Intelligenza Artificiale (o Artificial Intelligence, all’inglese): oggi ne parlano tutti, chi in maniera entusiasta e chi, invece, con qualche dubbio. Questo perché, come ogni nuova forma di automazione, anche l’AI è considerata come sostituiva del lavoro umano. Invece, come vedremo, l’Intelligenza Artificiale dentro le fabbriche e fuori dalle fabbriche aiuta le persone a lavorare meglio, con meno fatica e maggiori risultati in termini di produttività e di efficienza.
Che cos’è l’Intelligenza Artificiale e come funziona?
L’AI è un’intelligenza informatica di ultima generazione che fa capo a una disciplina in cui convergono tecniche di programmazione basate sulla formulazione di algoritmi sempre più sofisticati ma anche nuove tecniche di progettazione. L’Artificial Intelligence, infatti, è un ramo della computer science che studia lo sviluppo di sistemi hardware e software dotati di capacità tipiche dell’essere umano ovvero:
- interazione con l’ambiente
- apprendimento e adattamento
- ragionamento
- pianificazione
Questi sistemi perseguono autonomamente una finalità definita. A fare la differenza è la loro capacità di imparare in maniera autonoma e di creare conoscenze invece di ripetere semplicemente le informazioni che ricevono. In che modo lo fanno? E quanto è affidabile una macchina rispetto alla sensibilità e alla capacità di discernere di un uomo? Quanto è sicura e attendibile l’elaborazione delle informazioni che la macchina ha raccolto nel suo ciclo di vita rispetto all’esperienza e alla competenza di un professionista? Cerchiamo in questa guida di capire meglio tecnologia, funzioni e applicazioni.
Caratteristiche dell’Intelligenza Artificiale (AI) e sue funzionalità
Per capire meglio il connubio tra ciò che si definisce intelligenza e ciò che viene definito come artificiale è necessario addentrarsi nella classificazione delle funzioni di tipo sintetico e di tipo astratto che fanno capo ai principi cognitivi tipici dell’essere umano. Ragionamenti e meta-ragionamenti vengono presi come ispirazione per costruire dei modelli computazionali in grado di emulare forme di pensiero e di azione affini a quelle dell’uomo. Tanto è più complesso e avanzato il modello, tanto più riesce a integrare la componente cognitiva legata ai nostri 5 sensi: vista, udito, tatto, olfatto e gusto.
Partendo dai meccanismi di funzionamento del cervello umano oggi conosciuti, l’Intelligenza Artificiale lavora in emulazione, permettendo alle macchine di:
- Agire umanamente: compiere azioni nello stesso modo in cui lo farebbe l’uomo come, ad esempio, sollevare, tagliare, raccogliere, limare, verniciare e così via
- Pensare umanamente: risolvere un problema attraverso l’uso di algoritmi capaci di elaborare le informazioni analogamente a quanto succede attraverso i meccanismi cognitivi umani
- Pensare razionalmente: usare processi logici analogamente a quanto farebbe un essere umano, per fare scelte tra più opzioni o interpretare informazioni per prendere decisioni
- Agire razionalmente: elaborare le informazioni a disposizione per attivare un processo finalizzato a ottenere il miglior risultato in modo equivalente a quanto farebbe un essere umano
Differenze tra Intelligenza Artificiale debole e forte
A seconda del livello di programmazione e di gestione dei dati, l’Intelligenza Artificiale viene classificata in due macro filoni: quello dell’AI debole e quello dell’AI forte:
- Intelligenza Artificiale debole (weak AI)
L’AI debole è costituita da quei sistemi tecnologici che riescono a simulare solo alcune funzionalità cognitive dell’uomo. In sintesi, si tratta di programmi matematici di problem-solving per la risoluzione di alcune criticità funzionali, che permettono alle macchine di prendere alcune decisioni. - Intelligenza Artificiale forte (strong AI)
L’AI forte si riferisce ai cosiddetti sistemi sapienti che, senza emulare processi di pensiero o capacità cognitive simili all’uomo, sono comunque in grado di sviluppare una propria intelligenza in modo autonomo.
