LaCulturaDelDato #086
Dati & algoritmi attraverso i nostri 5 sensi
For my English speaking friends, click here for the translated version
Ciao,
sono Stefano Gatti e questo è l’ottantaseiesimo numero della newsletter LaCulturaDelDato: dati & algoritmi attraverso i nostri 5 sensi. Le regole che ci siamo dati per questo viaggio le puoi trovare qui.
Ecco i cinque spunti dell’ottantaseiesimo numero:
👂🏾Organizzazione e cultura dei dati e algoritmi nelle organizzazioni. Navigating the AI Frontier with Ethan Mollick: Cyborgs, Centaurs, and Skill Levelers
Ethan Mollick è diventato un ospite ricorrente di questa newsletter per il giusto mix di pragmatismo, conoscenza e capacità di astrazione con cui sta seguendo l’evoluzione dell’utilizzo della generative AI in vari ambiti: dalla scuola (ed infatti lo trovi oggi anche in un’altra sezione di questa newsletter) alle aziende.
Oggi voglio segnalarti un suo post, "Centaurs and Cyborgs on the Jagged Frontier", che considero uno dei migliori in questo campo. In esso, Mollick sintetizza uno studio sperimentale, di cui è stato co-autore, che è stato poi descritto in dettaglio in questo paper. Il focus è l'aumento di produttività che ChatGPT-4 offre in 18 diversi ambiti dell'attività di consulenza direzionale e lo studio ha coinvolto più di 900 professionisti con diverse competenze ed esperienze.
Se disponi di una trentina di minuti, il paper è assolutamente da leggere per la sua ricchezza di dettagli, che facilitano la comprensione dei cambiamenti in vista per le nostre organizzazioni. Ecco i cinque concetti più importanti che ho tratto dal post e dal paper:
“The jagged frontier”. Quello che le parole di Mollick spiegano molto bene è il concetto di frontiera frastagliata dell’AI in cui ci troviamo: “L'intelligenza artificiale è strana. Nessuno conosce i modi migliori per usarla o le condizioni in cui fallisce. Non esiste un manuale di istruzioni. In alcuni compiti l'AI è immensamente potente, mentre su altri fallisce completamente o in modo sottile. E, a meno che non si usi molto l'AI, non si può sapere quali siano.” Quindi il primo consiglio è di usarla intensamente per capire se l’attuale livello di generative AI possa aiutarti nel tuo lavoro!
“Centaurs”. E usando l’AI generativa si può essere centauri e Mollick scrive: “Il lavoro dei centauri ha una chiara linea di demarcazione tra persona e macchina, come quella tra il torso umano e il corpo equino del mitico centauro. I centauri hanno una divisione strategica del lavoro, passando dai compiti dell'AI a quelli umani, assegnando le responsabilità in base ai punti di forza e alle capacità di ciascuna entità.” Non è a mio avviso la migliore strategia, ma è una valida strategia di delega, a meno che il livello di verifica di ciò che fa la macchina non si abbassi troppo.
“Cyborgs”. Invece di essere centauri, si può essere Cyborg, ed è il modo migliore per usare oggi non solo la generative AI ma tutta l’AI in generale perché “i cyborg fondono macchina e persona, integrandole profondamente. I cyborg non si limitano a delegare i compiti, ma intrecciano i loro sforzi con l'intelligenza artificiale, muovendosi avanti e indietro sulla frontiera frastagliata.” È proprio la continua dialettica con la macchina del Cyborg che esalta il valore dell’AI e ne continua a scoprire le capacità, spesso non ancora del tutto chiare, mantenendo un buon livello di controllo.
“Falling asleep at the wheel”. Questo è uno dei rischi maggiori a cui tutti possiamo incorrere, cioè di fidarci così tanto dell’AI da non accorgerci degli errori e di perdere gradualmente le capacità (di controllo) che dovremmo avere. Per chi ha visto il film, lo chiamerei effetto “Idiocracy”. Per chi non lo ha visto, è un buon suggerimento per una serata autunnale.
