Non tutti i compiti di intelligenza artificiale richiedono un modello più avanzato: due domande che determinano come specializzarsi

In questo preciso momento, da qualche parte, uno dei modelli di intelligenza artificiale più avanzati al mondo sta leggendo un annuncio relativo a un frazionamento azionario. Darà la risposta giusta, ma lo stesso farebbe un modello di dimensioni e costo molto inferiori. È come se un vicepresidente facesse il lavoro di uno stagista.

L'intelligenza rimane il parametro di riferimento preferito del settore, eppure molti compiti di intelligenza artificiale presentano un limite massimo: un punto in cui un modello diventa “abbastanza intelligente” e i progressi verso un'intelligenza ancora maggiore iniziano a diminuire. Altri compiti non presentano alcun limite massimo. Nessuno dei due casi è adeguatamente soddisfatto da un modello standard. Il fatto che un compito abbia un limite massimo e che questo “rimanga costante” determina se sia opportuno specializzare il modello o il sistema che lo circonda.

Perché i modelli di IA specializzati dipendono dal compito da svolgere, non dal settore

La necessità di modelli specializzati deriva dall'attività, non dal settore. I settori stessi sono insiemi di innumerevoli attività.

Ad esempio, le aziende farmaceutiche si occupano della scoperta di nuovi farmaci, un ambito in cui una ricerca più approfondita e rapida, nonché una migliore analisi dell’ignoto, offrono vantaggi significativi. Le aziende farmaceutiche svolgono inoltre attività standardizzate su larga scala, con regole estremamente ben definite, come la codifica delle segnalazioni di eventi avversi.

In quest’ultimo caso, l’intelligenza aggiuntiva produce rendimenti decrescenti. Una volta che un modello diventa “abbastanza intelligente”, la specializzazione del modello, sotto forma di messa a punto per comprendere la relazione tra il feedback dei pazienti e i dizionari medici, diventa il vettore principale di valore. Nel caso della scoperta di farmaci, invece, l’intelligenza aggiuntiva è l’input fondamentale. Un modello più grande, migliore e più veloce può sempre apportare maggior valore all’attività. Attività come la scoperta di nuovi farmaci richiedono un’intelligenza artificiale all’avanguardia e rappresentano mercati enormi in cui l’aumento delle prestazioni dell’IA garantisce rendimenti illimitati.

Lo stesso vale per una società di trading quantitativo, dove l’individuazione di nuovi segnali di trading è analoga alla scoperta di nuovi farmaci. Ogni miglioramento in termini di informazioni può tradursi in un vantaggio di mercato e, in ultima analisi, in rendimenti. Tuttavia, la stessa società deve anche elaborare una miriade di operazioni societarie che arrivano sotto forma di annunci in formato testo libero. Si tratta di un lavoro standardizzato e ad alto volume, che difficilmente cambierà nel tempo. Esiste un’unica interpretazione corretta per un frazionamento azionario 2 per 1. È improbabile che un modello più grande e più intelligente offra vantaggi nell’individuare tale interpretazione.

Due domande che determinano se effettuare la messa a punto di un modello

Per capire in quali casi sia opportuno ricorrere a modelli specializzati, è necessario valutare due condizioni associate a qualsiasi attività:

• Questo compito premia ancora chi è più intelligente?
• Il compito è stabile? In altre parole, le sue regole, i suoi input e i suoi requisiti rimangono invariati?

I modelli specializzati sono più efficaci nei casi in cui la risposta sia “no” e “sì”; ovvero, nei casi in cui il compito sia già pienamente soddisfatto dai modelli attuali e in cui sia improbabile che il compito stesso subisca cambiamenti significativi. La codifica degli eventi avversi soddisfa entrambi i criteri. La scoperta di nuovi farmaci, invece, non soddisfa affatto il primo.

