Skip to main content

Come fanno le AI a leggerci nel pensiero (o così sembra)

(Image credit: Unsplash)

Un’intelligenza artificiale può credere nel libero arbitrio? Difficile rispondere, ma le aziende che applicano questa tecnologia credono di NO. Desideriamo con gli occhi, e questo un’AI lo sa. Siamo suscettibili a certi modi di dire, ed anche questo un’AI lo sa. Ci piacciono certe immagini più di altre, ed anche questo un’AI lo sa. In altre parole, le macchine sanno che siamo prevedibili molto più di quanto ne siamo consapevoli noi stessi. 

In ogni settore ormai le aziende sfruttano queste nostre debolezze per far si che un prodotto o un servizio diventi più remunerativo. Ed ecco una delle molte applicazioni dell’Intelligenza Artificiale: il Reccomendation System, la magica vetrina che ci dice “forse dovresti acquistare anche questo, seppur fino a questo momento non lo stavi nemmeno immaginando e non eri venuto su questo sito per acquistare davvero qualcosa, ma solo perché ti annoiavi”.

Come sappiamo, un'AI non è un ente senziente in grado di pensare e di applicare la furbizia per ingannare il consumatore. un'AI, quando si mette a dispensare consigli per gli acquisti,  è una costruzione della logica e della matematica, la quale avendo osservato milioni di consumatori, intuisce come indurne uno a spendere del denaro.

Per vedere all’opera questi sistemi di raccomandazione basta navigare online, ma è ovviamente nei siti dei negozi che si possono esprimere al meglio. 

Sarà capitato a tutti di entrare in un negozio, scegliere un paio di jeans e ricevere un suggerimento dalla commessa sorridente teso ed assestato a convincerci, quindi, dell’acquisto di una felpa che non avremmo poi indossato mai. Un sistema di Reccomendation lavora “contro di noi” allo stesso modo: si tratta di un sistema che, avendo osservato le debolezze di milioni di consumatori, comprende che se abbiamo acquistato degli auricolari wireless, proponendoci di acquistare un caricabatterie compatibile, un X% di noi seguirà la sua raccomandazione. Un sito con 1 milione di visitatori/ora, che ha il margine di 1 euro per vendita di quell’auricolare, se riesce a piazzare l’oggetto all’1% di questi, produce 240.000,00€ di guadagnai al giorno solo con questo, circa 7 milioni di euro di profitto mese.

Non che siano molti i negozi con un milione di visitatori ogni ora, ma l’esempio posto dovrebbe aiutare a comprendere di cosa, e di quanto denaro stiamo parlando. 

È un principio un po’ subdolo:si tratta di una “vendita al futuro” che sfrutta la nostra necessità di accumulazione. Ed eccoci, noi che ci sentiamo più brillanti di un'AI, almeno qualche volta (spesso in verità) ci caschiamo con tutte le scarpe. La necessità di fare provviste, come quella di giustificare un’azione, è un principio innato per l’uomo; ci accompagna dai momenti in cui ci rifugiavamo nelle caverne per scappare dai predatori; un'AI sfrutta questi meccanismi contro di noi per incrementare le vendite, sia incentivando bisogni latenti sia inventandone di inesistenti.

Non è un’invenzione recente né è una faccenda 100% digitale. Giusto o sbagliato che sia, succede ogni volta che entriamo in un negozio e, più in generale, ogni volta che qualcuno vuole venderci qualcosa. I sistemi di raccomandazione moderni sono semplicemente l’ultima tappa nello sviluppo delle tecniche di vendita, la cui storia è piuttosto vecchia.

Nel 1990, presso la Columbia University, i sistemi di raccomandazione nascevano in ambito librario: se “hai letto questo” probabilmente ti piacerà leggere anche “quest’altro”, e da allora lo sviluppo non si è più fermato. Nel 2010 c’è stato un salto evolutivo: questi sistemi sono stati applicati ai siti di incontri per adulti: “se ti piacciono le bionde, ecco guarda lei”, ma anche “se ti piacciono i muscolati, abbiamo anche lui”. La matematica prese il sopravvento. Dopotutto erano gli anni in cui nasceva Netflix, i gusti dei consumatori dovevano essere soddisfatti al meglio e nel modo più intuitivo possibile. Proprio in quegli anni abbiamo iniziato a capire cosa fare dei BigData: fino ad allora infatti ci eravamo preoccupati di accumularli, ma pochi sapevano come utilizzarli per trasformarli in denaro. 