“AI works as a skill leveler”. Quest’ultimo punto è quello su cui ho più dubbi, ma che emerge chiaramente dal paper. In generale, la generative AI aumenta la produttività e lo fa aumentando maggiormente la capacità delle persone, all’interno di un gruppo, che ne hanno meno. La mia perplessità è che questi dati emergono da uno studio fatto su un campione di lavoratori con capacità mediamente elevate. Potrebbe forse trattarsi di un “sample bias” se estendessimo la considerazione a tutta la popolazione di lavoratori.
Oltre a queste tesi, emerge comunque dallo studio un segnale chiaro su come la generative AI aumenti in senso assoluto le capacità umane. Non mi dilungo ulteriormente, ma ti lascio un'immagine esplicativa di questo concetto che puoi trovare anche nel paper.
Se desideri leggere un altro punto di vista sul tema produttività, Paolo Magrassi ha scritto un bel approfondimento su come ChatGPT possa migliorare un settore molto ampio come quello delle proposte di finanziamento europeo e della scrittura di articoli scientifici.
👀 Data Science. Mapping the Unseen: Dive into Geospatial Data Science with Experts
La Geospatial Data Science è una disciplina che combina le tecniche di data science con i dati geospaziali per comprendere dove e perché accadono certi fenomeni. Utilizza metodi statistici, di machine learning e di visualizzazione per analizzare e interpretare dati che hanno una componente spaziale o geografica, come le coordinate GPS, mappe e immagini satellitari. Questo campo consente di risolvere problemi complessi legati a fenomeni spaziali e temporali, contribuendo in aree come l'urbanistica, la gestione delle risorse naturali, la sanità pubblica e le scienze ambientali e molte altre. Se sei un esperto di dati ma non hai mai esplorato in particolare questa nicchia, o sei un appassionato di geografia e desideri condurre analisi in modo indipendente, i suggerimenti di oggi sono perfetti per te.
Iniziamo con il corso offerto dall'Università di Trento, tenuto da Maurizio Napolitano, uno degli esperti mondiali in questo ambito. Il corso è strutturato in 8 lezioni e ogni lezione introduce una tematica di analisi geospaziale attraverso l'uso di codice Python su Jupyter Notebook. Sono inclusi anche esercizi con soluzioni e tutte le slide del corso.
Se invece desideri imparare ad usare Google Earth Engine, una piattaforma di elaborazione geospaziale basata su cloud che permette agli utenti di analizzare e visualizzare grandi quantità di dati geospaziali, come immagini satellitari e dati geografici, questo libro, accessibile gratuitamente, del professore Qiusheng Wu, associato al Dipartimento di Geografia e Sostenibilità dell'Università del Tennessee, è l'ideale. Con pochi clic, dopo esserti registrato al progetto con l'account Google, potrai sperimentare l'emozione di accedere (anche via Colab) a tutte le risorse del Earth Engine con poche righe di Python.
E se non apprezzi il quasi monopolio di Google in termini di dati (e servizi) geografici, sappi che esiste un progetto OvertureMaps "aperto" e in crescita, con la partecipazione di importanti aziende come Microsoft, Meta e Amazon, complementare al progetto Open Street Map. Se vuoi saperne di più sul progetto oltre alle FAQ del sito, ti consiglio questa intervista a Maurizio Napolitano sul Sole 24 Ore che lo spiega molto bene.
