Framework dei processi decisionali e modelli di IA

Obiettivi di apprendimento

Al completamento di questa unità, sarai in grado di:

Elencare tre modelli di processi decisionali.
Spiegare in che modo è possibile applicare framework decisionali basati sui dati a situazioni del mondo reale.
Descrivere tre modelli di IA fondamentali e le loro applicazioni.
Riconoscere il bias e assicurare l'equità dei dati e dei modelli di IA.

Passiamo ai modelli di processo decisionale, ai framework basati sui dati, ai modelli di IA e alla necessità fondamentale di affrontare i problemi relativi a bias ed equità in ognuno di essi.

Modelli di processo decisionale

Esiste un ampio spettro di modelli e teorie relativi ai processi decisionali. Questi framework sono pensati per aiutare organizzazioni e singoli individui a prendere decisioni più informate, obiettive ed efficaci in base a prove empiriche.

Ecco alcuni dei modelli principali.

Modello razionale: questo modello parte dal presupposto che gli individui prendono decisioni logiche e coerenti ponderando tutte le possibili alternative e selezionando quella che offre la maggiore utilità. La razionalità è l'elemento centrale di questo modello e mira a fare la scelta ottimale.

Modello della razionalità limitata: la razionalità limitata riconosce che, negli scenari della vita reale, i responsabili delle decisioni operano con informazioni limitate e vincoli cognitivi e prendono quindi decisioni che sono "sufficienti" piuttosto che mirare alla scelta ottimale.

Processo decisionale intuitivo: il processo decisionale intuitivo si affida agli istinti e alle esperienze personali. Viene spesso utilizzato quando è necessario prendere decisioni rapide o in presenza di informazioni incomplete.

Framework decisionali basati sui dati

I framework decisionali basati sui dati forniscono un approccio strutturale al processo decisionale, utilizzando i dati come fattore principale. Ecco due dei principali framework decisionali utilizzati nel settore.

Strumento	Che cos'è?
Alberi decisionali	Queste rappresentazioni grafiche aiutano a visualizzare e a valutare le scelte decisionali, gli esiti e le probabilità.
Matrice di Pugh	Questa matrice decisionale aiuta a confrontare più alternative quantificando i criteri e valutandone l'impatto.

Albero decisionale

Un albero decisionale fornisce un approccio sistematico alle scelte o alle decisioni basato su un insieme di criteri e, attraverso un metodo strutturato, permette di valutare le diverse opzioni e i loro potenziali risultati, consentendo di selezionare la linea d'azione più appropriata. Gli alberi decisionali sono composti da nodi e rami, dove i nodi rappresentano decisioni o scelte e i rami rappresentano possibili risultati o conseguenze.

Ad esempio, un albero decisionale può aiutare a determinare se una partita di calcio deve essere giocata (sì o no) in base alle condizioni meteorologiche. Può mostrare che, se il tempo è soleggiato, è necessario controllare il grado di umidità e che, se quest'ultimo è alto, non è il caso di giocare; se invece è basso, allora si può giocare; oppure: se il tempo è nuvoloso, si può giocare, e così via, in base alle diverse condizioni.

Questo framework viene comunemente utilizzato in ambito commerciale, finanziario, sanitario e nel machine learning, per modellare i processi decisionali e ottimizzare le scelte in base ai dati e alla logica.

Esempio di albero decisionale per determinare se una partita di calcio deve essere giocata.

Matrice di Pugh

La matrice di Pugh, nota anche come Metodo di Pugh o matrice decisionale, è uno strumento decisionale che può essere utilizzato per valutare e confrontare più opzioni o alternative in base a un insieme di criteri. Questo metodo fornisce un approccio sistematico per prendere decisioni informate quantificando e assegnando un punteggio alle diverse opzioni. Questo metodo è stato sviluppato da Stuart Pugh, ingegnere e teorico della progettazione britannico.

La matrice di Pugh consente di prendere decisioni razionali considerando in modo strutturato più fattori e la loro importanza relativa. L'esempio di matrice di Pugh riportato di seguito mostra dei criteri che partono da una base di riferimento pari a 0, con alternative che vengono confrontate alla base e valutate come positive (+), negative (-) o uguali (0). Le valutazioni vengono sommate per ordinare e ottimizzare le soluzioni. Questo metodo è uno strumento molto utile in campi come l'ingegneria, la progettazione di prodotti e la gestione aziendale.