Ma nella sua natura, cos’è un Sistema di Raccomandazione? Di fondo si tratta un sistema di predizione. Dato un consumatore che sta frugando sul sito, il sistema di predizione tenta di indovinare quale potrebbe essere il suo prossimo acquisto o, detta diversamente, quale potrebbe essere la trappola migliore per indurlo ad acquistare un oggetto qualsiasi, purché spenda. Potremmo dire che l’AI prende un rischio calcolato sulla base delle proprie esperienze, per tentare di indovinare cosa potremmo acquistare dopo. Come abbiamo già detto, tutti sappiamo che questo processo non avviene per alcuna intuizione furbesca dell’Intelligenza Artificiale, né per il lancio di una monetina che produca un indice aleatorio su cui fare una scommessa, né perché tutto ciò sia già stato scritto nel Libro dei Morti. Un’AI, o quantomeno un’AI come quelle oggi disponibili, si basa sull’esperienza e sull’osservazione di milioni di esseri umani. 

Dove iniziò tutto questo? Perché se un'AI non è furba in sé e per sé, e se abbiamo inventato i sistemi di Raccomandazione per i lettori accaniti, da dove nasce l’idea di usare gli algoritmi per indurre le persone a spendere di più? Potremmo senz’altro partire da quella storia con il serpente che mise una mela davanti a una coppia di consumatori, et voilà. E oggi, come fa un'AI a mettere davanti ai nostri occhi qualcosa che desideriamo o che potremmo desiderare più di altro? 

Un'AI si ciba di numeri, organizzati in tabelle lunghissime, perfettamente compilate e piene di numeri interi. Ogni numero intero esprime una caratteristica, un tratto, un carattere relativo al consumatore o al suo comportamento sul sito per il quale l’AI vuole dispensare consigli. Nell’esempio più classico di Reccomendation System, quello di un sito di e-commerce, il lettore può pensare queste tabelle come una lunghissima sequenza di tuple (per tupla intendiamo un certo numero di elementi che insieme costituisce un’informazione consistente), dove ciascuna tupla spiega cosa ha visto e cosa ha fatto ogni singolo utente, mossa per mossa. 

Navigando all’interno del sito quindi, per ogni singola pagina visitata, per ogni singola immagine visualizzata o recensione spulciata si aggiunge una riga nella mega-tabella che costituisce la vera Intelligenza della nostra affezionata AI. Sulla riga, l’insieme dei numeri interi spiega come il navigante sia giunto su quella specifica pagina, da quale nazione, mandato da chi, orario di inizio della visita, tempo medio di navigazione tra una pagina e l’altra, età, sesso, preferenze alimentari del navigante, etc. 

Non ci dilunghiamo sull’importanza di questi dati sul navigante, di quanto siano utili queste informazioni alla AI per effettuare la sua previsione sull’acquisto e perché società come Cambridge Analytica muovevano milioni di dollari con il mercificio illegittimo di queste informazioni. Restiamo concentrati su queste giga-tabelle che si vanno componendo mentre gli utenti navigano il sito di e-commerce. Per convenzione, proprio l’ultimo valore della tabella assume un significato molto importante per l’AI, 0 se non ha acquistato il prodotto, 1 se invece il navigante ha messo mano al portafogli.

Come un tenero cagnolino, ma con la matematica 

(Image credit: Unsplash)

Chi abbia mai posseduto un cane di grossa taglia sa quanto il canide si mostri sempre affamato, mangerebbe a qualsiasi ora, ma solitamente anche quando scodinzola e si mostra tenero, il 99% delle volte prende uno 0. Il cane ben presto impara che in determinati orari o occasioni riesce ad avere un 1 e cibarsi. 

Il Reccomendation System di un sito di e-commerce fa esattamente lo stesso, ma ci sono dei problemi. Il cane generalmente viene alimentato da uno o al massimo un paio di individui, mentre il Reccomendation System di un sito di e-commerce si alimenta con milioni di portafogli. C’è anche un altro problema: i consumatori sempre più spesso navigano moltissimo prima di scegliere ciò che realmente acquisteranno; osservano molti prodotti, confrontano svariate recensioni, consultano anche più siti di e-commerce, spesso ignari del fatto che in realtà si trovano sempre sullo stesso circuito e stanno producendo sempre righe per la stessa tabella, stanno contribuendo a nutrire la stessa AI, che sta insistentemente tentando di cibarsi del loro denaro. Ciò fa sì che il numero di 0 sia enorme, spropositato, esponenzialmente maggiore del numero di 1.

