L’intelligenza artificiale servirà anche e soprattutto a cambiare il modo in cui i brand si percepiscono fra i consumatori. Oltre al modo in cui vengono, ma quello è un altro tema e riguarda l’e-commerce. Insomma, oltre ai sondaggi, agli studi e ai focus group il monitoraggio della reputazione online diventerà sempre più importante. E i sistemi di analisi dei social network sono il primo fronte da cui passare per averne chiara consapevolezza. Sono destinati a farsi sempre più raffinati e potenti per esempio per consentire ai gruppi di reagire più rapidamente alle lamentele e in generale vendere di più, creando un ambiente più sereno intorno al marchio.

Tuttavia c’è un problema non da poco che prima o poi l’intelligenza artificiale supererà – visto che sta superando sfide di ogni genere – ma che al momento rimane piuttosto delicato, quando si pretende di analizzare il linguaggio naturale: il sarcasmo. È un argomento interessante (e divertente) non tanto per segnalare i limiti di queste soluzioni di analisi ma per capire la prospettiva e la direzione di marcia. Col sarcasmo, si sa, c’è una grossa discrepanza fra ciò che le persone dicono e ciò che intendono davvero. L’interpretazione letterale lascia spazio a infiniti e sottilissimi livelli di significato – a loro volta spesso incomprensibili senza un certo retroterra culturale e sociale – e rimane una delle grandi sfide dei cervelli artificiali. Che non riescono a seguire il gioco, lo scherzo, la freddure, il sottinteso. E dunque a non leggere coerentemente il giudizio diffuso, che riguardi un brand o qualsiasi altro argomento.

Anche le frasi e le espressioni più semplici possono variare di molto il propri significato, a loro volta in base a una serie di ingredienti presenti in un singolo post di un social network: “Che magnifico lunedì” accompagnato dalla foto di un parco baciato dal sole significa evidentemente che si è davvero felici per la giornata appena iniziata mentre corredato da un meme tristanzuolo o curioso assume automaticamente un altro valore. Alcuni esempi diretti di questo gap sono piuttosto palesi con gli assistenti virtuali: da Siri ad Alexa passando per il (più versatile) rinnovato Assistente di Google fino a Cortana, diciamo che il sarcasmo e l’ironia non sono il loro forte. I programmatori sono stati in grado di insegnare loro una serie di capacità di risposta divertenti che ci lasciano di stucco, è vero. Ma non significa che abbiano capito ciò che volevamo davvero dire. Anzi, sono spesso vie di fuga da cul-de-sac semantici in cui precipitano.

Sarcasmo3.jpg

Insomma, un bel problema da sciogliere. Ci sta provando una startup israeliana, Gong, che ha una sede anche a Palo Alto, in California e nasce di fatto da una serie di studi al Technion Israel Institute of Technology. Secondo Lotem Peled, chief data scientist dell’azienda, “il problema è che gli input possono essere sarcastici ma gli output no”. Le conseguenze di un’analisi poco accurata e non in grado di cogliere il massimo delle sfumature possono dunque essere molto gravi sulla percezione che un brand ha di se stesso nell’universo mediale, specie online. O, va ripetuto, in qualsiasi altro ambito Peled ha così creato una rete neurale, cioè un sistema che raccoglie informazioni conversazionali e si esercita ad attribuire loro un senso effettivo. Il punto di partenza è un corpus di tweet degli ultimi mesi, in particolare nel corso della campagna per le elezioni presidenziali statunitensi. Una fase ricchissima di sarcasmo, alimentato dagli utenti dei social network, in America e fuori.

L’interesse della startup, e in generale di chi lavora intorno a questo fronte, è dunque indagare i campi in cui l’intelligenza artificiale rimane ancora ben lontana dalle capacità di quella umana: “L’intelligenza artificiale è molto avanzata sotto certi punti di vista – ha spiegato Peled a Fortune – ma in termini di comprensione delle sfumature umane è ancora scarsa”.

Fra gli altri dati che indaga, Gong mette insieme anche le registrazioni delle telefonate o delle chat fra i venditori e i consumatori, per esempio nel caso delle televendite. Poi cerca di capire chi parla più a lungo – se il venditore o il potenziale acquirente – così come le pause negli scambi incrociando questi elementi ai contratti effettivamente portati a termine. Un sistema che si può utilizzare anche in combinazione a una serie di altre piattaforme (come quelle messe a punto da Salesforce, Google, Microsoft e da altre società) e che promette di aumentare l’efficacia del lavoro proprio partendo dall’approfondimento semantico degli scambi.

La sfida, insomma, appare chiara. Condurre “un’analisi dei dati qualitativa e non quantitativa”, aggiunge Peled raccontando il suo algoritmo Sign, quello che chiama “Sarcasm sentimental interpretation generator”. Ma come funziona davvero questa rete neurale che promette di colmare la forchetta fra significato letterale e significato reale? L’analisi grammaticale mette in evidenza non solo la dicotomia positiva o negativa ma, appunto, anche le pause fra i conversatori. In modo da poter incrociare questa mappa linguistica alle vendite effettive.

Questo sotto l’aspetto commerciale. Dal punto di vista generale, invece, migliorare la raffinatezza dell’intelligenza artificiale nell’interpetazione linguistica può avere infinite ricadute. Dalla comprensione migliorata verso chi soffre di certe patologie alla più efficace interazione fra uomo e macchina anche sotto gli aspetti della sicurezza, per esempio nella domotica o nei sistemi quasi totalmente automatizzati: laddove i messaggi non sono univoci, infatti, si aprono spazi per interpretazioni fuori fuoco e potenzialmente dannose.

Di ricerche su AI e sarcasmo se ne sono fatte diverse. Una quasi un anno fa sempre in Israele, firmata da Oren Tsur, Dmitry Davidof e Ari Rappoport: il trio ha allenato un algoritmo a riconoscere gli schermi ricorrenti nelle affermazioni che ruotano intorno alle dichiarazioni ironiche. Altre ricerche recenti sul deep learning svolte all’università di Lisbona, in Portogallo, e capitanate da Silvio Amir, hanno fatto leva – come nel caso della startup israeliana – su un corpus di tweet riuscendo a insegnare a un algoritmo a distinguere fra cinguettii sarcastici e ironici e interventi seri con l’87% dell’accuratezza. Ovviamente, come in molte altre indagini simili, pur nella capacità di massima di distinguere è rimasto un territorio grigio piuttosto sfumato.

Riusciremo mai a insegnare alle macchine cosa significa sarcasmo? E, soprattutto, dovendo interagire con loro, saremo mai in grado di suggerire loro quando è appropriato servirsene e quando invece è meglio limitarsi a un approccio tradizionale? Da questo snodo passeranno alcuni degli sviluppi più interessanti dell’intelligenza artificiale.