Implementazione dell’intelligenza artificiale durante una carenza di talenti a livello mondiale
Le richieste del C-suite per la proliferazione dell’IA in tutta l’azienda sono spesso complicate dalla mancanza di talenti disponibili e delle competenze necessarie per impegnarsi in tali implementazioni. Il budget è raramente il fattore limitante, soprattutto per le organizzazioni più grandi. Ciò che manca sono le persone con le conoscenze e le competenze pratiche per testare e istituire l’IA in tutta l’organizzazione.
Quando i giusti modelli di machine learning (ML) vengono combinati con i giusti casi d’uso, l’IA può migliorare il servizio clienti, eseguire attività amministrative, analizzare enormi set di dati ed eseguire molte più funzioni organizzative in volumi enormi e con bassi tassi di errore. I leader aziendali lo sanno. Eppure sono trattenuti dall’agire in base a quella conoscenza.
Utilizzo dell’intelligenza artificiale per potenziare piattaforme senza codice e semplificare il lavoro – Summit Low-Code/No-Code
Una nuova ricerca di SambaNova Systems ha dimostrato che, a livello globale, solo il 18% delle organizzazioni sta implementando l’AI come iniziativa su larga scala e su scala aziendale. Allo stesso modo, il 59% dei responsabili IT nel Regno Unito riferisce di avere il budget per assumere risorse aggiuntive per i propri team di IA, ma l’82% ha affermato che assumere effettivamente questi team è una sfida.
Ogni ora di attività ripetitive che possono essere ridotte automatizzando o aumentando con l’intelligenza artificiale è un’ora che i dipendenti possono dedicare a ricavare valore attraverso attività di pensiero laterale di ordine superiore. Le aziende stanno guardando i loro concorrenti trovare un vantaggio competitivo quando testano, ripetono e implementano programmi di intelligenza artificiale su larga scala, cercando nel frattempo qualsiasi esperienza di intelligenza artificiale e ML che possono attrarre.
Questa crisi di competenze non è nuova, né sorprendente, né facilmente risolvibile. È stato un problema in tutto il settore tecnologico nel suo insieme per anni, se non decenni. Nel 2011, uno studio PwC ha rilevato che oltre il 56% dei CEO era preoccupato per la mancanza di talento per ricoprire ruoli digitali. E più di un decennio dopo, il 54% dei leader tecnologici ha classificato l’acquisizione e la fidelizzazione dei talenti come la minaccia numero uno alla crescita aziendale.
L’era dell’intelligenza artificiale ha reso questo problema più acuto: il ritmo del cambiamento sta superando ciò che è accaduto prima.
La crisi delle competenze è esacerbata dal rapido ritmo di cambiamento dei modelli di intelligenza artificiale
La sfida per chiunque lavori nell’IA e vuole mantenere aggiornate le proprie competenze è duplice. In primo luogo, il ritmo del cambiamento è mozzafiato e apparentemente diventa sempre più veloce. In secondo luogo, man mano che i modelli diventano più grandi, diventano meno accessibili per l’addestramento degli ingegneri del software, poiché i modelli di grandi dimensioni richiedono grandi budget per essere eseguiti.
L’argomento più caldo nell’IA sono probabilmente i modelli di linguaggio di grandi dimensioni ( LLM ). Il primo modello GPT (Generative Pre-trained Transformer) è stato lanciato da OpenAI nel 2018, che, in quanto studente generico, non è specificamente addestrato per svolgere i compiti in cui è bravo. Il modello sfrutta il deep learning ed è in grado di svolgere attività come riassumere il testo, rispondere alle domande e generare output di testo, e farlo a livello umano. Il primo modello è uscito quattro anni fa, ma sfruttava solo 150 milioni di parametri (un set di dati di meno di un milione di pagine web). La svolta per GPT e modelli di linguaggi di grandi dimensioni è arrivata con GPT-3, che è stato lanciato nel 2020 e aveva 175 miliardi di parametri, più di mille volte il numero del primo modello GPT.
