Diagnostica

Quantità, densità, granularità.

Il primo passo da fare per parlare di A.I. Che si tratti di manutenzione predittiva, forecast della domanda o di riconoscimento di immagini, l'A.I. si nutre di dati. Quanti? Purtroppo la risposta è... "dipende". Dall'obiettivo e dalla matematica stessa. Il nostro team di Data Scientist effettua test di screening sui potenziali dataset di training dei modelli, record per record, e verifica che siano all'altezza del compito che gli è stato assegnato, evidenziando i suoi limiti strutturali.

Erratic o Lumpy? Pareto? Ci sono backdoor?

Quando i dati ci sono, la domanda da porsi è: descrivono correttamente il fenomeno? Sono dati di qualità? Si tratta di un tema di cruciale importanza per tutto ciò che succederà a valle del training. Il nostro team di Data Scientists effettua test diagnostici rivolti a misurare il comportamento dei dati su base matematica, e cioè se sono correttamente distribuiti sullo scenario di impiego in modo da non costituire "bolle" di significato, se rappresentano correttamente una porzione consistente del fenomeno che devono descrivere, e se contengono elementi che potrebbero dare vita a bias del modello o peggio, contengono "vizi di forma" che potrebbero rappresentare un rischio in termini di sicurezza.

Matematica & Ingegneria del Software

Il modello funziona me è lento, il numero di utenti concorrenti è decuplicato, il log di controllo è diventato pesante. Anche la migliore applicazione di A.I. ha bisogno di una messa a punto per garantire il massimo delle performance. E per tenere sotto controllo i costi operativi. Oppure evolversi al mutare delle condizioni di business o per ragioni strategiche. Il nostro team di Data Scientists effettua controlli in ambiente protetto, verifica la presenza di spazi di ottimizzazione e redige uno proposta di riassetto con una stima degli indicatori di risultato.

Il tuo modello ha bisogno di un avversario

Si chiama AML (Adversarial Machine Learning), ed è un metodo per addestrare un modello a resistere agli attacchi. Noi creiamo il suo modello avversario e li facciamo combattere, in questo modo potremo identificare e mitigare le vulnerabilità del modello originale.

Il dataset che mancava

Immagini, audio o anche in forma tabellare. Quando è necessario addestrare un modello su una massa di dati troppo esigua, l'unica soluzione è la creazione di dati sintetici che possano colmare il gap. Esistono diverse tecniche di generazione di dati sintetici, e poi c'è il controllo sul processo di generazione.

Matematica & Giurisprudenza

Dal trattamento dati alla responsabilità individuale e aziendale. Sono numerose e complesse le intersezioni dei processi automatici guidati da una A.I. ed i termini di legge a cui devono essere sottoposti. Collaboriamo con un team di legali specializzati in A.I. per effettuare un assessment sul piano legale dei modelli e del loro comportamento, e poi addestriamo il modello ad operare in compliance con le policy introdotte.