🖐️Tecnologia (data engineering). Navigating the Murky Waters of Coding Productivity Metrics: A Deep Dive
Una delle sfide più ardue che ho osservato, e in alcuni casi cercato di affrontare all’interno delle organizzazioni, è quella di misurare in qualche modo la produttività di chi scrive codice. Per di più, la definizione e la diversità delle attività associate a questo ruolo sono diventate sempre più "flessibili" nel corso degli anni. Non è la stessa cosa, anche restringendo l’ambito a quello dei dati, definire il concetto di produttività per un data scientist, un data engineer o un database administrator. Tutti e tre scrivono codice, ma in modalità, tempistiche e linguaggi spesso molto diversi. Per questo motivo, mi ha molto incuriosito la discussione sorta all'interno della comunità tech a metà agosto, a seguito dell'articolo di McKinsey intitolato in modo piuttosto provocatorio “Yes, you can measure software developer productivity”, che di fatto riassumeva una serie di metriche, quali tra le altre DORA e SPACE sviluppate all’interno di alcune big tech, legate all’efficacia ed efficienza dei team di sviluppo software. Nonostante alcuni caveat presenti nell’articolo, la posizione assertiva di McKinsey ha generato commenti piuttosto scettici all'interno della comunità. Tra questi, sicuramente il più costruttivo e degno di una tua lettura è quello del noto Gergely Orosz, che nella sua newsletter “The Pragmatic Engineer”, in due post, ha argomentato in maniera piuttosto concreta perché non è d’accordo con McKinsey, non tanto sul fatto che la produttività non possa essere misurata, ma sul costo e sull'efficacia del tutto, con un rischio molto alto di distorsioni e quindi di scelte sbagliate a causa della legge di Goodhart. Vorrei aggiungere una riflessione che proviene dalla mia esperienza personale, e cioè che è molto più efficace una misurazione a livello di team piuttosto che a livello individuale, sia perché l’impatto, che è quello che conta a livello dell’intera organizzazione, che le capacità di lavoro all'interno di un gruppo non sono catturate da indicatori oggettivi a livello di singolo sviluppatore. Questo concetto è illustrato molto bene da questo grafico tratto dal primo post di Orosz.
A questa difficoltà di misurare la produttività, presente anche in epoca pre-generative AI, si aggiunge l’ulteriore mutamento portato dagli assistenti sempre più pervasivi alla scrittura del codice, che sposteranno, a mio avviso, la tipologia di programmazione verso modalità sempre più TDD (test-driven development) e le attività del programmatore verso quelle dell’architetto software. E misurare la produttività (individuale) sarà ancora più complesso...
👃Investimenti in ambito dati e algoritmi. AI's Next Frontier: A Comprehensive Dive into the 'State of AI 2023’
Avrei potuto inserire "The State of AI 2023" in qualunque delle cinque sezioni della newsletter, data la completezza e l’ampiezza del documento. Te lo avevo segnalato anche l’anno scorso, ma quest’anno è diventato ancora più corposo (161 pagine, o meglio, slides) e ben realizzato. Alla fine ho scelto di inserirlo nella sezione investimenti perché è stato realizzato da Nathan Benaich e dal suo team di Air Street Capital, una società di venture capital che investe in aziende tecnologiche e di life science che fanno largo uso di intelligenza artificiale, e perché l’insieme del corpo di informazioni è fondamentale in questo momento storico, soprattutto per chi deve valutare investimenti nel nostro ambito.
Leggerlo tutto in maniera completa è molto impegnativo (ci vuole qualche ora) ma ne vale la pena per la capacità unica di collegare dati di natura economica alle più recenti evoluzioni tecnologiche. Questa volta non riesco a farti una sintesi data la lunghezza e la densità, ma cerco di fornirti qualche percorso di lettura a seconda dei tuoi interessi.
Di fatto, è diviso in cinque parti. La prima parte, “Research”, la più corposa, è anche quella più tecnica che può fornirti una sintesi dell’ultimo anno di Generative AI con una vista molto ampia sulle tendenze del prossimo futuro. La seconda, “Industry”, è quella più specifica per questa sezione della newsletter, perché fornisce una vista di tutte le principali strategie e investimenti nei differenti strati tecnologici legati all’AI, con un deep-dive unico sulla parte infrastrutturale. Ma ci sono numeri più specifici anche legati alla parte dei finanziamenti, come per esempio questa slide di dettaglio.
La terza e la quarta parte del report (“Politics” & “Safety”) sono, a mio giudizio, più arricchite rispetto alle precedenti edizioni, e questo testimonia quanto anche questi due aspetti siano centrali e delicati nelle valutazioni di come e dove investire in questo momento nel mondo dell’AI. La parte finale è quella più divertente, perché riporta 10 previsioni di eventi che potrebbero succedere nei prossimi 12 mesi. È da leggere non con troppa leggerezza, perché il team ha un ottimo track record, superiore al 50% di previsioni corrette negli ultimi 5 anni, che, considerata la dinamicità e la complessità del contesto, è di tutto rispetto.