Da questo primo modello GPT in linguaggio di grandi dimensioni di OpenAI (che ha un investimento significativo da parte di Microsoft), ne sono stati rilasciati altri da Google, Meta e Aleph Alpha. Non è un caso che queste enormi aziende tecnologiche siano dietro a grandi LLM: richiedono enormi quantità di esperienza per allenarsi e funzionare. GPT-3 è stato addestrato su 45 terabyte di dati e probabilmente è costato milioni di dollari in elaborazione per creare il modello. Anche il LLM open source recentemente rilasciato da BigScience, BLOOM , ha richiesto gli sforzi combinati di oltre 1.000 ricercatori volontari, 7 milioni di dollari in sovvenzioni e l’accesso al supercomputer Jean Zay vicino a Parigi.
Sebbene i concetti siano accessibili, è molto più difficile per un tipico ingegnere del software acquisire esperienza pratica con i modelli a causa delle spese per eseguirli.
La sfida di costruire una squadra
La ricerca di SambaNova ha rilevato che solo un leader IT su otto dispone di team dotati di risorse complete con lavoratori qualificati sufficienti per soddisfare le richieste del C-suite. Un altro su tre sta lottando per soddisfare le richieste che gli vengono poste. Il resto (oltre la metà) non è in grado di realizzare la visione del C-suite con le persone che ha.
I leader IT hanno il budget per assumere, ma il reclutamento e la fidelizzazione possono spesso rivelarsi un processo estremamente complesso e difficile. Le aziende tecnologiche non sono in una corsa per l’hardware o le risorse tanto quanto sono in una corsa per le migliori menti. Di conseguenza, quelle menti sono diventate una risorsa preziosa in sé e per sé.
I problemi relativi alla carenza di approvvigionamento sono molteplici, spesso difficili da isolare e sovrapporre. Uno dei principali ostacoli che devono affrontare i team che vogliono assumere nuovi talenti per le loro iniziative di intelligenza artificiale, e la causa di tale carenza, è che, come disciplina pratica, l’IA è relativamente nuova. È stato studiato in teoria e in pratica per tutto il tempo in cui abbiamo avuto il know-how informatico e tecnico per realizzarlo, ma l’istruzione accademica formale si è appena diffusa. Questo non aiuta le organizzazioni che ora hanno bisogno di un pool di talenti completo e completo.
Il personale di facoltà con esperienza e formazione nell’IA , sia in teoria che in pratica, è difficile da trovare per le università. Nonostante le speculazioni sull’attrazione del settore tecnologico, molti ricercatori rimangono interessati al mondo accademico. Tuttavia, l’enorme domanda di corsi e una storia relativamente breve di laureati di una disciplina così nuova deprimono il numero di professori disponibili e restringono la pipeline di talenti.
Quindi, non solo le organizzazioni faranno fatica ad assumere le competenze di intelligenza artificiale di cui hanno bisogno, ma anche coloro che cercano un’istruzione nell’IA per acquisire queste competenze avranno difficoltà. Ecco perché le organizzazioni devono cercare modi alternativi per raggiungere i propri obiettivi di AI/ML.
In che modo l’aggiornamento delle competenze può aiutare a promuovere i talenti dall’interno
Il miglioramento delle competenze, come pratica e politica sul posto di lavoro, è positivo sia per il dipendente che per l’azienda. L’organizzazione ottiene una forza lavoro a prova di futuro con competenze più ampie e capacità di intelligenza artificiale interdisciplinare, lavorando con gli ultimi approcci e ricerche per migliorare la propria base di conoscenze. Per il dipendente, assicurano che le proprie competenze siano allineate con le attuali tendenze del settore e possono rendere le proprie carriere a prova di futuro, preparandosi per la longevità nel settore.
Investendo in programmi di apprendimento, le aziende possono aiutare a migliorare alcuni degli impatti più gravi della crisi delle competenze. Questi programmi possono colmare il divario tra i talenti che le organizzazioni già possiedono e il talento di cui hanno bisogno per implementare modelli e programmi di machine learning in grado di creare valore aggiunto. Ciò significa avere una visione molto chiara di dove iniziano e finiscono i programmi di miglioramento delle competenze: le competenze che vorrebbero che la loro forza lavoro avesse e come possono promuoverle dall’interno.
Pertanto, quando i migliori talenti diventano disponibili, agiscono come un potenziamento per un team di intelligenza artificiale già funzionante, piuttosto che come base per un progetto che sta aspettando che arrivino.
Quando l’outsourcing è l’opzione giusta?
