Cos’è l’Ingegneria Decisionale?

Una nuova disciplina per il controllo nell’era dell’IA

Tradotto da Felice Rocchitelli, originale di Cassie Kozyrkov

Curioso di sapere cosa ha in comune la psicologia dell’evitare i leoni nella savana con una guida responsabile nell’ambito dell’IA e le sfide nel progettare data warehouses? Benvenuto nell’ingegneria decisionale!

Source: xijian/Getty

L’ingegneria decisionale è una nuova disciplina accademica concernente tutto ciò che riguarda la scelta tra più opzioni. Essa racchiude le migliori applicazioni della scienza dei dati, delle scienze sociali e gestionali all’interno di un unico campo di studi che aiuta le persone ad utilizzare i dati al fine di migliorare le proprie vite, i propri affari e il mondo attorno a loro.

Rappresenta una scienza vitale nell’era dell’IA. Essa comprende le abilità necessarie per condurre responsabilmente progetti legati all’IA e per progettare obiettivi, metriche e reti sicure per l’automatizzazione su larga scala.

L’ingegneria decisionale è la disciplina che trasforma le informazioni in azioni migliori su qualsiasi scala.

Facciamo un tour tra la sua terminologia e i concetti base. Le sezioni sono state concepite in modo tale da rimanere comprensibili anche in ottica di una lettura parziale dei contenuti.

Cos’è una decisione?

I dati sono magnifici, ma sono le decisioni ad essere importanti. È attraverso le nostre decisioni — le nostre azioni — che abbiamo un impatto sul mondo che ci circonda.

Definiamo la parola “decisione” per rappresentare qualsiasi scelta effettuata tra più opzioni di differente entità, quindi l’argomento è molto più ampio rispetto ai dilemmi in stile MBA (come la scelta di aprire o meno un ramo della tuo attività a Londra).

È attraverso le nostre decisioni — le nostre azioni — che abbiamo un impatto sul mondo che ci circonda.

In tale terminologia, etichettare una foto come la foto di un gatto a differenza di una foto che non ritrae un gatto è un tipo di decisione eseguita attraverso un computer, mentre scegliere se eseguire o meno quel dato sistema è una decisione presa dalla persona incaricata della guida del progetto.

Cos’è un decisore?

Nella nostra lingua, un “decisore” non è quel detentore di interesse o investitore che subentra per porre un veto alle attività del team del progetto, ma è piuttosto la persona responsabile dell’infrastruttura decisionale e dell’inquadramento del contesto. In altre parole, un creatore di obiettivi che sono meticolosamente formulati in base al loro distruttore.

Cos’è il processo decisionale?

Il processo decisionale (Decision-making) è un termine usato differentemente da svariate discipline, può riferirsi a:

• intraprendere un’azione in presenza di opzioni alternative (in questo senso è possibile descrivere il processo decisionale attraverso un computer o una lucertola).
• svolgere la funzione di decisore (umano), che implica assumersi la responsabilità delle decisioni. Anche se un sistema informatico può eseguire una decisione, non sarà chiamato decisore perché non ha la responsabilità dei suoi risultati — tale responsabilità ricadrà unicamente sulle spalle degli umani che l’hanno creata.

Tassonomia dell’ingegneria decisionale

Un modo per approcciarsi all’apprendimento della ingegneria decisionale e suddividerla, seguendo le tradizionali linee di separazione, tra aspetti quantitativi (largamente sovrapposti a quelli della scienza dei dati applicata) e aspetti qualitativi (sviluppati dai ricercatori delle scienze sociali e gestionali).

Parte Qualitativa: la scienze decisionali

Le materie che compongono la parte qualitativa sono tradizionalmente annoverate tra le scienze decisionali.

Le scienze decisionali si occupano di domande come:

• “Come dovresti impostare i criteri decisionali e progettare le tue metriche” (Tutti)
• “Le metriche che hai scelto sono compatibili con gli incentivi presenti?” (Economia)
• “Quanto risulta importante questa decisione e quale prezzo pagheresti per avere perfetta informazione?” (Analisi decisionale)
• “Quanto contano le emozioni, l’euristica e i pregiudizi nel processo decisionale?” (Psicologia)
• “In che modo fattori biologici come i livelli di cortisolo influenzano il processo decisionale?” (Neuroeconomia)
• “In che modo la modifica della presentazione delle informazioni influenza il comportamento di scelta?” (Economia Comportamentale)
• “Come ottimizzare i risultati quando si prendono decisioni in un contesto di gruppo?” (Teoria dei Giochi Sperimentale)
• “Come si bilanciano numerosi vincoli e obiettivi multilivello nella progettazione del contesto decisionale?” (Progettazione)
• “Chi sperimenterà le conseguenze della decisione e in che modo vari gruppi percepiranno quell’esperienza?” (Ricerca UX)
• “La decisione è etica?” (Filosofia)

