AI per le imprese: miti e realtà
Si prevede che il mercato globale dell’intelligenza artificiale crescerà fino a raggiungere i 169 miliardi di dollari entro il 2025. L’intelligenza aumentata, la pratica di utilizzare insieme l’intelligenza artificiale e le abilità umane, ha proiezioni ancora più elevate, che vanno dai trilioni a una cifra come specificato da Gartner . Tuttavia, l’intelligenza artificiale rimane un mistero per molte aziende. Le notizie ci alimentano con una dieta costante di incredibili risultati dell’IA. Il panorama degli strumenti di intelligenza artificiale sta crescendo rapidamente, con centinaia di nuovi strumenti disponibili ogni anno. Tuttavia, per un’azienda senza una pratica di intelligenza artificiale interna, ci sono poche informazioni su come iniziare e su come generare il primo dollaro di ritorno sull’investimento (ROI) da un progetto di intelligenza artificiale. Tra l’hype e la frustrazione, cosa può fare un business leader?
Questo articolo copre miti e realtà comuni sull’IA nel 2021. Prendendo atto di questi, le aziende possono avvicinarsi al loro ingresso nell’IA con una visione ottimistica guidata dall’abilità tecnica, ma un approccio realistico che aumenta le possibilità di successo.
Reale vs Rilevante
Molte (anche la maggior parte) delle straordinarie innovazioni AI trovate nelle notizie sono reali. Ma essere reali non è la stessa cosa che essere rilevanti (per te!). Qualche esempio:
L’IA ha battuto gli umani a scacchi molti anni fa. Questo parla in generale della nostra capacità di creare tecnologie AI in grado di ragionare e elaborare strategie. Oltre a questo, a meno che tu non sia nel settore degli scacchi competitivi classificati a livello internazionale, questo probabilmente non è rilevante.
L’intelligenza artificiale ha dimostrato di essere estremamente efficace nel rilevare la retinopatia diabetica dalle scansioni oculari. Se sei nel campo sanitario, questo è sicuramente interessante. Tuttavia, dati i requisiti normativi delle nuove tecnologie, a meno che tu non sia un ricercatore, è improbabile che sia immediatamente rilevante per te.
L’intelligenza artificiale può essere utilizzata per creare chatbot sempre più intelligenti e coinvolgenti. Queste funzionalità sono spesso accessibili tramite API. Questo è rilevante per chiunque abbia un sito web aziendale, un sito di shopping ecc.
la tua realtà
Metà della battaglia per ottenere valore dall’intelligenza artificiale consiste nel comprendere il tuo problema e come definire il tuo problema in un modo in cui un’intelligenza artificiale possa essere applicata efficacemente. Per aiutare a illustrare questo, ecco alcuni esempi:
Voglio migliorare le vendite : questo è troppo vago per poter applicare efficacemente l’intelligenza artificiale.
Voglio migliorare la fidelizzazione dei clienti : questo è meglio in quanto è stato identificato un approccio particolare per migliorare le vendite.
Voglio identificare tutti i clienti che probabilmente se ne andranno nei prossimi 3 mesi . Questo è buono. Ora stai iniziando a restringere esattamente ciò che vorresti che l’IA facesse.
Ho 10 informazioni su ogni cliente e 2 anni di dati storici sui clienti passati . Voglio usarlo per prevedere se un cliente esistente lascerà nei prossimi 3 mesi . Questo è ottimo poiché il problema ora specifica cosa dovrà fare l’IA e quali informazioni utilizzerà per imparare.
Una volta trovato un problema la cui soluzione può avvantaggiare la tua attività, devi comunque navigare attraverso la miriade di opzioni, alcune delle quali sono associate a molto rumore e clamore. Di seguito sono riportati alcuni dei miti e delle realtà comuni.
Devo usare la tecnologia AI più avanzata
Verdetto: mito
Dovresti aspettarti che la tua intelligenza artificiale avrà bisogno di iterare e migliorerà con ogni iterazione. Pertanto, far funzionare il primo il più rapidamente possibile è un grande passo verso il successo. Non importa quanto impegno metti nella tua prima intelligenza artificiale, è improbabile che sia l’ultima.
Trovare un approccio il più semplice (e poco costoso) possibile per ottenere un primo risultato ti darà una grande esperienza su come la tua intelligenza artificiale interagisce con il tuo problema. Il tempo non farà che aumentare le variabili. La tua attività potrebbe cambiare, l’intelligenza artificiale cambierà, il tuo team potrebbe sentirsi frustrato, ecc. Ottieni il primo ritorno il prima possibile per creare fiducia e andare avanti.