Cosa sono reti neurali e sistemi esperti
È a questo proposito che si fa riferimento alle cosiddette reti neurali artificiali, ovvero a quei modelli matematici composti da neuroni sintetici, che emulano le reti neurali biologiche, umane o animali, e che vengono utilizzate per risolvere problemi in modo più spinto attraverso l’Intelligenza Artificiale.
Le interconnessioni che derivano da questi neuroni artificiali unitamente all’uso di processi di calcolo parallelo (PDP – Parallel Distributed Processing) si basano sull’applicazione di quanto appreso dalla scienza cognitiva. Il cervello umano, infatti, elabora le informazioni che arrivano da vari sensi in modo parallelo, distribuendo le informazioni in tutti i vari nodi della rete, non in un’unica memoria centrale. Un sistemi esperto è un’applicazione dell’AI che riproduce artificialmente le prestazioni di una persona esperta di un determinato dominio di conoscenza o campo di attività, capitalizzando ogni tipo di informazione e di ragionamento. Ecco perché si parla a questo proposito di cognitive computing, in riferimento a tutti quegli strumenti che consentono di riprodurre a grandi linee il funzionamento del cervello umano, riuscendo ad apprendere e interagire naturalmente con chi li usa. A questo proposito di fa riferimento a due derive tecnologiche dell’Intelligenza Artificiale: il machine learning e il deep learning.
Machine Learning e Deep Learning: quali sono le differenze?
A fronte di una elevatissima quantità ed eterogeneità di dati e di variabili, i vantaggi di affidare a un programma una decisione non è solo la velocità ma la capacità di autoapprendimento intrinseca all’Intelligenza Artificiale. Se il Machine Learning può essere definito come il metodo che allena l’AI, il Deep Learning è invece il metodo che cerca di emulare la mente dell’uomo. Vediamo, in sintesi, come e perché.
Che cos’è il Machine Learning? È un sottogruppo dell’Intelligenza Artificiale grazie a cui le macchine hanno la capacità ricevere una serie di dati e di modificare gli algoritmi man mano che ricevono più informazioni su quello che stanno elaborando. In altre parole, si tratta di sistemi che servono ad allenare l’AI che, imparando, attua azioni correttive degli errori per svolgere sempre meglio i propri compiti. Questo è il motivo per cui un sinonimo di machine learning è sistema di apprendimento automatico: la macchina è capace di adattarsi e migliorarsi senza che sia necessaria una riprogrammazione da parte dell’uomo. Automatizzando la costruzione di un modello analitico, il Machine learning usa reti neurali, modelli statistici e ricerche operative per trovare informazioni nascoste nei dati, potendo rispondere così anche a nuovi input esterni. In che modo una macchina autoapprende? In base a una diversa applicazione degli algoritmi, declinata su diversi approcci.
- Con supervisione didattica
L’apprendimento avviene mediante esempi di input e di output che fanno capire ai sistemi di AI come comportarsi - Senza supervisione didattica
L’apprendimento non ha una supervisione didattica ma viene fatto attraverso l’analisi dei risultati. Il modello di apprendimento si adatta sulla base di una serie di output che permettono di mappare i risultati di determinate azioni per aiutare i sistemi a perfezionare i loro compiti - Tramite Reinforcement learning
L’apprendimento è di tipo meritocratico: quando raggiunge gli obiettivi, la macchina viene premiata: in questo modo impara dai punti guadagnati quali sono le azioni corrette e quelle errate
Un esempio classico di machine learning? Un sistema di visione artificiale, capace di riconoscere gli oggetti ripresi da una videocamera: l’algoritmo, infatti, riesce a distinguere tra animali, persone e cose, memorizzando nuove situazioni che vanno ad accrescere la sua conoscenza.