C’è, ovviamente, un’altra opzione. Esternalizzazione. Avere una start-up esterna o una società di intelligenza artificiale esperta partner di un’impresa può aiutarli ad accedere al valore e ai risparmi sui costi dell’IA. Tuttavia, questo comporta tutta una serie di problemi e considerazioni. Sarà l’opzione giusta in alcuni casi, ma ci sono degli svantaggi che devono essere presi sul serio.
L’integrazione di start-up e altre imprese all’interno di una struttura aziendale non sempre funziona senza intoppi: la cultura delle startup di “muoviti velocemente, rompi le cose” può scontrarsi con un approccio burocratico più ponderato. Può anche emergere la differenza tra pensiero a breve termine e pensiero a lungo termine, a seconda delle dinamiche della partnership. Di norma, questi progetti di implementazione sono investimenti a lungo termine oa breve termine ed è fondamentale entrare presto nella stessa pagina in modo che i tempi e le priorità siano chiari.
Per le piccole imprese che guardano con malinconia all’attrazione gravitazionale che aziende come Google e Meta hanno per costruire iniziative di intelligenza artificiale stellate, l’outsourcing è un modo per accelerare il proprio sviluppo. Proprio come una piccola start-up che assume un libero professionista per il web design, il copywriting o gli aspetti finanziari, le PMI possono utilizzare l’outsourcing per implementare i giusti modelli di intelligenza artificiale in modo rapido e senza enormi costi iniziali, oltre alla garanzia del ritorno sull’investimento.
In tale nota, i leader aziendali dovrebbero considerare l’efficacia tecnica di qualsiasi partner di outsourcing e le loro metriche specifiche per il successo. Se un partner è in grado di definire chiaramente e mostrare quanto sono efficaci i suoi modelli e algoritmi, quanto può fare con i dati e quanto tempo potrebbe richiedere il processo di formazione, ciò dimostra che esiste una base comune e un’aspettativa su cosa il successo sembra.
In definitiva, data la storica carenza di talenti nel campo dell’IA, le aziende e i team leader devono prendere le decisioni giuste per loro. I costi per entrare in casa e costruire il proprio team da zero, in un momento in cui aziende Big Tech come Google, Meta e altri sono impegnate in un tiro alla fune per dipendenti esperti, possono essere estremamente costosi e inefficienti . Ma non esistono due progetti o aziende uguali e solo chi ha i dati a portata di mano può dire se ha bisogno di aiuto esterno o meno.
Qual è il prossimo passo per i team IA con risorse insufficienti?
Le imprese e le organizzazioni più piccole si stanno rendendo conto che i piccoli modelli che sono stati distribuiti intorno all’azienda per vari scopi sono diventati ingestibili; sono frammentati, isolati e spesso incomprensibili per tutti tranne che per il loro creatore.
Man mano che il personale parte per offerte migliori, condizioni di lavoro più favorevoli o semplicemente per un cambiamento, interi processi e sistemi vengono lasciati indietro. Le aziende non sono sicure se queste enormi quantità di modelli di intelligenza artificiale e il loro utilizzo possano essere verificati e spesso queste partenze congelano i modelli nel tempo. Come un ritrovamento archeologico, nessuno vuole toccarli per paura che si rompano.
I vantaggi, presenti e futuri, dell’IA sono tutti intorno a noi. Vediamo le statistiche ogni giorno: miliardi di dollari di valore aggiunto, migliaia di ore risparmiate in attività amministrative e l’interruzione di interi settori. Tuttavia, il divario tra ciò che i dirigenti di livello C-suite vogliono e ciò che possono avere è purtroppo ampio e ciò inizia con la loro lotta per assumere le persone giuste.
Il governo del Regno Unito ha recentemente presentato proposte per un nuovo regolamento sull’intelligenza artificiale, in aggiunta agli stanziamenti di finanziamento esistenti, per stabilire veramente il Regno Unito come un hub globale di intelligenza artificiale. Per realizzare questo potenziale, occorre fare di più. Questo inizia a livello universitario: soddisfare l’enorme domanda con corsi di alto livello, docenti esperti ed esperienza pratica con i modelli.
Ma le aziende non possono sempre permettersi di aspettare così tanto tempo per raccogliere i vantaggi dell’IA e, con la miriade di opzioni a loro disposizione a breve termine, potrebbero non doverlo fare.
