Ai tanti curiosi che si interrogano sul futuro dell’intelligenza artificiale potrebbe essere utile dare un’occhiata al presente, magari prendendo a prestito dalle esperienze che con un certo successo, almeno a quanto racconta la Bis nel suo ultimo Bollettino, ne hanno fatto le banche centrali per affrontare alcuni dei loro sofisticati compiti, che vanno dall’analisi macroeconomica alla supervisione dei sistemi di pagamento.

Il Bollettino illustra alcuni dei metodi più comuni utilizzati dagli istituti, che partono dalla tecnologia di machine learning, una sorta di algoritmo che evolve i classici modelli statistici predittivi, che ormai è diventata molto sofisticata. Gli algoritmi originano degli alberi decisionali – Decision Tree – che consentono un utilizzo più analitico dei dati. Ad esempio se ci parla di abitazioni, si può distinguere a seconda del numero di vani o dalla data di costruzione, e assegnare ad ogni partizione una diversa routine. Insomma: si può calcolare sempre più finemente.

Un’altra tecnica è quella della Random forests, che utilizza i dati degli alberi decisionali in maniera ancora più flessibile. Ma probabilmente la tecnologia più sofistica è quella delle reti neurali, che si basa su neuroni artificiali che simulano quelli umani. Ogni livello elabora un input e lo trasforma in output che viene comunicato al livello successivo, come il segnale elettrico che un neurone “passa” a quello vicino. E’ la tecnologia alla base del riconoscimento facciale degli smartphone o degli assistenti vocali.

Questa tecnologia ha avuto uno sviluppo notevole con l’introduzione, nel 2017, dei cosiddetti Transformers che hanno fatto evolvere le reti neurali in strumenti di processo del linguaggio (natural language processing, NPL; Large language models, LLMs) che in pratica implementano una sorta di intelligenza contestuale che si attiva con l’analisi delle relazioni fra le diverse variabili processate. In sostanza sono alla base della cosiddetta Generative AI, quella di Chat Gpt, per essere chiari.

Di questo arsenale molte banche centrali hanno fatto notevole uso (grafico sopra) avendo ben chiaro che alle opportunità si accompagnano diverse sfide. Un esempio chiarirà: “I modelli sofisticati di machine learning possono diventare quasi perfetti nella previsione. Ma poiché molte variabili interagiscono in modi complessi e non lineari, può essere difficile interpretare l’importanza dei diversi input per il risultato. Una buona previsione può quindi avvenire a costo di accettare che il modello sottostante sia una “scatola nera”.

In sostanza, c’è il rischio di fidarsi troppo, e quindi non comprendere davvero il responso dell’oracolo. Inoltre, esiste un vero e proprio “hallucination problem”, al quale sono soggetti gli algoritmi, che rende necessaria la supervisione delle persone per non adottare scelte sbagliate. Questo certo non evita che si commettano errori. Le macchine non ci evitano scivoloni. Si sbaglia sempre, come ai vecchi tempi. Ma adesso lo facciamo in buona compagnia.