Che cos’è il Deep Learning? È un altro sottogruppo dell’Intelligenza Artificiale sempre relativa ai sistemi di apprendimento automatico. In questo caso parliamo di modelli di apprendimento ispirati alla struttura ed al funzionamento del cervello biologico e, quindi, della mente umana. Oltre a emulare l’interconnessione dei vari neuroni, questo tipo di programmazione include sistemi di logica induttiva, reti neurali e capacità elaborative potenti per reggere calcoli paralleli e analisi, analogamente a quanto avviene tra le connessioni neurali del cervello umano).
Un esempio di deep learning? Sono i chatbot: questi sistemi, infatti, capaci di riconoscere e utilizzare il linguaggio naturale dell’uomo, comprese le capacità dialettiche (Nlp – Natural Language Processing): in questo modo si esce dalla tipica modalità binaria del sì o no per interagire con sistemi capaci di instaurare un dialogo fondato su una serie di correlazioni.
Internet of Things e AI: verso l’AIIOT (e oltre)
L’Intelligenza Artificiale rappresenta una trasformazione digitale pervasiva, che si intreccia con altri mega trend digitali come il cloud e la IoT.
- Il cloud mette a disposizione un ecosistema di risorse che abilitano e accelerano l’analisi massiva dei dati.
- La IoT attiva una varietà di dispositivi e sensori connessi e comunicanti, che possono essere utilizzati come strumento di raccolta dati e come canali per veicolare servizi basati sull’Artificial Intelligence.
Grazie al contributo dell’Intelligenza Artificiale, quei dati provenienti dalla sensoristica avanzata che costituisce il carburante dell’Internet of Things stanno inaugurando tanti nuovi scenari. I video, le immagini, il linguaggio, il traffico di rete e i dati provenienti da videocamere, tag RFID, NFC e sensori di ogni tipo sono materiale informativo prezioso che consente di elaborare nuovi algoritmi sempre più sofisticati e precisi.
Si pensi solo ai dispositivi indossabili (wearable technologies) applicati in ambito industriale: all’interno di una fabbrica (Smart Factory) è possibile raccogliere informazioni sull’ambiente di lavoro e, in maniera del tutto autonoma, comprendere se il lavoratore si sta esponendo a una situazione di pericolo, i modo da poterlo allertare tempestivamente.
Gartner, non a caso, ha individuato i 10 tech topic che guideranno lo sviluppo dell’Internet of things dal 2018 al 2023: al primo posto troviamo proprio l’Intelligenza Artificiale.
Applicazioni dell’Intelligenza Artificiale nell’IoT (in Italia e nel mondo)
L’Osservatorio Artificial Intelligence del Politecnico di Milano ha classificato e mappato i diversi ambiti applicativi dell’AI in Italia.
- Autonomous Vehicle: si riferisce a qualunque mezzo a guida autonoma adibito a qualunque tipo di trasporto su strada, acqua o aria, come la self-driving car o il veicolo per le consegne dei pacchi a domicilio.
- Autonomous Robot: robot dotati di bracci meccanici antropomorfi, in grado di muoversi, manipolare oggetti ed eseguire azioni senza intervento umano, traendo informazioni dall’ambiente circostante e adattandosi a eventi non previsti o codificati. A un livello più evoluto ci sono robot che si ispirano alla fisionomia sia dell’uomo che di alcuni animali (in grado di arrampicarsi o a muoversi anche in situazioni estreme).
- Intelligent Object: tutti quelli oggetti, dagli occhiali alla valigia, in grado di eseguire azioni e prendere decisioni senza richiedere l’intervento umano, interagendo con l’ambiente circostante tramite sensori (termometri, videocamere…) e attuatori e apprendendo dalle azioni delle persone che interagiscono con essi.
