apprendimento automaticoprevisioniintelligenza artificialeanalisi predittivagiudizio di esperti
Previsioni basate sull'apprendimento automatico contro previsioni basate su esperti umani.
Le previsioni basate sull'apprendimento automatico si affidano ad algoritmi addestrati su dati storici per prevedere risultati futuri, mentre le previsioni di esperti umani si basano sul giudizio professionale, sulla conoscenza del settore e sul ragionamento contestuale. Entrambi gli approcci presentano punti di forza distinti e molte organizzazioni li combinano ormai per ottenere previsioni più accurate.
In evidenza
L'apprendimento automatico eccelle nella gestione di grandi quantità di dati e nel rilevamento di schemi, mentre gli esseri umani eccellono nelle situazioni nuove e nel ragionamento contestuale.
I migliori previsori umani hanno superato gli algoritmi di circa il 30% nelle previsioni geopolitiche.
I modelli di apprendimento automatico richiedono un nuovo addestramento per gestire eventi senza precedenti, mentre gli esperti umani possono adattarsi in tempo reale.
I sistemi ibridi con intervento umano sono sempre più considerati lo standard di riferimento per le previsioni ad alto rischio.
Cos'è Previsione tramite apprendimento automatico?
Un approccio basato sui dati che utilizza algoritmi addestrati su set di dati storici per identificare modelli e generare previsioni su eventi futuri.
I modelli di previsione basati sull'apprendimento automatico imparano da grandi quantità di dati storici anziché essere programmati esplicitamente con regole.
Tra gli algoritmi più comuni figurano ARIMA, Prophet, le reti neurali LSTM e i metodi di gradient boosting come XGBoost.
Questi modelli eccellono nel rilevare schemi complessi e non lineari che sarebbero difficili da individuare manualmente per gli esseri umani.
Le prestazioni in genere migliorano con l'aumentare dei dati di addestramento disponibili, a condizione che la qualità dei dati rimanga elevata.
Tra le piattaforme più diffuse che offrono previsioni basate sull'apprendimento automatico figurano Amazon Forecast, Google Vertex AI e librerie open source come scikit-learn e TensorFlow.
Cos'è Previsione basata su esperti umani?
Un approccio basato sul giudizio in cui gli specialisti del settore utilizzano l'esperienza, l'intuizione e la comprensione del contesto per formulare previsioni sui risultati futuri.
Le previsioni effettuate da esperti umani sono state oggetto di studio formale sin dagli anni '70, in particolare grazie alla ricerca di Philip Tetlock sui superprevisori.
Gli esperti possono integrare informazioni qualitative come il clima politico, il sentiment dei consumatori o le tendenze emergenti che i soli dati potrebbero non cogliere.
Gli studi dimostrano che le previsioni aggregate di più esperti spesso superano le previsioni dei singoli esperti.
Il progetto Good Judgment di Tetlock ha rilevato che i previsori più performanti superano costantemente sia gli algoritmi che gli esperti medi con margini significativi.
I previsori umani sono in grado di adattarsi rapidamente a eventi senza precedenti, come pandemie o cambiamenti geopolitici, senza bisogno di riqualificazione.
Tabella di confronto
Funzionalità
Previsione tramite apprendimento automatico
Previsione basata su esperti umani
Input primario
Dati numerici storici
Conoscenza del settore, esperienza, contesto qualitativo
Velocità di previsione
Quasi istantaneo una volta addestrato
Più lento, richiede un'analisi ponderata
Gestione degli eventi del Cigno Nero
Scarsa formazione senza riqualificazione
Forte, capace di ragionare su scenari nuovi
Scalabilità
Altamente scalabile per molteplici attività
Limitato dal tempo a disposizione degli esperti.
Interpretazione
Spesso si tratta di una scatola nera, sebbene esistano strumenti di interpretazione.
Le decisioni possono essere spiegate attraverso il ragionamento
Suscettibilità ai pregiudizi
Riflette le distorsioni presenti nei dati di addestramento
Soggetto a distorsioni cognitive come l'effetto ancoraggio e l'eccessiva sicurezza
Struttura dei costi
Costo iniziale elevato, costo marginale basso
È richiesto un compenso specialistico continuativo
Adattabilità al cambiamento
Richiede un nuovo addestramento su nuovi dati
È possibile regolare il ragionamento in tempo reale.