Questo è solo un piccolo assaggio…ce ne sono molte altre! La lista delle discipline coinvolte lungi dall’essere completa. Pensa a quell’area delle scienze decisionali che si occupa della gestione delle decisioni e dell’elaborazione delle informazioni nella sua più confusa forma di archiviazione (il cervello umano), o piuttosto nella forma ordinatamente scritta in una memoria semi-permanente (su carta o elettronicamente) che chiamiamo dati.

Il problema con il tuo cervello

Nel secolo precedente, era di moda lodare chiunque avesse riempito svariate pagine di matematica compiendo un inimmaginabile sforzo umano. Adottare un approccio quantitativo di solito è meglio del caos senza pensieri, ma si può far meglio.

Le strategie basate sulla pura razionalità matematica sono relativamente ingenue e tendono a sottoperformare.

Le strategie basate sulla pura razionalità matematica in assenza di comprensione qualitativa del processo decisionale e del comportamento umano sono relativamente ingenue e tendono a sottoperformare in relazione a quelle basate su una padronanza comune di entrambe le sfere qualitativa e quantitativa. (Restate sintonizzati per i post sulla storia della razionalità nelle scienze sociali, e per gli esempi tratti dalla teoria dei giochi comportamentali in cui la psicologia batte la matematica.)

Gli umani non sono ottimizzatori, siamo compiacenti, che è un termine raffinato per indicare coloro che cercano delle scappatoie.

Gli umani non sono ottimizzatori, siamo compiacenti (o satisficers), che è un termine raffinato per indicare coloro che cercano delle scappatoie, che sono soddisfatti con il buono abbastanza piuttosto che perfetto. (È anche un concetto abbastanza scioccante per la nostra arrogante specie — un pugno all’Uomo razionale, divino e impeccabile — che è valso un premio Nobel.)

Image: Source.

In realtà, tutti noi umani usiamo l’euristica cognitiva per risparmiare tempo e fatica. Il ciò è spesso un bene; elaborare il percorso perfetto per allontanarsi da un leone nella savana ci farebbe sbranare prima che iniziassimo il calcolo. Il soddisfacimento riduce anche il costo calorico della vita, il che è altrettanto positivo, poiché i nostri cervelli sono, allo stato delle cose, dispositivi ridicolmente affamati di energia, divorando circa un quinto del nostro dispendio energetico nonostante pesino circa 1360 grammi. (scommetto che il tuo pesa più di 7000 grammi in totale, giusto?)

Alcune delle scappatoie che prendiamo ci conducono a risultati subottimali prevedibili.

Oggi che molti di noi non consumano le proprie giornate scappando dai leoni, alcune delle scappatoie che prendiamo ci conducono a risultati prevedibili di poco conto. I nostri cervelli non sono ottimizzati per l’ambiente moderno. Comprendere il modo in cui la nostra specie trasforma le informazioni in azioni ti permette di adoperare processi decisionali che ti proteggano dalle carenze del tuo stesso cervello (così come da coloro che mettono intenzionalmente alla prova i tuoi istinti). Ti aiuta a sviluppare meccanismi che aumentano la tua prestazione e adattano l’ambiente al tuo cervello se questo si rivelasse Lamarckianamente lento a tenere il passo evolutivo.

Se pensi che l’IA metta gli umani fuori dall’equazione, ripensaci!

Comunque sia, se pensi che l’IA metta gli umani fuori dall’equazione, ripensaci! Tutte le tecnologie sono un riflesso del proprio creatore e i sistemi che operano su larga scala possono amplificare le carenze umane, motivo per il quale è così necessario sviluppare abilità ingegneristiche decisionali per un leader responsabile che opera in ambito IA. Scopri di più.