- Virtual Assistant e Chatbot: I sistemi più evoluti sono capaci di comprendere tono e contesto del dialogo, memorizzare e riutilizzare le informazioni raccolte e dimostrare intraprendenza nel corso della conversazione. Questi sistemi sono sempre più utilizzati come primo livello di contatto con il cliente nel per l’assistenza tramite il Customer Care aziendale.
- Recommendation: si tratta di soluzioni orientate a indirizzare le preferenze, gli interessi, le decisioni dell’utente, basandosi su informazioni da esso fornite, in maniera indiretta o diretta. Molto usate nell’eCommerce o nei servizi di video e musica (i suggerimenti di Amazon, Netflix e YouTube sono un esempio), possono collocarsi in punti differenti del customer journey o, più in generale, del processo decisionale.
- Image Processing: sistemi in grado di effettuare analisi di immagini o video per il riconoscimento di persone, animali e cose presenti nell’immagine, il riconoscimento biometrico e, in generale, l’estrazione di informazioni dall’immagine/video. Ad esempio, sono in uso applicazioni per il monitoraggio dei locali tecnici da parte delle utility, o per la valutazione dei danni auto negli incidenti nelle assicurazioni.
- Language Processing: prevede capacità di elaborazione del linguaggio, per la comprensione del contenuto, la traduzione, fino alla produzione di testi in modo autonomo, a partire da dati o documenti forniti in input.
- Intelligent Data Processing: in questa categoria ampia rientrano tutte quelle soluzioni che utilizzano algoritmi di intelligenza artificiale su dati strutturati e non per estrarre informazioni: ne sono esempio i sistemi per la rilevazione delle frodi finanziarie, la ricerca di pattern, i sistemi di monitoring e controllo, l’analisi predittiva (Predictive Analysis).
Dai Big Data ai Modern Analytics in azienda
Nell’era della data economy la gestione di grandi moli di dati (Big Data Management) è la chiave per ottimizzare processi e servizi. Integrando in azienda tecniche di acquisizione di dati da più fonti, interne ed esterne all’organizzazione, infatti, è possibile alimentare ed istruire sistemi di Intelligenza Artificiale. In che modo? Correlando dati, eventi, comportamenti ed abitudini attraverso sistemi più moderni di analisi è possibile affinare sistemi di Intelligenza Artificiale sempre più strategici. Incrociando le informazioni più disparate come, ad esempio, log delle macchine, ovvero report statistici che tracciano lo storico del funzionamento dei macchinari e dei sistemi, dati relativi alle performance di filiera, dataset relativi a studi di settore comparativi, informazioni contestuali (come temperatura e altri fattori esterni che possono influenzare le prestazioni e l’usura dei componenti), input ottenuti in real time dalle interazioni con altri oggetti e con il mondo fisico tramite sensori di ogni tipo, l’Intelligenza Artificiale riesco a combinare e confrontare in tempo reale le ricorrenze e le eccezioni, incrociando i fattori su più livelli per lanciare calcoli probabilistici finalizzati a fare previsioni per identificare risposte e azioni. È così che i sistemi sono in grado di prevedere guasti, disservizi e malfunzionamenti, consentendo alle aziende di passare da una manutenzione basata su interventi periodici e non sempre necessari (manutenzione protocollare) a una manutenzione predittiva. Sarà la stessa macchina ad avvisare, tramite un punteggio predittivo, quali criticità e con quali probabilità possono verificarsi, inoltrando notifiche agli operatori che possono valutare la situazione, verificare e intervenire.
Analogamente può avvenire nell’ambito della prevenzione dei rischi: per capire in anticipo eventuali attività fraudolente i sistemi effettuano analisi anche molto sofisticate per rilevare eventuali attività anomale o malevole, andando a contrastare in maniera più veloce ed efficace il cybercrime.