Confronto dettagliato
Precisione e risultati comprovati
Una ricerca del Good Judgment Project di Philip Tetlock ha dimostrato che i migliori previsori umani superano i modelli algoritmici di riferimento di circa il 30% su questioni geopolitiche. Tuttavia, in ambiti con un'abbondanza di dati storici, come le previsioni meteorologiche o la domanda al dettaglio, i modelli di apprendimento automatico spesso superano il giudizio umano con ampi margini. Il vincitore in termini di accuratezza dipende in realtà dalla somiglianza tra il futuro e il passato.
Requisiti dei dati e scalabilità
modelli di apprendimento automatico necessitano di notevoli quantità di dati puliti e strutturati per funzionare correttamente e incontrano difficoltà quando tali dati sono scarsi o rumorosi. Gli esperti umani, invece, possono formulare previsioni ragionevoli anche con informazioni limitate, basandosi su analogie ed esperienze pregresse. D'altro canto, una volta addestrato un modello di apprendimento automatico, generare migliaia di previsioni non costa quasi nulla, mentre per scalare le competenze umane è necessario assumere e formare più persone.
Interpretazione e fiducia
Spesso le parti interessate desiderano comprendere il perché di una previsione, e gli esperti umani sono generalmente in grado di illustrarne il ragionamento passo dopo passo. Molti modelli di apprendimento automatico, in particolare le reti neurali profonde, funzionano come scatole nere, la cui logica interna è opaca. Strumenti di interpretabilità come SHAP e LIME sono d'aiuto, ma aggiungono complessità e non sempre soddisfano le autorità di regolamentazione o i decisori che necessitano di giustificazioni chiare.
Risposta a situazioni nuove
Quando accade qualcosa di veramente senza precedenti, come la pandemia di COVID-19 che ha sconvolto le catene di approvvigionamento in tutto il mondo, i modelli di apprendimento automatico addestrati su dati pre-pandemia spesso falliscono clamorosamente finché non vengono riaddestrati. Gli esperti umani possono ragionare su nuovi scenari utilizzando i principi fondamentali e adattare i loro modelli mentali in tempo reale. Questa adattabilità rende il giudizio umano particolarmente prezioso durante periodi di cambiamento strutturale o di crisi.
Costo e investimento di risorse
La creazione di un sistema di previsione basato sull'apprendimento automatico efficiente richiede investimenti in infrastrutture dati, talenti ingegneristici e risorse computazionali, ma il costo marginale per previsione è poi minimo. Le previsioni effettuate da esperti umani, al contrario, richiedono spese continue per stipendi, programmi di formazione e spesso compensi competitivi per trattenere i migliori talenti. Per le organizzazioni con budget limitati, la scelta si riduce spesso a decidere se dispongono di dati o di accesso a competenze specialistiche.
Approcci ibridi
Sempre più spesso, le previsioni più accurate si ottengono combinando entrambi i metodi anziché sceglierne uno solo. L'apprendimento automatico può gestire i complessi calcoli quantitativi e individuare i modelli superficiali, mentre gli esperti umani esaminano i risultati, apportano le opportune correzioni in base ai fattori qualitativi e intervengono sul modello qualora rilevino delle anomalie. Questo approccio che prevede l'intervento umano sta diventando una prassi standard in diversi settori, dalla finanza all'epidemiologia.
Pro e Contro
Previsione tramite apprendimento automatico
Vantaggi
+Elabora rapidamente enormi set di dati
+Bilance con costi marginali minimi
+Rileva schemi nascosti
+Coerente e riproducibile
Consentiti
−Necessita di grandi set di dati di addestramento
−Povero con eventi senza precedenti
−Spesso manca di interpretabilità
−Può ereditare distorsioni nei dati
Previsione basata su esperti umani
Vantaggi
+Si adatta a scenari nuovi
+Incorpora il contesto qualitativo
+Le decisioni sono spiegabili
+Non sono necessari dati di addestramento.