Forse non stai prendendo decisioni

A volte, riflettere attentamente sui criteri decisionali ti porta a capire che non esiste niente al mondo che ti porterebbe a cambiare idea — hai già selezionato la tua azione e ora stai solo cercando un modo per sentirti meglio. Questa è una realizzazione utile — ti impedisce di perdere più tempo e ti aiuta a reindirizzare il tuo disagio emotivo mentre fai ciò che avresti comunque fatto, i dati sono dannati.

“Usa la statistica come un ubriaco usa i lampioni…per supporto piuttosto che per illuminazione.” -Andrew Lang

A meno che tu non intraprenda azioni diverse in risposta a diversi fatti ancora sconosciuti, non c’è alcuna decisione qui … anche se a volte l’addestramento nell’analisi delle decisioni ti aiuta a vedere queste situazioni più chiaramente.

Il processo decisionale in condizioni di perfetta informazione

Ora immagina di aver usato molta attenzione nella programmazione di una decisione sensibile ai fatti e che tu possa schioccare le dita per vedere le informazioni fattuali necessarie per eseguire la tua decisione. A cosa ti serve la scienza dei dati? Niente, ecco cosa.

Il primo ordine del giorno dovrebbe essere capire come vorremmo reagire ai fatti.

Non c’è mai niente di meglio di un fatto — qualcosa che conosci con certezza (sì, sono consapevole che c’è una voragine relativista scavata in questo punto, andiamo avanti) — quindi preferiamo sempre prendere decisioni basate su fatti se ne siamo in possesso. Ecco perché il primo ordine del giorno dovrebbe essere capire come vorremmo gestire i fatti. A quale dei seguenti usi vorresti imporre le tue informazioni ideali?

L’autore ha apprezzato particolarmente questo muretto in Jamaica. La scritta dice “Le decisioni giuste non si materializzano improvvisamente” in Inglese.

Cosa puoi fare con i fatti?

• Puoi utilizzare i fatti per prendere un’unica importante decisione predeterminata. Se è abbastanza importante, dovrai affidarti fortemente al lato qualitativo delle cose per inquadrare saggiamente la tua decisione. Gli psicologi sanno che le informazioni possono manipolarti in modi che non vorresti, quindi loro (e altri) hanno molto da dire su come affrontare la selezione delle informazioni che accetti in anticipo.
• Puoi usare i fatti per sostenere le opinioni (“Immagino che fuori ci sia il sole” diventa “So che fuori c’è il sole”).
• Puoi usare i fatti per prendere un’unica decisione esistenziale. Le decisioni esistenziali (“Ho appena scoperto che esiste un caso di ebola proprio accanto, quindi sto uscendo da qui subito …”) sono decisioni in cui l’esistenza di uno fatto precedentemente sconosciuto scuote così tanto il fondamento del tuo approccio che con il senno di poi ti rendi conto che il tuo contesto decisionale è stato inquadrato in modo sciatto.
• Puoi utilizzare i fatti per automatizzare un gran numero di decisioni. Nella programmazione tradizionale, un essere umano specifica l’insieme di istruzioni per convertire input di fatti in azioni appropriate, possibilmente coinvolgendo qualcosa come una tabella di ricerca.
• È possibile utilizzare i fatti per rivelare una soluzione di automazione. Vedendo i fatti sul sistema, è possibile scrivere codice basato su di essi. Questo è un approccio migliore alla programmazione tradizionale piuttosto che inventare la struttura di una soluzione pensando seriamente senza informazioni. Ad esempio, se non sai come convertire da Celsius a Fahrenheit, ma potresti utilizzare un set di dati per cercare la voce in Fahrenheit che accompagna l’input Celsius … ma se analizzi quella stessa tabella di ricerca, scoprirai la formula che li collega. Quindi puoi semplicemente codificare quella formula (“modello”) per fare il tuo lavoro sporco per te e mettere via quella goffa tabella.
• È possibile utilizzare i fatti per generare una soluzione ottimale a un problema di automazione perfettamente risolvibile. Questa è l’ottimizzazione tradizionale. Troverai molti esempi nel campo della ricerca operativa, che copre, tra le altre cose, come contrastare i vincoli per ottenere il risultato ideale, ad esempio quale sia l’ordine migliore in cui completare una serie di attività.
• Puoi utilizzare i fatti per ispirarti su come affronterai le decisioni importanti future. Questo fa parte dell’analisi, che appartiene anche alla sezione sulle informazioni parziali. Tenilo a mente!
• Puoi utilizzare i fatti per fare un bilancio su ciò di cui devi occuparti. Questo ti aiuta a capire i tipi di input che hai a disposizione per decisioni future e a progettare come curare meglio le tue informazioni. Se hai appena ereditato un grande magazzino (dati) buio pieno di potenziali ingredienti, non saprai cosa c’è dentro finché qualcuno non lo guarda. Fortunatamente, il tuo analista ha una torcia e dei pattini.
• Puoi usare i fatti in modo sciatto per prendere decisioni poco strutturate. Ciò è efficace quando le decisioni hanno una posta in gioco sufficientemente bassa da non giustificare lo sforzo necessario per affrontarle attentamente, come ad esempio “Cosa dovrei mangiare oggi a pranzo?” Cercare di essere rigoroso, tutto il tempo su tutte le decisioni, crea nel lungo termine risultati subottimali e rientra nella categoria del perfezionismo inutile. Risparmia i tuoi sforzi per le situazioni che sono abbastanza importanti per essi, ma ti preghiamo di non dimenticare che anche se è efficiente utilizzare un approccio di bassa qualità a basso sforzo, l’approccio decisionale ottimale è ancora di bassa qualità. Non dovresti battere il petto o essere troppo sicuro di te quando questo è il tuo metodo … Se prendi scorciatoie, hai ottenuto qualcosa di fragile. Ci sono situazioni in cui il lavoro è fragile, ma ciò non rende improvvisamente solide le tue conclusioni. Non appoggiarti su di esso. Se si desidera un processo decisionale di alta qualità, è necessario un approccio più rigoroso.