Predictive Maintenance e Intelligenza Artificiale: analitiche sempre più smart
I casi di implementazione dell’Intelligenza Artificiale nell’ambito manifatturiero si estendono lungo tutta la catena del valore del ciclo produttivo. Le aziende che hanno capito come trarre valore dai dati, oltre a focalizzarsi sul recupero di efficienza stanno imparando i vantaggi associati alle predictive analytics. La manutenzione predittiva (Predictive Maintenance), infatti, oltre a consentire una visione in tempo reale di reti, macchinari, dispositivi, output e processi in funzione delle diverse variabili che coinvolgono la filiera, permette di prevedere di ognuno andamento e comportamento. Gli algoritmi intelligenti elaborano velocemente tutta una serie di informazioni tali da permettere di anticipare eventuali usure e/o anomalie in modo da scatenare una reazione proattiva. È in questo modo che è possibile evitare interruzioni alla continuità operativa (business continuity) o rischi per la sicurezza di cose, animali e persone.
Coniugando Internet of Things e Intelligenza Artificiale le aziende non solo rendono le cose connesse e comunicanti ma introducono un tipo di automazione a grande valore aggiunto, potendo contare su dati diversificati e qualificati. Gli oggetti, infatti, non solo sono geolocalizzati ma sono in grado di misurare i propri parametri e comunicare il loro stato effettivo in ogni momento, garantendo massima trasparenza relativamente a tutti i meccanismi e a tutte le dinamiche sottese che vengono prese in carico da sistemi capaci di effettuare analisi sempre più spinte finalizzate a migliorare sempre meglio i processi.
Robotica industriale: cos’è e come funzionano i robot nelle aziende
L’Intelligenza Artificiale è diventata anche l’anima più smart della robotica industriale. La definizione corretta di robot industriale? Manipolatore programmabile multiscopo per la movimentazione di materiali, di attrezzi ed altri mezzi di produzione, capace di interagire con l’ambiente nel quale si svolge il ciclo tecnologico di trasformazione relativo all’attività produttiva.
Nata come branca dell’ingegneria meccatronica, oggi la robotica industriale è una disciplina in cui convergono automazione, informatica, IoT unitamente a nuove tecniche di programmazione che utilizzano sistemi di Intelligenza Artificiale. L’Industria 4.0, infatti, nel suo percorso di sviluppo prevede l’inserimento regolare e non aggressivo di impianti e robot dotati di Intelligenza Artificiale all’interno delle fabbriche. In questo modo, grazie alla AI i robot industriali non solo lavoreranno per l’industria al fine di realizzare un prodotto finito o un servizio, ma troveranno soluzioni ai problemi posseduti all’interno del ciclo produttivo, apportando miglioramenti anche in termini di risparmio di energia e/o di tempo. Una volta trovata la soluzione o il miglioramento, il robot sarà persino in grado di comunicare a tutti gli altri componenti del sistema il riallineamenti di una o più procedure.
Bracci meccanici, Iot e Intelligenza Artificiale
Grazie a una progettazione dei bracci meccanici robotizzati tramite giunti (oggi si punta a utilizzare quelli sferici, che consentono massima libertà rispetto alla rotazione degli assi), l’uso di sensori integrati e/o distribuiti negli ambienti dove operano questo tipo di soluzioni, i robot grazie all’Intelligenza Artificiale perfezionano lo svolgimento dei compiti a loro assegnati andando al contempo a incrementare la sicurezza operativa. Tra le caratteristiche dei robot industriali di nuova generazione, infatti, si evidenzia una maggiore:
- versatilità di impiego
- adattabilità a situazioni non note a priori
- precisione di posizionamento
- ripetibilità di esecuzione
Come interfaccia si utilizzano cabinet con elettronica di comando per il controllo dei robot o, nelle versioni più evolute una tech-box o un tablet rugged su cui girano gli applicativi di riferimento.
