Sistemi esperti: analisi dell'investimento

Negli ultimi anni, gli studiosi della teoria economica e dell'impresa, avendo posto in risalto il ruolo che la conoscenza ha assunto nella realtà aziendale e quanto questa rappresenti parte considerevole della differenza tra il valore effettivo dell'impresa e la somma delle sue attività iscritte a bilancio, hanno auspicato la possibilità di “gestire” questa preziosa risorsa invisibile come già avviene per gli altri fattori produttivi, affiancandola a quella insita nell’organizzazione del personale.
Una nuova concezione di gestione della conoscenza dovrebbe necessariamente fondarsi sulla separazione di quest’ultima dall’esperto umano e sulla sua conseguente possibilità di conservazione e diffusione all'interno dell'organizzazione aziendale. Ciò potrebbe realizzarsi con gli strumenti propri di una branca dell'informatica, nota come ingegneria della conoscenza, frutto delle ricerche condotte sull'intelligenza artificiale (IA) e concretizzatesi verso la metà degli anni '60 nei primi sistemi esperti*
Oggetto di questa tesi sono quindi i sistemi esperti, intesi come strumento principale per attuare la politica di gestione della conoscenza a cui si è fatto riferimento in apertura.
Lo studio ha considerato i sistemi esperti da un punto di vista aziendale, secondo cui essi sono “impieghi di risorse a fronte dei quali sono attesi dei benefici”, e in quanto tali sottoposti ad una valutazione preventiva atta a verificarne la coerenza strategica con gli obiettivi aziendali, la convenienza economica e la fattibilità finanziaria.
L'indagine su un fenomeno apparso immediatamente complesso, non poteva limitarsi alla sola raccolta delle esperienze descritte da altri, soprattutto riscontrando un frequente contrasto tra gli ottimi risultati dichiarati da aziende e università durante i convegni e i fallimenti mormorati tra i frequentatori degli stessi. Si è, quindi, dimostrata preziosa l'opportunità offerta da Alenia Aeronautica di analizzare direttamente il suo progetto di impiego delle knowledge representation technology (KRT) nel campo della progettazione e del manufacturing; progetto tra i più vasti e importanti, sia dal punto di vista tecnologico, sia da quello economico, sviluppati nel nostro paese.
Nell'analisi dell'esperienza Alenia, si è ritenuto più interessante concentrarsi sull'individuazione fattori di successo e sui problemi derivanti dall'impiego operativo dei sistemi esperti, piuttosto che approfondire l'aspetto quantitativo legato entità dei costi e dei ritorni misurabili a posteriori in quanto, privilegiando così l’aspetto propositivo su quello critico.
Il confronto tra i casi presenti in letteratura e quelli osservati personalmente, ha fatto emergere la complessità del concetto di valutazione quando questa è finalizzata alla decisione se usare e come usare le KRT, dal momento che la coesistenza dei successi e dei fallimenti, cui si è accennato, è concreta e non derivante dalle considerazioni soggettive dei valutatori.
Dopo aver appreso delle potenzialità dei sistemi esperti e di come questi possono costituire la risposta ideale ad esigenze significative, la loro diffusione è apparsa troppo modesta. Tra le diverse cause individuate, è stata approfondita quella relativa all'elevato costo, scoprendo che esso non origina dalla costosità della tecnologia in sè ma dalla laboriosità della fase di trasferimento della conoscenza dalla fonte al computer (knowledge acquisition), la quale impegna personale specializzato (sia nel dominio, sia nelle KRT) per periodi piuttosto lunghi. Se a ciò si aggiunge il “rischio tecnologico” insito in applicazioni complesse come la formalizzazione della conoscenza euristica e procedurale, risulta evidente l'avversione per un investimento impegnativo e rischioso, anche se promettente.
In questo contesto, una prospettiva che attualmente non può essere considerata molto più che una speranza, viene dalla (relativamente) nuova tecnologia delle reti neurali artificiali (RNA), anch'essa originata dagli studi sull'IA ma che, a differenza delle KRT tradizionali, è frutto del paradigma connessionista nato a seguito del “fallimento” di quello cognitivista.
Nonostante oggi l'inclusione delle RNA nelle KRT sia ancora agli albori, le prospettive appaiono molto interessanti: confrontando pregi e difetti di RNA e KRT tradizionali, emerge una complementarietà straordinaria che ha stimolato i molti ricercatori a cercare di superare i problemi che ancora impediscono l'uso delle RNA in più vasti ambiti di applicazione.
Dalla possibilità di automatizzare la knowledge acquisition, di rappresentare anche la conoscenza “fattuale” e di gestire informazioni fuzzy o incomplete, potrebbe nascere una nuova concezione dei SE “alternativa”.