Consentiti
−Scalabilità limitata
−Soggetto a distorsioni cognitive
−Più lento e più costoso
−Variabile da individuo a individuo
Idee sbagliate comuni
Mito
L'apprendimento automatico produce sempre previsioni più accurate rispetto agli esseri umani.
Realtà
L'accuratezza dipende fortemente dal dominio. In ambienti stabili e ricchi di dati, l'apprendimento automatico (ML) spesso prevale, ma in situazioni nuove o in rapida evoluzione, i previsori umani esperti superano frequentemente gli algoritmi. Studi come la ricerca sui "superprevisori" di Tetlock dimostrano che gli esseri umani possono battere i modelli di riferimento dell'apprendimento automatico su questioni geopolitiche.
Mito
Le previsioni degli esperti umani sono solo congetture basate sull'intuito.
Realtà
Gli esperti previsori qualificati utilizzano metodi strutturati come la previsione basata su classi di riferimento, la scomposizione e l'aggiornamento delle probabilità. Monitorano le proprie previsioni, imparano dagli errori e applicano un ragionamento rigoroso anziché affidarsi esclusivamente all'intuizione.
Mito
Una volta addestrato, un modello di previsione basato sull'apprendimento automatico non necessita mai di aggiornamenti.
Realtà
I modelli si degradano nel tempo a causa del cambiamento dei modelli del mondo reale, un problema noto come "concept drift" (deriva concettuale). La maggior parte dei sistemi di apprendimento automatico in produzione richiede un riaddestramento, un monitoraggio e una manutenzione regolari per rimanere accurati.
Mito
Una maggiore quantità di dati migliora sempre le previsioni dell'apprendimento automatico.
Realtà
La qualità dei dati è importante quanto la quantità. Dati distorti, obsoleti o rumorosi possono effettivamente peggiorare le previsioni, e aggiungere altri dati difettosi non risolve i problemi di fondo.
Mito
Gli esperti umani sono troppo soggetti a pregiudizi per poter fare previsioni affidabili.
Realtà
Sebbene esistano distorsioni cognitive, le tecniche di previsione strutturate e l'aggregazione delle previsioni di più esperti indipendenti riducono significativamente tali distorsioni. La ricerca di Tetlock ha dimostrato che le previsioni aggregate degli esperti possono essere straordinariamente accurate.
Domande frequenti
Qual è più accurato, l'apprendimento automatico o le previsioni degli esperti umani?
Dipende dalla situazione. L'apprendimento automatico tende a prevalere in ambiti stabili e ricchi di dati, come la domanda al dettaglio o le previsioni meteorologiche, dove i modelli storici consentono di prevedere il futuro in modo affidabile. Gli esperti umani, invece, tendono a prevalere in situazioni nuove o in rapida evoluzione, come crisi geopolitiche o pandemie. Una ricerca del Good Judgment Project ha dimostrato che i migliori previsori umani superano gli algoritmi di circa il 30% nelle previsioni sugli eventi mondiali.
modelli di apprendimento automatico sono in grado di prevedere eventi mai visti prima?
In generale no, non senza un nuovo addestramento. I modelli di apprendimento automatico identificano schemi a partire da dati storici, quindi eventi davvero senza precedenti come il COVID-19 o improvvisi cambiamenti normativi possono causarne il malfunzionamento finché non vengono aggiornati con nuove informazioni. Gli esperti umani gestiscono meglio queste situazioni perché sono in grado di ragionare partendo dai principi fondamentali.
Di quanti dati hai bisogno per le previsioni basate sull'apprendimento automatico?
Non esiste una risposta universale, ma la maggior parte dei modelli di previsione pratici necessita di almeno centinaia o migliaia di osservazioni per apprendere schemi significativi. I modelli semplici come la regressione lineare possono funzionare con un numero inferiore di dati, mentre gli approcci di deep learning in genere richiedono set di dati molto più ampi. La qualità dei dati spesso conta più della semplice quantità.
Che cos'è un superprevisore?