In che ambiti vengono utilizzati i robot industriali? ecco gli esempi più noti:
- manipolazione (pick-and-place)
- montaggio (assembly)
- verniciatura
- saldatura ad arco
- saldatura a punti con pistola pneumatica o servo-assistita
- saldatura e taglio laser
- incollaggio e sigillatura
- asservimento di presse
Nei magazzini i robot si declinano in AGV (Automated Guidance Vehicle): si tratta di sistemi filoguidati o telepilotati attraverso una guida laser (che stabilisce l’assegnazione dei percorsi) o un sistema più intelligente di guida autonoma assistita. Grazie all’uso dei sensori e a sistemi legati ai cosiddetti Intelligent Transport Systems, all’interno e all’esterno dei magazzini circolano robot e droni che spostano pallet, carrelli, scatole, materiali e prodotti muovendosi in tutta sicurezza, riducendo così la fatica della forza lavoro umana.
Automazione e Artificial Intelligence, tra limiti e opportunità
Dietro all’Artificial Intelligence, infatti, lavorano parametri ideati e standardizzati originariamente dall’uomo che hanno, come caratteristica distintiva, la capacità di evolvere in maniera (relativamente) autonoma. Le macchine, dunque, svolgono attività intelligenti in specifici dominii e ambiti applicativi, continuando ad apprendere. Più un sistema e in uso, più è in grado di affinare sempre meglio le modalità di intervento e di servizio a cui la macchina è preposta.
Il limite dell’Intelligenza Artificiale è di essere… artificiale. Anche le soluzioni migliori, i sistemi più brillanti, non faranno delle soluzioni di AI l’equivalente di un essere umano: saranno, sempre e comunque, strumenti. Il loro compito è di assolvere attività di servizio, liberando le persone da alcune attività ripetitive e a basso valore aggiunto, o attività più pericolose (si pensi in fabbrica a tutti gli ambienti cosiddetti rugged, con temperature estreme o nel caso vengano utilizzate sostanze chimiche in maniera massiva come, ad esempio, certi sistemi di verniciatura).
L’Industria 4.0 valorizza l’attività dell’uomo che si dovrà occupare di tutto il reparto manageriale e organizzativo mentre ai robot sarà affidato il reparto operativo. Al momento i robot industriali e i sistemi di Intelligenza Artificiale lavorano di concerto con figure altamente specializzate in campo informatico ed esperte di automazione industriale. Il sistema di interazione che generalmente è previsto nei robot è di tipo touch, come ormai lo è la generalità dei dispositivi elettronici e tecnologici, anche al di fuori del campo industriale.
Lo stato dell’arte dell’Intelligenza Artificiale in Italia: a che punto siamo?
Secondo i dati dell’Osservatorio Artificial Intelligence del Politecnico di Milano, in Italia solo il 12% delle imprese ha portato a regime almeno un progetto di Intelligenza Artificiale. Ad oggi un’azienda su due non si è ancora mossa ma sta per farlo (l’8% è in fase di implementazione, il 31% ha in corso dei progetti pilota, il 21% ha stanziato del budget). Tra chi ha già realizzato un progetto, quasi 7 aziende su 10 (68%) afferma di essere soddisfatta dei risultati. Le applicazioni più diffuse in Italia? Sono quelle di Virtual Assistant/Chatbot. Le imprese italiane però hanno una visione ancora confusa delle opportunità dell’Artificial Intelligence: la maggioranza, il 58%, la associa una tecnologia capace di replicare completamente la mente umana (un concetto che ha poco a che fare con i risvolti pratici della disciplina), il 35% a tecniche come il Machine Learning, il 31% ai soli assistenti virtuali, mentre solo il 14% ha compreso che l’AI mira a replicare specifiche capacità tipiche dell’essere umano (la visione prevalente nella comunità scientifica).
“La ricerca evidenzia un mercato dinamico ma ancora agli albori, caratterizzato da una scarsa consapevolezza da parte delle imprese delle opportunità dell’Artificial Intelligence – affermano Nicola Gatti, Giovanni Miragliotta e Alessandro Piva, Direttori dell’Osservatorio Artificial Intelligence -. Tutti gli attori del mercato devono prendere posto ai blocchi di partenza per una trasformazione di cui non si conoscono ancora appieno le regole e la durata, ma di cui si comprendono già l’enorme portata e le implicazioni”.