Con l’addestramento nelle scienze decisionali, impari a ridurre lo sforzo necessario per prendere decisioni rigorose basate sui fatti, il che significa che la stessa mole di lavoro ti consente ora di prendere decisioni di qualità superiore su tutta la linea. Questa è un’abilità molto preziosa, ma ci vuole molto lavoro per affinare. Ad esempio, gli studenti di economia comportamentale prendono l’abitudine di stabilire criteri di decisione in anticipo rispetto alle informazioni. Quelli di noi che hanno preso un pestaggio da programmi di formazione scientifica sufficientemente impegnativi non possono fare a meno di chiedersi, ad esempio, quale sia il massimo che pagheremo per un biglietto PRIMA di cercare il prezzo.

Raccolta di dati e ingegneria dei dati

Se fossimo in possesso dei fatti, avremmo già finito. Purtroppo, viviamo nel mondo reale e spesso dobbiamo lavorare per le nostre informazioni. L’ingegneria dei dati è una disciplina sofisticata incentrata sulla messa a disposizione di informazioni affidabili su larga scala. Allo stesso modo in cui risulta essere facile andare al supermercato per comprare una vaschetta di gelato, l’ingegneria dei dati risulta essere facile quando tutte le informazioni pertinenti disponibili sono inserite in un foglio di calcolo.

Le cose si complicano quando inizi a chiedere la consegna di 2 milioni di tonnellate di gelato … a cui non è permesso sciogliersi! Le cose diventano ancora più complicate se devi progettare, allestire e mantenere un enorme magazzino e non sai nemmeno che cosa, in seguito, il futuro ti chiederà di conservare — forse sono poche tonnellate di pesce, forse è il plutonio … buona fortuna!

È complicato allestire un magazzino quando non sai neanche cosa ti verrà chiesto di conservare la prossima settimana — magari sono poche tonnellate di pesce, magari il plutonio… buona fortuna!

Mentre l’ingegneria dei dati è una disciplina gemella separata, oltre a essere un collaboratore chiave dell’ingegneria decisionale, le scienze decisionali includono una forte tradizione di competenze coinvolte nella consulenza nella progettazione e nella cura della raccolta dei fatti.

Parte Quantitativa: La Scienza dei Dati

Quando hai strutturato la tua decisione e cerchi tutti i fatti di cui hai bisogno, usando un motore di ricerca o un’analista (svolgendo il ruolo di un motore di ricerca umano per te), tutto ciò che resta da fare è eseguire la tua decisione. Hai finito! Non è necessaria alcuna elaborata scienza dei dati.

E se, dopo tutto quel lavoro di gamba e ingegneria jiu-jitsu, i fatti forniti non fossero quelli di cui idealmente hai bisogno per la tua decisione? E se fossero solo fatti parziali? Forse vuoi i fatti di domani, ma hai solo il passato per informarti. (È così fastidioso quando non riusciamo a ricordare il futuro.) Forse vuoi sapere cosa pensano tutti i tuoi potenziali utenti del tuo prodotto, ma puoi chiederlo solo a un centinaio di essi. Poi hai a che fare con l’incertezza! Quello che sai non è quello che vorresti sapere. Aggiungici la scienza dei dati!

