62 / 84
ingresso, senza necessità di ricorrere alle classificazioni
costruite dalle persone; eccellono anche nello sviluppo
di set di regole più efficienti per la classificazione degli
oggetti; eccellono nella capacità di tollerare rumori di
fondo, cambiamenti della localizzazione delle immagini,
delle frequenze delle voci, della sostituzione con sino-
nimo; eccellono nelle attività su livelli multipli utilizzando
collezioni delle collezioni di effetti, eccellono infine nell’i-
dentificazione di nuovi pattern mai anticipati dagli svilup-
patori. I Dnn, in particolare, lavorano al meglio quando
hanno a disposizione flussi informativi ricchi e articolati;
il loro comportamento è infatti in stretta relazione con
i dati effettivamente assimilati nel tempo. Per conclu-
dere una riflessione di metodo: resistere alla tentazione
di ascrivere caratteristiche umane a questa tecnologia
aiuta a non distorcere le proprietà specifiche; tra i rischi
diretti che si corrono ci sono infatti la sopravvalutazione
delle reali possibilità, la generalizzazione dei requisiti, la
mitizzazione di soluzioni funzionali ma comunque mi-
gliorabili con conseguenti perdite di tempo e sprechi
di denaro.
Smart Machine Big Bang
Gartner definisce la convergenza di tre fattori chiave
come ‘Smart Machine Big Bang’: nuove soluzioni di
computing hardware (sistemi Web-Scale e super com-
puter Gps-based), algoritmi Dnn e abbondanza di dati
permettono lo sviluppo di modelli Dnn inediti; la com-
binazione dei tre elementi ha raggiunto per la prima
volta una massa critica nel 2012, rendendo possibile
la sinergia creativa di hardware, data e algoritmi. Nel
modello, i ricercatori o gli ingegneri definiscono la strut-
tura e le caratteristiche del Dnn; definiscono il numero
dei nodi Dnn (detti anche neuroni), il numero dei livelli e
le relazioni tra i livelli e molti altri elementi; testano poi il
codice senza però poter testare (ovviamente) ciò che
il Dnn ha imparato nelle fase di training ed esercizio. Il
cosiddetto ‘testing’ consiste di solito nel fornire al Dnn
un dataset diverso e osservare come risponde al cam-
biamento indotto. Una volta che il modello è stato re-
alizzato, testato e avviato, i parametri di ciascun nodo
possono essere trasferiti in un Dnn ‘runtime’ destinato
all’esecuzione. I Dnn agiscono di fatto come una classe
particolare di ‘Machine Learning’, sul cui miglioramento
molto ancora ci si attende; le tecnologie Smart Machine,
che di Dnn si nutrono, sono smart in senso stretto,
focalizzate cioè su specifiche funzioni realizzate attra-
verso un mix di soluzioni smart e non smart. Gartner
propone lo spazio delle Smart Machine come una ca-
tena del valore in cui non tutti gli elementi sono smart;
si tratta comunque di uno spazio a elevata complessità,
governato da strutture altrettanto complesse e talvolta
‘executive’, invece, sono in grado di manipolare una
specifica area (di ambiente, di contesto di lavoro) su cui
sono focalizzate e su cui sintonizzano le proprie azioni
in funzione dei risultati. Pur essendo ancora nelle fase
primigenia, questa tecnologia ha potenzialità assai inte-
ressanti; a oggi l’aggiustamento in funzione dei risultati
è ancora circoscritto a poche funzioni ma è solo que-
stione di tempo perché si raggiungano prestazioni ben
più complesse. La combinazione di sistemi ‘rule-based’
e Smart Machine perceptual o executive consente di
realizzare soluzioni ibride assai funzionali. Che siano
‘perceptual’ o ‘executive’ le Smart Machine contempo-
ranee contengono tre processi logici: training, testing e
runtine; la maggior parte dei sistemi di runtime sono di
fatto cloni virtuali dei sistemi di training-testing.
Le Smart Machine sono in ogni caso catalogate tra
le tecnologie general-purpose (Gpt), concetto ampia-
mente utilizzato in economia per identificare tecnologie
distruttive, capaci cioè di trasformare nel profondo la
realtà così come nota oggi. Tra gli esempi di Gpt ci sono
l’era del ferro, l’era del vapore e quella più recente di
Internet. Un ciclo Gpt si identifica a partire dall’individua-
zione di una tecnologia riconoscibile e sufficientemente
generica, ampiamente utilizzata i cui effetti si riverbe-
rano positivamente su tempi, stili e modalità di fruizione
di servizi e prodotti, sulla generazione di effetti creativi,
conseguenza delle nuove applicazioni. Le Smart Ma-
chine rappresentano la più recente Gpt e, ritiene Gar-
tner, sono destinate ad avviare una nuova era, di una
durata stimabile in 75 anni (secondo l’analisi delle tec-
nologie nate negli ultimi 300 anni condotta da Carlota
Perez - Fonte: Carlota Perez, in “Technological Revo-
lutions and Financial Capital: The Dynamics of Bub-
bles and Golden Ages.”). I Dnn, parte integrante delle
Smart Machine, eccellono nella scoperta delle regole
che classificano e dei diversi elementi dei flussi di dati in
60
marzo-aprile 2017
© Laurent – Fotolia.com
È IL MOMENTO DELLA SMART MACHINE AGE