CASS
Contextual-aware Selection System
Come possiamo selezionare l’algoritmo giusto al momento giusto?
Cos’è il Machine Learning
Il Machine Learning è una branca dell’intelligenza artificiale che consente ai sistemi di apprendere dai dati, migliorando le proprie prestazioni senza essere esplicitamente programmati.
Serve per automatizzare decisioni complesse, riconoscere pattern nascosti nei dati e agire in modo intelligente e adattivo.
Sistemi decisionali automatici (DMS)
I Decision-Making Systems (DMS) sono sistemi progettati per prendere decisioni in autonomia, spesso utilizzando algoritmi di Machine Learning.
Vengono usati in ambiti come la sicurezza, la medicina, il marketing e la gestione delle risorse, ma spesso lo fanno in modo opaco, senza fornire motivazioni chiare né indicare quanto “si fidano” della decisione presa.
Dove sta il problema nei DMS?
Opachi
Prendono decisioni senza spiegare perché.
L’utente riceve un risultato, ma non ha strumenti per capirlo o valutarlo.
Rigidi
Una volta allenati, non si adattano bene al cambiamento.
Un piccolo cambiamento nei dati può causare decisioni errate, senza avviso.
Poco affidabili
Non distinguono quando “sono sicuri” e quando no.
Ogni risposta ha lo stesso peso, anche quando il modello “non sa” davvero.
L’idea
E se insegnassimo alle macchine a ragionare... lentamente?
Il pensiero umano
Secondo la teoria di Daniel Kahneman, le persone usano due modalità di pensiero:
Sistema 1: veloce, intuitivo, automatico.
Sistema 2: lento, riflessivo, analitico.
Il primo ci guida nelle decisioni rapide, ma può portarci a errori. Il secondo entra in gioco quando serve riflettere con attenzione.
L’intuizione artificiale
Oggi molti algoritmi di Machine Learning si comportano come un Sistema 1:
rispondono subito, senza “pensarci su”, anche quando non sono sicuri.
CASS nasce da un’idea semplice:
inserire un Sistema 2 artificiale, che possa:
valutare la sicurezza della decisione,
fermarsi a riflettere quando serve,
scegliere se fidarsi o meno del risultato.
Come funziona il sistema alimementato da CASS
1. Definizione del problema
L'algoritmo analizza il contesto e definisce con chiarezza gli obiettivi. Proprio come un essere umano che si chiede: “Cosa devo risolvere e perché?”
2. Raccolta e sintesi delle informazioni
CASS raccoglie dati da fonti interne o esterne, filtra il rumore e si concentra su ciò che è davvero utile, costruendo una base informativa solida.
3. Generazione e valutazione delle alternative
Il sistema esplora diverse strategie risolutive, anche non convenzionali, valutandole in base agli obiettivi. Non si accontenta della prima risposta, ma le confronta criticamente.
4. Scelta e pianificazione
Seleziona la soluzione migliore secondo criteri oggettivi (accuratezza, affidabilità), motivando la scelta in modo comprensibile.
5. Implementazione
Applica la soluzione scelta traducendola in azione: addestra, predice, genera output. Ogni decisione ha un effetto concreto e misurabile.
6. Monitoraggio e adattamento
Valuta i risultati ottenuti, si corregge, impara. Questa fase è il cuore dell’adattività di CASS: niente viene dato per scontato, tutto è migliorabile.
SCANIA - APS
Il sistema CASS è stato messo alla prova su un dataset reale fornito da Scania Trucks, che raccoglie informazioni sull’Air Pressure System (APS), una componente cruciale nei camion per la frenata e il cambio marcia.
Risultato con CASS
Risultato principale: CASS ha ottenuto un risparmio dell’8,66% rispetto all’approccio naïve, dimostrando una maggiore efficacia nel contesto ad alta criticità operativa come quello dei camion Scania.
Previsioni Trasparenti
Curioso di sapere perchè il sistema ha intrapreso quella decisione? Ci sono i grafici a spiegartelo.
Accuratezza "accurata"
Le previsioni del sistema sono corrette e lo si dimostra nel tempo stabilizzandosi in accuratezza ad una soglia del 99,6%
Semplicemente Dinamico
Si è adattato allo sbilanciamento tra classi, modellandosi per risolvere il problema al meglio che poteva.