Intelligenza Artificiale in pratica: a cosa serve e vantaggi per le aziende
L’obiettivo dell’Intelligenza Artificiale? Consentire alle macchine (e, in particolare, ai calcolatori) di analizzare più rapidamente di una persona una serie di dati e di informazioni per elaborare meccanismi decisionali, risolvere problemi o svolgere compiti e attività routinarie in maniera autonoma.
L’Intelligenza Artificiale nell’immaginario collettivo viene associata ad androidi e creature sintetiche mutuate dalla letteratura Sci-Fi (Science Fiction). Uscendo dalle fabbriche e passando dalla teoria fantascientifica alla realtà quotidiana, dietro alle auto senza guidatore, i piloti automatici degli aerei o agli assistenti vocali come Siri di Apple, Cortana di Microsoft o Alexa di Amazon lavorano programmi di Intelligenza Artificiale.
Una serie di algoritmi intelligenti, capaci di capire e profilare i nostri gusti, quando navighiamo su un sito ci suggeriscono i prodotti da acquistare o i film e i brani musicali da scegliere. In generale, le applicazioni in grado di integrare IoT e Intelligenza Artificiale sono innumerevoli, attraverso un binomio che porta innovazione in qualsiasi settore: aziende, pubbliche amministrazioni e consumatori. Si pensi ad esempio ai camerini dei negozi dotati di display trasparenti e touch (Smart Retail), in grado non solo di fornire in tempo reale tutte le informazioni richieste dall’utente, ma anche, grazie ai nuovi algoritmi di Intelligenza Artificiale, di comprenderne nel tempo le preferenze e mostrare i prodotti di maggiore interesse.
Un’altra applicazione dell’Intelligenza Artificiale sono i chatbot tramite cui gli utenti conversano per ricevere risposte alle loro domande. Gli algoritmi intelligenti arrivano a riconoscere il volto di una persona per abilitare un accesso, smistare i automatico dei documenti in base al contenuto, raccogliere frutti maturi distinguendoli da quelli non maturi (Smart Agricolture), supportare i medici nella lettura delle immagini radiografiche e nelle diagnosi (Smart Health), filtrare i curriculum per selezionare il candidato ideale. In questi casi il termine corretto è roboboss.
Roboboss: che cosa sono e a che cosa servono
Sia chiaro: i roboboss non sono davvero dei capi, ma strumenti applicati in tutte quelle aree in cui il supporto dell’uomo non porta un valore aggiunto. Anche perché, dal punto di vista dell’autorità e del carisma, sebbene possano svolgere la maggior parte del lavoro computazionale, i roboboss non hanno la rispettabilità necessaria per comandare o ispirare le persone ad agire (cosa che invece i veri capi sanno fare). Avere per capo una macchina, infatti, non motiva le persone.
In che cosa l’Intelligenza Artificiale associata ai roboboss sarà sempre più utile all’uomo? Nelle attività cosiddette di micro-management. Si tratta, sempre e comunque, di programmi progettati dall’uomo per l’uomo, svolgendo le attività che gli permetteremo di fare. Ad esempio, validare velocemente una grande quantità di refertazioni (dove lo specialista umano interviene non appena il sistema intercetta anomalie rispetto ai parametri preimpostati). Oppure individuare procedure non conformi in alcuni processi così come a gestire i picchi di lavoro. Ad esempio a supportare i processi produttivi nel controllo qualità (dove l’uomo a campione opera verifiche tradizionali) oppure a identificare i colli di bottiglia e via dicendo. Insomma, senza sostituire le funzioni di gestione più alte, i roboboss diventeranno sempre più comuni nelle aziende.
