La quantificazione dell’incertezza

Feb 20, 2024 | Empowering skills

Quando parliamo di intelligenza artificiale predittiva è necessario introdurre il concetto di quantificazione dell’incertezza, ossia della previsione non solo dei risultati per cui stiamo utilizzando l’AI, ma anche dei possibili errori di valutazione (o previsione) dell’intelligenza artificiale stessa.

I sistemi che si basano sull’intelligenza artificiale e sul machine learning hanno infatti un certo grado di potenziale errore, che tuttavia può essere ridotto (sino a cancellarlo) grazie alle capacità di apprendimento dei modelli stessi. Il concetto di machine learning indica infatti la capacità della macchina di imparare, senza il bisogno di correzioni o ulteriori addestramenti da parte dell’uomo.

Tuttavia, nonostante sul lungo termine il modello predittivo basato sull’intelligenza artificiale tenda alla perfezione, nel breve termine un determinato progetto potrebbe non potersi permettere di compiere errori, o non avere il tempo per lasciare che le macchine migliorino e sviluppino i propri processi di apprendimento, per questo motivo si parla di quantificazione dell’incertezza.

Che cosa si intende con quantificazione dell’incertezza?

L’UQ, uncertainity quantification, serve a misurare l’affidabilità dei modelli predittivi basati sull’intelligenza artificiale, prevedendo eventuali possibili errori del sistema di machine learning.

Non si tratta solamente di stimare la qualità e la quantità degli errori.

La quantificazione dell’incertezza prevede lo sviluppo di un vero e proprio sistema di AI parallelo a quello utilizzato dal sistema principale, con l’unico scopo di monitorare l’incertezza. Un processo che può avvenire in due modi. Il sistema parallelo può avere infatti il compito di monitorare gli esiti delle previsioni, catalogando gli errori per riprogrammare il sistema principale e diminuendo la quantità di incertezza; oppure, metodo maggiormente utilizzato perché consente risultati più concreti, lasciare che il sistema principale si sviluppi pienamente, arrivando effettivamente a compiere degli errori ed evitando riprogrammazioni, lasciando quindi che gli eventi accadano per poter fare un’analisi maggiormente approfondita e ricalibrare il rapporto previsione-incertezza.

Quindi l’analisi predittiva è affidabile o incerta?

Nonostante si parli di quantificazione dell’incertezza, ciò non significa che l’analisi predittiva non sia affidabile, anzi.

Quantificare l’incertezza di un modello predittivo è un modo per rendere il modello stesso più affidabile, preparandosi a potenziali errori e imprevisti (che sono presenti in quantità maggiore anche senza la progettazione assistita da AI) ed essendo quindi pronti a porre un rimedio; una pratica che, come detto, consente inoltre di migliorare i processi di analisi nel medio lungo termine, rendendo l’analisi predittiva uno strumento estremamente potente, indipendentemente dal campo di applicazione.

L’analisi dell’incertezza è fondamentale considerando che l’AI potrà essere utilizzata concretamente per permettere agli autoveicoli di guidare in maniera autonoma o per effettuare diagnosi in campo medico. Settori in cui l’errore, tanto umano quanto delle macchine, rischia di pagarsi a caro prezzo. Per questo motivo lo studio e la quantificazione dell’incertezza sono fondamentali per lo sviluppo dell’AI e per la sua integrazione sempre più efficace e sicura nella nostra quotidianità.