CASS
Contextual-aware Selection System — Come selezionare l'algoritmo giusto al momento giusto?
Dove sta il problema nei Decision-Making Systems?
I DMS automatici sono ampiamente usati in ambito industriale, finanziario e medico, ma la maggior parte dei modelli convenzionali presenta tre criticità strutturali:
Opachi
Prendono decisioni senza spiegare il perché. L'utente riceve un output senza gli strumenti conoscitivi per valutarne la bontà o il percorso logico sottostante.
Rigidi
Una volta addestrati su un dataset fisso, non gestiscono bene la variazione delle condizioni operative. Una minima variazione può innescare decisioni errate senza preavviso.
Poco Affidabili
Non quantificano il proprio grado di confidenza. Ogni risposta viene emessa con lo stesso peso formale, persino nei casi limite in cui il modello è intrinsecamente incerto.
E se insegnassimo alle macchine a ragionare lentamente?
Il Pensiero Umano (Kahneman)
Secondo la teoria dei processi duali, la mente umana opera su due canali:
• Sistema 1: Veloce, intuitivo, automatico. Ci guida nelle decisioni repentine ma è soggetto a bias.
• Sistema 2: Lento, riflessivo, analitico. Interviene quando serve valutare criticamente alternative e dati complessi.
L'Intuizione Artificiale & CASS
Oggi molti algoritmi agiscono solo come un Sistema 1: rispondono immediatamente anche quando non sono sicuri.
CASS introduce un Sistema 2 artificiale: valuta il livello di confidenza, analizza il contesto operativo, seleziona il modello più idoneo e garantisce trasparenza prima di eseguire la predizione.
Le 6 Fasi del Ciclo Cognitivo di 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 Dati
CASS raccoglie dati da fonti interne o flussi di telemetria, filtra il rumore e si concentra sulle feature determinanti, consolidando la base informativa.
3. Generazione e Valutazione Alternative
Il meta-sistema esplora diverse strategie risolutive, confrontando modelli concorrenti in funzione del trade-off tra velocità, costo computazionale e accuratezza.
4. Scelta e Pianificazione
Seleziona la soluzione migliore secondo criteri oggettivi prefissati (minimizzazione falsi positivi, affidabilità probabilistica), motivando la scelta.
5. Implementazione Operativa
Applica la soluzione prescelta traducendola in azione: esegue l'inferenza, stima il rischio ed emette un output misurabile con relativa metrica di confidenza.
6. Monitoraggio e Adattamento
Valuta i risultati ottenuti rispetto al feedback del mondo reale, corregge la calibrazione e impara continuamente nel tempo.
Case Study Industriale: SCANIA APS Dataset
Testato su dataset industriali complessi per la manutenzione predittiva dell'Air Pressure System (APS) dei veicoli pesanti Scania.
Previsioni Trasparenti
Ogni diagnosi di anomalia viene accompagnata dai fattori chiave che l'hanno determinata, permettendo ai tecnici di comprendere la causa del guasto prima dell'ispezione.
Accuratezza Calibrata
Riduzione sensibile dei costi associati ai falsi allarmi e ai mancati interventi grazie alla calibrazione dinamica delle soglie di decisione.
Adattabilità Dinamica
Capacità di commutare la pipeline di inferenza in tempo reale senza richiedere un riaddestramento monolitico dell'intera infrastruttura.