Qui serve la matematica. L’affezionata AI prende migliaia di elementi in ordine cronologico, i quali formano una sequenza di righe che terminano con 0, finché non ne trova una con 1 in fondo; questa è la Target-Time-Serie. 

Ma le righe a 0 sono troppe, appaiono caotiche e non indicano bene il dove ed il perché si riesca a verificare il fatidico 1; bisogna comprimerle. Questa operazione viene definita Down-Sampling: si raccolgono e si comprimono in tutti i modi possibili le righe che terminano con 0. Se ci pensate, raggruppando tutte le righe uguali ed aggiungendo un numero finale che ne indica il conto complessivo, il numero (cardinalità) delle stesse già si riduce molto. Eseguendo un’operazione semplice come questa, raccogliendo le sole righe uguali, la AI impara per esempio che ogni X volte che si verifica una certa sequenza ed ogni Y volte che se ne verifica un’altra subito dopo, la probabilità che la prossima riporti un 1 aumenta. Ecco, moltiplicate questa logica per tutte le singole visite avvenute sul sito di e-commerce, espandete il concetto ed otterrete una mappa mentale di ciò che pensa la sua AI. 

Ad esempio, l’AI potrebbe aver dedotto che tra le 13 e le 15, ogni 1000 visite di casalinghe, tra cui 100 di queste arrivino in fondo alla pagina per leggere le recensioni, allorquando la parola chiave più gettonata sul sito di e-commerce sia “aiuto per zittire le notifiche Facebook che mi stanno devastando il cervello”, l’articolo più venduto sarà la cover di titanio fono-assorbente che avvolge completamente il telefono, dunque la propone all’impazzata. Il nostro AI-serpente pubblicherà continuamente l’oggetto che in quel frangente, per gli utenti attivi, considera il più remunerativo, quello con la maggior probabilità di conseguire un 1 in quel contesto.

Ci conosce davvero? 

(Image credit: Unsplash)

Dunque un Reccomendation System non è generalmente un’anima buona o qualcuno che davvero ci conosce, quanto piuttosto un’entità fagocitatrice di numeri che usa la matematica contro di noi per spillarci del denaro, massimizzando il profitto del proprietario del server, il suo padrone. 

Il lettore dell’articolo ora forse guarderà con occhi diversi quelle infide segnalazioni “prodotti che hanno acquistato altre persone che hanno osservato questo articolo”, a ragione probabilmente. Ma bisogna considerare che un'AI non opera in modo così semplicistico e che l’illustrazione sopra rappresenta solo un esempio semplice. 

L’AI di un moderno sito di e-commerce gioca anche con il marketing e con la psicologia, imparando dalle sue tabelle ad applicare le tecniche più avanzate e raffinate del cross-selling, up-selling, down-selling, far leva su sconti immaginari ma di effetto, su immagini di cuccioli e bambini che sorreggono un prodotto e celestiali visioni di modelle dalla bellezza irreale che sembrano vivere solo per il prodotto che osservano. 

Oggi i neuroscienziati indicano ai Data-Scientist quali caratteristiche devono cogliere per inserirle nella giga tabelle. Orde di ricercatori creano modelli di analisi per infiniti cicli di elementi di N, plotoni di sviluppatori Python preparano software che somiglia alla soluzione di un Sudoku molto complesso, interi palazzi vengono adibiti a sale server per le nostre AI ed il pallido ricordo della commessa tentatrice la fa apparire buona e morale rispetto a questo Armageddon della spinta tentatrice all’acquisto. Ne abbiamo fatta di strada da quel viscido serpente che si aggirava in quel giardino! 

Caro lettore, solo un’ultima raccomandazione, hai letto l’ultima notizia sul processore che sta per cambiare la vita di tutti noi? Trovate il link in basso, basta un click per acquisire questa preziosa conoscenza. Te lo raccomandiamo.

Nicola Grandis, fondatore e CEO di ASC27, si occupa di AI e cybersecurity. Techradar lo ringranzia per lo sforzo divulgativo teso a spiegare l'Intelligenza Artificiale

Nicola Grandis, fondatore e CEO di ASC27, si occupa di AI e cybersecurity. Techradar lo ringranzia per lo sforzo divulgativo teso a spiegare l'Intelligenza Artificiale (Image credit: ASC27)