I costi e i benefici della messa a punto dei modelli di intelligenza artificiale

Per le attività standardizzate e ad alto volume descritte sopra, lo sviluppo di un modello specializzato offre vantaggi concreti. Il primo è il costo: quando un’attività viene eseguita milioni di volte, un modello di piccole dimensioni ottimizzato per quella specifica attività risulta più economico e veloce da eseguire rispetto a un modello Frontier. Il secondo è la coerenza: un modello addestrato su migliaia di esempi altamente specifici applicherà ogni volta una logica estremamente simile, se non identica, diventando sempre più prevedibile. Il terzo è il controllo: un’azienda può ospitare il proprio modello sulla propria infrastruttura, mantenendo i dati sensibili, come le cartelle cliniche dei pazienti o i dati finanziari, all’interno della propria struttura.

Tuttavia, non esistono pasti gratis. La messa a punto riduce il costo di esecuzione di un modello, ma allo stesso tempo aumenta il costo e il tempo necessari per costruirlo. Se il compito non cambia mai in modo sostanziale e non vi è alcun valore nell’integrare un modello di base futuro superiore, si tratta di un costo una tantum facilmente giustificabile. Tuttavia, le cose possono diventare costose se tali condizioni non sono soddisfatte. Ogni volta che il compito cambia o viene rilasciato un modello di base migliore, il modello specializzato deve essere riaddestrato. Pertanto, i vantaggi della creazione di modelli specializzati persistono solo quando il compito è stabile e i modelli attuali sono già sufficientemente validi da ammortizzare adeguatamente tale investimento.

Quando ottimizzare un modello e quando specializzare il sistema di intelligenza artificiale

Nel loro insieme, le due domande formulate in precedenza delineano il percorso da seguire per specializzarsi.

1. Abbastanza intelligente e stabile: specializzare il modello. Questo è il campo di applicazione delle attività sopra menzionate, come la codifica degli eventi avversi e le operazioni societarie. I fattori economici descritti in precedenza favoriscono la messa a punto e offrono la possibilità di ammortizzare l’investimento nell’arco di milioni di esecuzioni.
2. Tutto il resto: specializzare il sistema; la specializzazione del modello è solo una forma di personalizzazione. Se un compito continua a premiare l’intelligenza, incorporare le competenze nei pesi di un modello significa rianimarlo ogni volta che viene rilasciato un modello migliore. Se il compito continua a cambiare, significa rianimarlo ogni volta che il compito cambia. In entrambi i casi, è meglio che le competenze siano incorporate nei dati, negli strumenti e nei flussi di lavoro che circondano un modello che può essere sostituito. L’esempio precedente relativo alla scoperta di farmaci rientra in questa categoria. Richiede l’avanguardia, ma con dati proprietari e pipeline appositamente progettate.

Le due risposte non si escludono a vicenda. Anche un modello ottimizzato richiede comunque un sistema di supporto, e un sistema ben costruito può comunque ospitare componenti di un modello ottimizzato. Pertanto, sono le domande, e le risposte che ne derivano, a determinare dove si colloca il baricentro.

Clarity AII nostri compiti adottano l’approccio dei sistemi specializzati seguendo entrambe le vie. Alcuni dei nostri compiti continuano a premiare l’intelligenza all’avanguardia. Poiché la nostra piattaforma di estrazione dati è indipendente dal modello, siamo in grado di integrare nuovi modelli all’avanguardia in pochi giorni, ottenendo vantaggi che un modello ottimizzato avrebbe rinviato fino al riaddestramento. Esistono altre attività per le quali i modelli attuali sono “sufficientemente intelligenti”, ma troppo dinamici per essere incorporati in un modello specializzato su misura. Ad esempio, quando una modifica normativa cambia i requisiti delle metriche, dobbiamo solo modificare il contesto, le regole e le convalide, anziché riaddestrare il modello stesso. Realizzando un framework su misura, possiamo specializzare i nostri processi e comunque adattarci rapidamente di fronte ai cambiamenti.

Ogni implementazione seria di intelligenza artificiale è specializzata. È il compito a determinare se tale competenza risieda principalmente nel modello o nel contesto circostante. Affida il frazionamento azionario allo stagista e assegna al vicepresidente un team più qualificato.