artificiale.
comprensione
Attraverso la simulazione di capacità cognitive di correlazione dati ed eventi l’AI (Artificial Intelligence) è in grado di riconoscere testi, immagini, tabelle, video, voce ed estrapolarne informazioni.
ragionamento
Mediante la logica i sistemi riescono a collegare le molteplici informazioni raccolte (attraverso precisi algoritmi matematici e in modo automatizzato).
apprendimento
In questo caso parliamo di sistemi con funzionalità specifiche per l’analisi degli input di dati e per la loro “corretta” restituzione in output (è il classico esempio dei sistemi di Machine Learning che con tecniche di apprendimento automatico portano le AI ad imparare e a svolgere varie funzioni).
interazione
Human Machine Interactions ossia le modalità di funzionamento dell’AI in relazione alla sua interazione con l’uomo. È qui che stanno fortemente avanzando i sistemi di Nlp – Natural Language Processing, tecnologie che consentono all’uomo di interagire con le macchine (e viceversa) sfruttando il linguaggio naturale.
ICG offre soluzioni di Intelligenza Artificiale e Machine Learning su misura per i Player Assicurativi
ICG supporta le aziende nello sfruttare le potenzialità dell’Intelligenza Artificiale per implementare soluzioni specifiche di settore. Grazie alle competenze consolidate durante la realizzazione di numerosi PoCs con tecnologie di ultima generazione, può considerarsi all’avanguardia su questi temi che segneranno inevitabilmente il futuro più prossimo del mondo delle Assicurazioni.
Perché parliamo di Intelligenza Artificiale nelle Assicurazioni?
L’automatizzazione attraverso l’intelligenza artificiale è destinata a permeare tutti i processi del mondo assicurativo, dando una significativa opportunità di snellimento e ottimizzazione dei processi e riduzione dei costi di gestione.
Lo svolgimento di attività ripetitive e a basso valore aggiunto tramite tali tecnologie, comporta un miglioramento dell’efficienza dei processi e garantisce più facilmente la conformità alle richieste normative ormai sempre più severe per verificabilità, sicurezza, qualità dei dati e resilienza operativa.
La tecnologia cambierà drasticamente la forza lavoro assicurativa negli anni a venire: ci sarà una minor richiesta di risorse per gestire le attività di elaborazione di routine e contemporaneamente la forza lavoro inizierà a favorire i pensatori creativi e conoscitori delle strategie di mercato. Diventeranno fondamentali le risorse in grado di collaborare efficacemente con la tecnologia ed addestrarla, come se fosse un apprendista.
Queste nuove tecnologie infatti non possono prescindere dall’interazione con l’uomo: sono al suo servizio e lavorano in maniera integrata con l’intelligenza umana. L’Intelligenza Artificiale infatti può analizzare grandi quantità di dati in tempi rapidissimi e, con processi di autoapprendimento, migliorare progressivamente le prestazioni dei sistemi. Necessita sempre, però, di una guida e di un maestro che ponga le domande e gli obiettivi corretti: l’algoritmo fornisce i risultati e modifica il proprio comportamento in base al feedback dell’utente umano.
IA e Big Data
Ogni giorno vengono prodotti e scambiati da aziende, organizzazioni e utenti Terabytes di dati che, per una vasta percentuale, non sono dati strutturati, non possono cioè essere ricondotti a strutture fisse e facilmente utilizzabili.
La gestione di una così grande mole di dati non è possibile da parte dell’uomo senza l’ausilio di sistemi informatici. La natura non strutturata del dato implica un’ulteriore difficoltà, perché necessita di una capacità di astrazione e di analisi che non è gestibile dall’analitica tradizionale.
In tale ambito solo le reti neurali profonde, o Deep Neural Networks, hanno una modalità di apprendimento che replica in forma algoritmica il ragionamento umano e provano ad indurre soluzioni imparando da dati eterogenei e non strutturati.
I modelli di apprendimento delle reti neurali
Affinché questo processo risulti performante è necessario “addestrare” le reti neurali, ossia fare in modo che apprendano come comportarsi nel momento in cui andrà risolto un problema ingegneristico, come per esempio il riconoscimento di un essere umano dall’analisi delle immagini (attraverso per esempio la tecnologia del riconoscimento facciale).
Una rete neurale di fatto si presenta come un sistema “adattivo” in grado di modificare la sua struttura (i nodi e le interconnessioni) basandosi sia su dati esterni sia su informazioni interne che si connettono e passano attraverso la rete neurale durante la fase di apprendimento e ragionamento.
La rivoluzione apportata dal Deep Learning è evidente su molteplici fronti, tanto che a partire dal 2015 algoritmi che sfruttano reti neurali profonde hanno superato le capacità dell’uomo in semplici task come il riconoscimento di immagini e la trascrizione di audio in testo.
I meriti del Deep Learning vanno ricercati nella capacità di ottenere risultati sempre migliori aumentando la complessità della rete neurale o aggiungendo dati non strutturati in input al modello. Dal punto di vista delle performance, la possibilità di sfruttare GPU per computazioni massive ha inoltre favorito l’introduzione di algoritmi più complicati in ambienti di produzione.