👅Etica & regolamentazione & impatto sulla società. The AI Wave in Education: Why You Can't Afford to Miss Out
"Non c'è mai stato un momento in cui Yale abbia pensato di vietarlo. Abbiamo riflettuto su come incoraggiare un ambiente di apprendimento e sperimentazione, in linea con il nostro ruolo di università. Non si tratta solo di una nuova tecnologia; è un momento storico che ci obbliga a ripensare il modo in cui vediamo gli esseri umani, la conoscenza, l'apprendimento e il suo significato..." Queste parole sono di Jenny Frederick, rettrice associata dell'Università di Yale e direttrice del Centro Poorvu per l'insegnamento e l'apprendimento, che fornisce risorse a docenti e studenti. Frederick ha anche avuto un ruolo chiave nell'orientare l'approccio di Yale all'uso di ChatGPT. Il suo messaggio costituisce il fulcro dell'articolo che ti consiglio oggi, dal titolo molto esplicativo: "How one elite university is approaching ChatGPT this school year". La linea adottata da Yale mi trova d’accordo, poiché sono convinto che la Generative AI rivoluzionerà l'intero sistema educativo e il concetto di "lifetime learning". Non è possibile prevedere quando e come succederà, ma chi si oppone o rifiuta questi strumenti sarà certamente in una posizione di svantaggio, sia a livello personale che aziendale. Quello che non è affatto banale è come riuscire a farlo in modo produttivo. Per provare a farlo al meglio anche in questo caso serve studiare, osservare ma soprattutto provare e sbagliare. Se stai già esplorando questi strumenti, sia a livello personale che professionale, o se sei un insegnante, ti suggerisco alcune risorse che potrebbero rafforzare il tuo percorso:
- Questi sono i materiali che l'Università di Stanford offre agli studenti delle scuole superiori per aiutarli a comprendere e interrogarsi sull'intelligenza artificiale.
- Questa è una guida realizzata da OpenAI per gli insegnanti che desiderano utilizzare ChatGPT in classe. Include suggerimenti e spiegazioni sul funzionamento e sui limiti di ChatGPT stesso.
- Ti consiglio inoltre di seguire Ethan Mollick, professore associato alla Wharton School dell'Università della Pennsylvania, se sei appassionato di didattica e AI generativa. Te ne avevo già parlato. Di lui ti suggerisco il corso su YouTube "Introduction to AI for Teachers and Students", e questi due paper: “Assigning AI: Seven Approaches for Students, with Prompts” e “Using AI to Implement Effective Teaching Strategies in Classrooms: Five Strategies, Including Prompts”.
- Ma anche in Italia ci sono esperienze ed esperimenti interessanti grazie al Politecnico di Milano e alla sua task force METID che progetta e sperimenta strumenti e metodi per l’innovazione didattica. Molto interessanti i suoi due workshop all’ultima Milano Digital Week “Dual code: le AI text- to-image in classe” e “Narrazioni e AI: le AI text-to-text in classe”. E grazie a
per la segnalazione!Se non sei ancora convinto dell'importanza di avere una piena consapevolezza dell'impatto dell'IA sulla formazione, ti consiglio di leggere questo numero di Koselig, l’ottima newsletter di Mafe De Baggis, dove
ci (a noi generazione X o Boomer) ricorda “che l’editore scolastico più amato dell’era pre-computer era Bignami e vendeva riassunti, gli stessi riassunti che fa ChatGPT, con la differenza che con le AI generative puoi personalizzarli.”Se hai ulteriori suggerimenti e riflessioni sui temi di questo numero o per migliorare questa newsletter scrivimi (st.gatti@gmail.com) o commenta su substack.
Se ti è piaciuta e non sei ancora iscritto lascia la tua mail qui sotto e aiutami a diffonderla!
Alla prossima!