Il termine "superprevisore" è stato coniato dal ricercatore Philip Tetlock per descrivere gli individui che formulano costantemente previsioni estremamente accurate sugli eventi mondiali. Tendono ad essere abili con i numeri, aperti mentalmente, disposti ad aggiornare le proprie convinzioni sulla base di nuove prove e bravi a scomporre problemi complessi in parti più piccole. Circa il 2% dei partecipanti agli studi di Tetlock si qualificava come superprevisore.
È possibile combinare l'apprendimento automatico con le previsioni umane?
Assolutamente, e molte organizzazioni ora fanno proprio così. Un approccio comune consiste nell'utilizzare modelli di apprendimento automatico per generare previsioni di base, per poi farle esaminare e modificare da esperti umani in base a fattori qualitativi che il modello potrebbe non aver considerato. Questo metodo ibrido spesso offre prestazioni migliori rispetto a ciascun approccio preso singolarmente, soprattutto in settori come la finanza, la gestione della catena di approvvigionamento e la sanità.
Quali sono i principali bias nelle previsioni degli esperti umani?
Tra i bias cognitivi più comuni si annoverano l'effetto ancoraggio (l'eccessiva fiducia nelle informazioni iniziali), il bias di conferma (la ricerca di prove a sostegno delle opinioni preesistenti), l'eccessiva sicurezza di sé e il bias di recenza (l'attribuzione di troppa importanza agli eventi recenti). Metodi di previsione strutturati e l'aggregazione di molteplici previsioni indipendenti contribuiscono a ridurre significativamente questi bias.
Quali settori utilizzano maggiormente le previsioni basate sull'apprendimento automatico?
Tra i settori che hanno maggiormente adottato le previsioni basate sull'apprendimento automatico (ML) figurano la vendita al dettaglio, la finanza, l'energia, la sanità e la gestione della catena di approvvigionamento. Le aziende utilizzano le previsioni ML per la pianificazione della domanda, la previsione dei prezzi azionari, la previsione del carico energetico, i tassi di ricovero dei pazienti e l'ottimizzazione delle scorte. Amazon, Google e Walmart sono esempi noti di organizzazioni che utilizzano le previsioni ML su vasta scala.
Come si valuta l'accuratezza delle previsioni?
Le metriche più comuni includono l'errore assoluto medio (MAE), l'errore quadratico medio (RMSE), l'errore percentuale assoluto medio (MAPE) e, per le previsioni probabilistiche, il punteggio di Brier o la perdita logaritmica. La metrica migliore dipende dal fatto che si sia più interessati agli errori tipici, agli errori di grandi dimensioni o alla calibrazione delle stime di probabilità.
Le previsioni degli esperti umani sono ancora rilevanti nell'era dell'intelligenza artificiale?
Sì, assolutamente. Sebbene l'IA gestisca bene il riconoscimento di modelli su larga scala, gli esseri umani continuano a ottenere risultati migliori in situazioni che richiedono giudizio contestuale, ragionamento etico e adattamento a circostanze nuove. Molti sistemi di IA sono progettati specificamente per potenziare gli esperti umani, non per sostituirli, e la domanda di previsori qualificati continua a crescere.
Quali sono le competenze che contraddistinguono un buon previsore umano?
migliori previsori tendono ad avere dimestichezza con i numeri, ad essere intellettualmente umili, disposti a cambiare idea e abili nel suddividere i grandi quesiti in parti più piccole e gestibili. Ricercano attivamente prove che li smentiscano, monitorano attentamente le proprie previsioni e aggiornano le probabilità gradualmente, anziché trarre conclusioni affrettate.
Verdetto
Scegliete le previsioni basate sull'apprendimento automatico quando disponete di un'ampia quantità di dati storici, avete bisogno di previsioni su larga scala e operate in un ambiente relativamente stabile. Optate invece per le previsioni effettuate da esperti umani quando vi trovate di fronte a situazioni nuove, dati limitati o scenari in cui il ragionamento contestuale è più importante del riconoscimento di modelli. Per le applicazioni più complesse, i risultati migliori si ottengono combinando entrambi gli approcci, anziché considerandoli come alternative.