La scienza dei dati diventa interessante quando sei costretto a fare un salto oltre i dati … ma fai attenzione a evitare uno schianto simile a quello di Icaro!

Naturalmente, dovresti aspettarti che il tuo approccio cambi quando i fatti che hai non sono i fatti di cui hai bisogno. Forse sono un pezzo di un puzzle molto più grande (come con un campione di una popolazione più grande). Forse sono il puzzle sbagliato, ma il migliore che hai (come con l’utilizzo del passato per predire il futuro). La scienza dei dati diventa interessante quando sei costretto a fare un salto oltre i dati … ma fai attenzione a evitare uno schianto simile a quello Icaro!

• Puoi utilizzare fatti parziali per prendere un’unica importante decisione pre-impostata con l’aiuto dell’inferenza statistica, integrando le informazioni che hai con ipotesi per vedere se dovresti cambiare la tua azione. Questa è la statistica del frequentista (classica).
• Puoi utilizzare fatti parziali per aggiornare ragionevolmente le opinioni in opinioni più informate (ma comunque imperfette e personali). Queste sono le statistiche bayesiane.
• I tuoi fatti parziali potrebbero rivelarsi fatti sull’esistenza, il che significa che potresti usarli con il senno di poi per decisioni esistenziali (vedi sopra).
• È possibile utilizzare fatti parziali per automatizzare un gran numero di decisioni. Questa è la programmazione tradizionale che utilizza qualcosa come una tabella di ricerca in cui converti qualcosa che non hai mai visto prima nella cosa più vicina a te, quindi procedi come al solito. (Ecco cosa fa k-NN in poche parole … e di solito funziona meglio quando in quelle poche parole ci sono più cose.)
• È possibile utilizzare fatti parziali per ispirare una soluzione di automazione. Vedendo i fatti sul sistema, è possibile scrivere codice basato su di essi. Questo è un approccio migliore alla programmazione tradizionale piuttosto che inventare la struttura della soluzione pensando seriamente senza informazioni. Questa è analisi.
• Puoi utilizzare fatti parziali per generare una soluzione decente a un problema di automazione imperfettamente risolvibile in modo da non doverlo inventare da solo. Questo è machine learning e IA.
• Puoi utilizzare fatti parziali per ispirare il modo in cui affronterai le future decisioni importanti. Questa è analisi.
• Puoi utilizzare fatti parziali per capire con cosa hai a che fare (vedi sopra) e per accelerare lo sviluppo di una soluzione di automazione con analisi avanzate, ad esempio ispirando nuovi modi di fondere le informazioni per creare utili input per un modello (il termine per questo è “feature engineering”) o nuovi metodi da provare in un progetto AI.
• Puoi usare i fatti parziali in modo sciatto per prendere decisioni non propriamente strutturate, ma tieni presente che la qualità è persino inferiore rispetto a quando usi i fatti in modo sciatto, perché ciò che sai effettivamente è un passo indietro da ciò che desideri conoscere.

Per tutti questi usi, ci sono modi per integrare la saggezza di una varietà di discipline precedentemente insulse per affrontare il processo decisionale in modo più efficace. Ecco cos’è l’ingegneria decisionale! Riunisce insieme diverse prospettive sul processo decisionale che ci rendono tutti più forti e dà loro una nuova voce che è libera dai vincoli tradizionali dei loro campi di studio originari.

Per tornare all’analogia della cucina con l’IA, se la ricerca nel campo dell’IA sta costruendo microonde e l’IA applicata utilizza microonde, l’ingegneria decisionale utilizza le microonde in modo sicuro per raggiungere i tuoi obiettivi e usa qualcos’altro quando non hai bisogno di un forno a microonde. L’obiettivo è sempre il punto di partenza per l’ingegneria decisionale.

Se sei curioso di scoprire più, la maggior parte dei miei articoli qui su Medium.com sono stati scritti dal punto di vista dell’ingegneria decisionale. La mia guida per iniziare i progetti di IA è probabilmente la meno sottile, quindi consiglierei di immergerti in quella se non hai già scelto la tua avventura seguendo i link in questo articolo.