machine learning chatbot

Discorsi sul metodo. Mercato e contesti linguistici: business industriale e chatbot

Lo sviluppo dell’automazione contemporanea nell'ultimo decennio ha sperimentato una fiorente crescita dell’industria di un particolare tipo di strumento digitale: il chatbot.

Estremamente sottovalutato da tutti i (non-più) giovani che hanno visto nascere e crescere Doretta82 Su Msn, si ritrova oggi ad essere una delle meraviglie tecnologiche del nostro tempo. Tutti, quindici anni fa si sarebbero aspettati che la cara Doretta, avrebbe continuato a rispondere in maniera circostanziale alle nostre frasi con precostruiti commenti estemporanei e frasi senza senso.

Il machine learning però, ha permesso a questo tipo di tool di saltare uno degli innumerevoli nella scala che lo porta a una forma più umana.

Ad oggi due sono le principali tipologie di produzione che ricoprono la stragrande maggioranza del mercato del settore:

  • i Rule-based machine translator: ossia software che grazie ad un sistema di dizionari, database, informazioni linguistiche (sia dell’idioma d’arrivo che quello di partenza) e grammatiche, sono in grado di automatizzare le traduzioni fino a un grado di precisione capace di rendere la frase non a livello lessicale, non a livello sintattico, ma a livello contestuale.
    Questo grazie a un processo di continuo miglioramento della precisione probabilistica dei risultati della macchina. A tale scopo, i dizionari vengono ampliati sia a livello lessicale che a livello di strutture idiomatiche, ogniqualvolta l’algoritmo abbia interazione con l’utente finale, e quindi cresce, ricordando per l’interazione seguente i nuovi elementi che portano al successo linguistico la frase;
  • i Machine learning chatbot, ossia quei tool che permettono alle macchine di fare conversazioni più o meno discorsive. Si basano sul far riconoscere l’azione (e quindi la richiesta pragmatica) insita nella nostra lingua e attraverso il sistema del machine learning associare e correlare le nostre necessità con le azioni programmate o risposte pertinenti, generate combinando elementi nel suo database.

Prendiamo in questo caso l’esempio di Alexa, il più famoso degli assistenti vocali in circolazione; ma come lei ci sarebbero infinite forme di personalizzabili altri competitors, che adesso sono parte della stessa macchina industriale, e che proprio in funzione della loro malleabilità ed adattabilità stanno rendendo moltissimo a qualsiasi ente li utilizzi per automatizzare.

Prende vita il barlume teorizzato, o meglio, il brivido sulla schiena di un defunto Isaac Asimov, il sogno di una robotica funzionale a comprendere le richieste umane e rispondere in maniera efficace e determinata. Un sogno che è ultimamente diventato più vicino al reale, con tutti i rischi che ne comporta. Certo il machine learning ancora non è in grado di dare coscienza di sé alle macchine, ma queste ultimamente sono molto brave nel dare l’illusione che ciò sia possibile.

Il risultato ai nostri occhi, per quanto alla realtà dei fatti non lo sia, è un sistema in grado di risponderci, sembra capirci, e invece non lo è; un Mosè di Michelangelo a cui non è stato scheggiato un ginocchio, ma senza ancora il barlume del Logos. (Che è comunque più di quanto possa fare un maggiordomo ubriaco).


Leggi anche Discorsi sul metodo: il modello Hyperscience


Il funzionamento del Machine Learning

Suddividiamo ulteriormente i machine learning chatbot in:

  • Goal Oriented: come Alexa, in grado di riconoscere le frasi e applicare dal database soluzioni alla richiesta, e che utilizzano il machine learning principalmente nel campionamento audio per un progressivo miglioramento dell’accuratezza della decrittazione dei messaggi vocali;
  •  Conversation Oriented: come la compianta Doretta 82, ossia una Intelligenza Artificiale in grado di comprendere il contesto testuale della richiesta o dell’affermazione che le si pone, e che di conseguenza è in grado di rispondere a tono e per necessità.
    In questo caso il processo di apprendimento funziona in maniera simile al Bot-Traduttore. Ma una volta costruita la frase, questa deve essere pertinente, quindi è necessario comprendere attraverso inferenze e correlazioni cosa voglia dire l’interlocutore.

    Poi ricombinando i database lessicali e frasali, le possibili risposte devono essere confrontate con un terzo dizionario di interazioni già processate e implementate. Memorie sedimentate che permetteranno al programma di migliorarsi ad ogni query.
    Ogni utente grazie a questo sistema può aiutare l’algoritmo a migliorarsi autonomamente, anche con una semplice chiacchierata. Questo è il Machine Learning.

machine learning chatbot

L'ecosistema chatbot

Situazione del mercato machine learning chatbot

Ad oggi, il mercato dei chatbot, secondo Mordor Intelligence, è stato valutato intorno ai 17 miliardi di dollari nel 2019, ma secondo proiezioni dovrebbe arrivare nel 2025 a 106 miliardi di dollari.

Il settore è estremamente competitivo e si trasforma vertiginosamente; inoltre vanta i maggiori competitors nel settore dell’automazione mondiale, tra i quali IBM, Amazon, Google e tantissime aziende specializzate. Questo perché il sistema si è dimostrato mostruosamente efficiente nello smaltimento di tutte quelle problematiche di disparità quantitativa tra operatori e utenti, con l’obiettivo di risolvere i dubbi conversazionali in maniera automatica prima di avere accesso al servizio fisico in sé.

Questo può valere per l'Healthcare, ma anche in campo finanziario, nel booking, e per l’intrattenimento.

Credete anche voi che possa essere un sistema rivoluzionario?


Leggi anche Outsourcing: segno del tempo futuro


Commenti

commenti

Riccardo Malaspina

Leave a reply