Ho bisogno di assumere un PhD Data Scientist
Verdetto: possibile mito
Per molti ruoli di intelligenza artificiale, non è richiesto un data scientist con dottorato di ricerca . Il ruolo di un data scientist è quello di aiutare a colmare il divario tra i dati e le tecniche di intelligenza artificiale adatte che possono risolvere il problema aziendale. A seconda di quale sia il problema, un dottorato di ricerca potrebbe tornare utile. Altre abilità, tuttavia, possono anche fare la differenza tra successo e fallimento. Lo scienziato dei dati può comprendere e lavorare entro i limiti pratici del business e dell’ambiente? Sono in grado di collaborare bene con gli ingegneri, i product manager e altri membri del team che aiuteranno anche a generare ROI dall’innovazione dell’IA? Una combinazione di queste abilità è fondamentale.
Devo creare un algoritmo AI personalizzato
Verdetto: mito
Man mano che l’intelligenza artificiale diventa più pervasiva, esiste una gamma di offerte da API completamente funzionali a strumenti senza codice e auto-ML. Se il tuo problema è generico, potresti essere in grado di acquistare una soluzione AI come API anziché crearne una tua. Buoni esempi di problemi abbastanza generici da essere risolti tramite API includono la traduzione vocale in testo, la traduzione linguistica, i lettori di documenti OCR, i chatbot, ecc. Un buon indicatore del fatto che il tuo problema è personalizzato è che hai un set di dati univoco che è privato per te. Anche in questo caso, non è necessario creare un algoritmo da zero. Gli strumenti no-code e low-code possono aiutare ad analizzare automaticamente i dati e selezionare una buona soluzione di IA candidata utilizzando Auto-ML.
Costruire l’algoritmo AI è la parte più difficile
Verdetto: mito
Man mano che sempre più AI escono dal laboratorio e entrano in produzione e MLOps diventa un pilastro delle soluzioni AI aziendali, stiamo iniziando ad apprezzare che il primo prototipo di AI soddisfacente, sebbene critico, è solo l’inizio del viaggio. Mettere in produzione l’IA, gestirla e monitorarla in produzione e migliorarla tramite l’iterazione è ciò che alla fine porta al successo aziendale.
Ci vuole una squadra per costruire un’IA di successo
Verdetto: Realtà
Un ciclo di vita dell’AI di successo (vedi figura sotto) include la comprensione di come l’AI può essere utilizzata per risolvere il problema aziendale, trovare i dati giusti e pertinenti, sperimentare soluzioni AI, mettere in produzione la soluzione scelta, collegarla al business, gestire la soluzione , e miglioramento continuo. Per eseguire con successo questo ciclo di vita, avrai bisogno di un team con competenze che spaziano dalla gestione del prodotto, alla scienza dei dati, all’ingegneria e alle operazioni.
Ciclo di vita di un’IA e competenze professionali necessarie per costruire un intero ciclo di vita dell’IA
AICLUB.WORLD
Alcune buone pratiche
Si spera che le curiosità di cui sopra ti abbiano convinto che avere successo con l’intelligenza artificiale è un viaggio e una pratica e non un’azione una tantum. Il modo migliore per garantire non solo il tuo primo successo, ma una serie di successi di intelligenza artificiale, è instillare le migliori pratiche all’interno della tua organizzazione, in particolare quando si tratta di intelligenza artificiale e dati.
Garantire una pratica di Data Literacy: l’intelligenza artificiale prospera sui dati. Più puoi raccogliere, proteggere, organizzare e gestire l’accesso ai tuoi dati, più è probabile che, quando sarà il momento, le informazioni di cui hai bisogno per una nuova intelligenza artificiale siano disponibili per i tuoi data scientist e i team di intelligenza artificiale.
Garantire una pratica di alfabetizzazione IA : man mano che l’IA diventa più pervasiva, non sono solo gli scienziati dei dati a dover comprendere l’IA. Mentre valuti le opzioni di build rispetto a quelle di acquisto, metti in produzione le IA e addestri i tuoi team di assistenza clienti e supporto per gestire le funzionalità di intelligenza artificiale, le persone della tua organizzazione avranno bisogno di una conoscenza di base di cosa sia l’intelligenza artificiale. Dovranno sapere quali sono i suoi punti di forza e i suoi limiti, come interagire con esso e come si applica alla tua attività. La creazione di una pratica di alfabetizzazione IA a livello di organizzazione preparerà la tua forza lavoro al successo aziendale con l’IA.
In breve, mentre c’è molto clamore intorno all’IA, i passi per avere successo con essa nella propria attività non dovrebbero iniziare con l’hype. Dovrebbe iniziare con il problema che vuoi risolvere, un obiettivo misurabile e criteri di successo, i dati, l’approccio più semplice possibile per iniziare e un team che imparerà lungo il viaggio.