Esempio di matrice di Pugh

Questi framework decisionali basati sui dati consentono di fare scelte oggettive basate su prove concrete.

Nella logistica e la gestione della supply chain, è possibile applicare i framework decisionali basati sui dati per ottimizzare il movimento delle merci. Le aziende possono utilizzare i dati relativi ai livelli delle scorte, le previsioni relative alla domanda, i costi di trasporto e i tempi di consegna per prendere decisioni sui percorsi di spedizione, le opzioni di stoccaggio e i punti di riordino più efficienti sotto il profilo dei costi. In questo modo possono abbassare i costi, ridurre i casi di esaurimento delle scorte e assicurare che i prodotti vengano consegnati ai clienti in modo efficiente.

Introduzione ai modelli di IA

Passiamo ai modelli di IA. Come abbiamo visto, l'intelligenza artificiale e il machine learning (IA/ML) sono strumenti potenti che possono supportare i processi decisionali.

Tipi di modelli di IA

I principali tipi di modelli di IA sono tre: apprendimento supervisionato, apprendimento non supervisionato e apprendimento per rinforzo.

I modelli di machine learning supervisionato sono addestrati con set di dati etichettati, che consentono ai modelli di apprendere e diventare sempre più accurati con il passare del tempo. Ad esempio, un algoritmo viene addestrato con immagini di cani e di altri oggetti, tutti etichettati da esseri umani, e la macchina impara a identificare autonomamente le immagini di cani. Il machine learning supervisionato è il tipo attualmente più utilizzato.

Nel machine learning non supervisionato, un programma cerca dei pattern all'interno di dati non etichettati. Il machine learning non supervisionato può individuare pattern o tendenze che non sono oggetto di ricerca. Ad esempio, un programma di machine learning non supervisionato può passare al setaccio i dati delle vendite online e identificare diversi tipi di clienti che effettuano acquisti.

Con il machine learning per rinforzo le macchine vengono addestrate attraverso un processo di tentativi ed errori che prevede un sistema di premi, per fare in modo che intraprendano l'azione più appropriata. L'apprendimento per rinforzo può essere utilizzato per addestrare modelli a utilizzare giochi oppure per addestrare veicoli alla guida autonoma, indicando alla macchina quando ha preso la decisione giusta, aiutandola così ad apprendere nel corso del tempo quali azioni deve intraprendere.

I modelli di IA generativa utilizzano le reti neurali per identificare pattern e strutture all'interno di dati esistenti e generare contenuti nuovi e originali. Uno degli elementi innovativi dell'IA generativa è la sua capacità di sfruttare per l'addestramento diversi approcci all'apprendimento, tra cui l'apprendimento non supervisionato o semi-supervisionato. L'IA generativa utilizza tutte e tre le tecniche descritte sopra contemporaneamente.

Fai clic sulle schede relative ai casi d'uso per vedere come vengono utilizzati i modelli di IA nei processi decisionali in diversi settori. Osserveremo da vicino questi casi d'uso nella prossima unità.

Bias ed equità nell'IA

L'integrazione dell'intelligenza artificiale nei processi decisionali in diversi ambiti ha portato a progressi senza precedenti in termini di efficienza e accuratezza. Tuttavia, dal momento che l'IA sta diventando parte integrante della nostra vita, è necessario affrontare la questione del bias e dell'equità nei sistemi di IA. L'importanza di assicurare l'equità e di sostenere linee guida etiche non può essere enfatizzata abbastanza. Quando i sistemi di IA non vengono sviluppati e utilizzati in modo responsabile, possono sorgere pregiudizi, discriminazioni e dilemmi etici.

Riconoscere il bias e assicurare l'equità dei modelli di dati e di IA

Il termine bias si riferisce alla presenza di distinzioni o preferenze sistematiche e ingiuste che possono condurre a esiti discriminatori. Riconoscere il bias è il primo passo per contrastarne e mitigarne l'impatto: una volta identificato il bias, gli sviluppatori, i data scientist e gli utenti aziendali possono adottare misure correttive. Fai clic su ciascuna scheda per apprendere quali azioni le organizzazioni possono intraprendere per riconoscere il bias e promuovere l'equità nei modelli di dati e di IA.

In questa unità abbiamo visto diversi modelli di processi decisionali, framework basati sui dati e modelli di IA e constatato la necessità etica di mitigare il bias e promuovere l'equità. Nella prossima unità tratteremo applicazioni dell'IA in diversi scenari del mondo reale.