Tracciare un corso aziendale per l’apprendimento per rinforzo

I leader alla ricerca di nuovi modi in cui l’intelligenza artificiale (AI) può fornire un vantaggio competitivo potrebbero aver trovato la partita dell’America’s Cup 2021 altrettanto entusiasmante per l’uso rivoluzionario dell’apprendimento per rinforzo da parte di una squadra quanto per i suoi progetti radicali di barche e le regate ravvicinate.

Per rimanere competitivi, i team velici che partecipano all'America's Cup, come tutte le aziende, devono oltrepassare i limiti del possibile. Devono anche affrontare vincoli simili, tra cui una curva di sviluppo ripida e una piccola finestra di opportunità, il che significa che le squadre possono portare avanti solo uno o due grandi esperimenti per migliorare le loro prestazioni nella competizione più importante di questo sport.

Per l'edizione 2021 dell'America's Cup, il campione in carica Emirates Team New Zealand ha azzardato l'apprendimento per rinforzo, una tecnica avanzata di intelligenza artificiale, in grado di ottimizzare il suo processo di progettazione. La tecnica ha funzionato, consentendo al team di testare esponenzialmente più progetti di barche e ottenere un vantaggio in termini di prestazioni che lo ha aiutato a garantire la sua quarta vittoria in Coppa.

A differenza di altri tipi di apprendimento automatico, l’apprendimento per rinforzo utilizza algoritmi (che spesso addestrano agenti o robot IA) che in genere non si basano solo su set di dati storici, etichettati o non etichettati, per imparare a fare una previsione o eseguire un’attività. Imparano come spesso fanno gli esseri umani, attraverso prove ed errori. Negli ultimi anni, la tecnologia è maturata in modo tale da renderla altamente scalabile e in grado di ottimizzare il processo decisionale in ambienti complessi e dinamici.

Oltre ad accelerare e migliorare la progettazione, l’apprendimento per rinforzo viene sempre più incorporato in un’ampia gamma di applicazioni complesse: consigliare prodotti in sistemi in cui i comportamenti e le preferenze dei clienti cambiano rapidamente; previsioni di serie temporali in condizioni altamente dinamiche; risolvere problemi logistici complessi che combinano imballaggio, instradamento e programmazione; e persino accelerando le sperimentazioni cliniche e l’analisi dell’impatto delle politiche economiche e sanitarie su consumatori e pazienti.

Abbiamo visto quanto velocemente l’ambiente tecnologico può cambiare. Solo pochi anni fa, un’altra tecnica di intelligenza artificiale, il deep learning, ha fatto irruzione sulla scena aziendale. Oggi, il 30% delle aziende high-tech e di telecomunicazioni e il 16% delle aziende di altri settori da noi intervistati dispongono di funzionalità di deep learning integrate.

Ecco alcune delle applicazioni della tecnica più discusse negli ultimi anni:

I dirigenti che oggi comprendono il potenziale dell’apprendimento per rinforzo, come Emirates Team New Zealand, saranno in una posizione migliore per trovare un vantaggio nei loro settori (vedere la barra laterale “Esempi notevoli di applicazioni di apprendimento per rinforzo”). Comprendere l'esperienza del team può aiutare i leader a valutare dove e quando utilizzare la tecnologia perché molte organizzazioni percorreranno un percorso simile: implementando prima tecnologie più tradizionali per risolvere un problema e poi applicando l'apprendimento per rinforzo per raggiungere un livello di prestazioni precedentemente irraggiungibile. Pertanto, iniziamo raccontando il viaggio di Emirates Team New Zealand, dopodiché offriamo idee su dove e come le aziende dovrebbero prendere in considerazione l'applicazione dell'apprendimento per rinforzo.

I designer di Emirates Team New Zealand non erano nuovi alle tecnologie avanzate. Nel 2010, il team aveva costruito il suo simulatore digitale all'avanguardia per testare i progetti delle barche senza costruirle fisicamente. Questa è stata la chiave per la vittoria della Coppa America 2017 della squadra, ma il simulatore aveva dei limiti. Erano necessari più marinai per gestirlo in modo ottimale, il che rappresentava una sfida logistica significativa date le pratiche, i viaggi e le gare programmate dei marinai. Di conseguenza, i progettisti in genere ripetevano nuovi progetti in assenza di dati sulle prestazioni del simulatore e poi testavano le loro idee migliori in lotti quando potevano ritagliarsi ampi periodi di tempo con i velisti. Inoltre, le prestazioni dei velisti potrebbero variare tra i test, come spesso fanno le prestazioni umane, rendendo difficile per i progettisti sapere se un miglioramento marginale nella risposta della barca fosse dovuto a una modifica di progettazione o a variazioni nei test umani.