AI per le imprese: miti e realtà
Si prevede che il mercato globale dell’intelligenza artificiale crescerà fino a raggiungere i 169 miliardi di dollari entro il 2025. L’intelligenza aumentata, la pratica di utilizzare insieme l’intelligenza artificiale e le abilità umane, ha proiezioni ancora più elevate, che vanno dai trilioni a una cifra come specificato da Gartner . Tuttavia, l’intelligenza artificiale rimane un mistero per molte aziende. Le notizie ci alimentano con una dieta costante di incredibili risultati dell’IA. Il panorama degli strumenti di intelligenza artificiale sta crescendo rapidamente, con centinaia di nuovi strumenti disponibili ogni anno. Tuttavia, per un’azienda senza una pratica di intelligenza artificiale interna, ci sono poche informazioni su come iniziare e su come generare il primo dollaro di ritorno sull’investimento (ROI) da un progetto di intelligenza artificiale. Tra l’hype e la frustrazione, cosa può fare un business leader?
Questo articolo copre miti e realtà comuni sull’IA nel 2021. Prendendo atto di questi, le aziende possono avvicinarsi al loro ingresso nell’IA con una visione ottimistica guidata dall’abilità tecnica, ma un approccio realistico che aumenta le possibilità di successo.
Reale vs Rilevante
Molte (anche la maggior parte) delle straordinarie innovazioni AI trovate nelle notizie sono reali. Ma essere reali non è la stessa cosa che essere rilevanti (per te!). Qualche esempio:
PROMOSSA
L’IA ha battuto gli umani a scacchi molti anni fa. Questo parla in generale della nostra capacità di creare tecnologie AI in grado di ragionare e elaborare strategie. Oltre a questo, a meno che tu non sia nel settore degli scacchi competitivi classificati a livello internazionale, questo probabilmente non è rilevante.
L’intelligenza artificiale ha dimostrato di essere estremamente efficace nel rilevare la retinopatia diabetica dalle scansioni oculari. Se sei nel campo sanitario, questo è sicuramente interessante. Tuttavia, dati i requisiti normativi delle nuove tecnologie, a meno che tu non sia un ricercatore, è improbabile che sia immediatamente rilevante per te.
L’intelligenza artificiale può essere utilizzata per creare chatbot sempre più intelligenti e coinvolgenti. Queste funzionalità sono spesso accessibili tramite API. Questo è rilevante per chiunque abbia un sito web aziendale, un sito di shopping ecc.
la tua realtà
Metà della battaglia per ottenere valore dall’intelligenza artificiale consiste nel comprendere il tuo problema e come definire il tuo problema in un modo in cui un’intelligenza artificiale possa essere applicata efficacemente. Per aiutare a illustrare questo, ecco alcuni esempi:
Voglio migliorare le vendite : questo è troppo vago per poter applicare efficacemente l’intelligenza artificiale.
Voglio migliorare la fidelizzazione dei clienti : questo è meglio in quanto è stato identificato un approccio particolare per migliorare le vendite.
Voglio identificare tutti i clienti che probabilmente se ne andranno nei prossimi 3 mesi . Questo è buono. Ora stai iniziando a restringere esattamente ciò che vorresti che l’IA facesse.
Ho 10 informazioni su ogni cliente e 2 anni di dati storici sui clienti passati . Voglio usarlo per prevedere se un cliente esistente lascerà nei prossimi 3 mesi . Questo è ottimo poiché il problema ora specifica cosa dovrà fare l’IA e quali informazioni utilizzerà per imparare.
Una volta trovato un problema la cui soluzione può avvantaggiare la tua attività, devi comunque navigare attraverso la miriade di opzioni, alcune delle quali sono associate a molto rumore e clamore. Di seguito sono riportati alcuni dei miti e delle realtà comuni.
Devo usare la tecnologia AI più avanzata
Verdetto: mito
Dovresti aspettarti che la tua intelligenza artificiale avrà bisogno di iterare e migliorerà con ogni iterazione. Pertanto, far funzionare il primo il più rapidamente possibile è un grande passo verso il successo. Non importa quanto impegno metti nella tua prima intelligenza artificiale, è improbabile che sia l’ultima.
Trovare un approccio il più semplice (e poco costoso) possibile per ottenere un primo risultato ti darà una grande esperienza su come la tua intelligenza artificiale interagisce con il tuo problema. Il tempo non farà che aumentare le variabili. La tua attività potrebbe cambiare, l’intelligenza artificiale cambierà, il tuo team potrebbe sentirsi frustrato, ecc. Ottieni il primo ritorno il prima possibile per creare fiducia e andare avanti.
Ho bisogno di assumere un PhD Data Scientist
Verdetto: possibile mito
Per molti ruoli di intelligenza artificiale, non è richiesto un data scientist con dottorato di ricerca . Il ruolo di un data scientist è quello di aiutare a colmare il divario tra i dati e le tecniche di intelligenza artificiale adatte che possono risolvere il problema aziendale. A seconda di quale sia il problema, un dottorato di ricerca potrebbe tornare utile. Altre abilità, tuttavia, possono anche fare la differenza tra successo e fallimento. Lo scienziato dei dati può comprendere e lavorare entro i limiti pratici del business e dell’ambiente? Sono in grado di collaborare bene con gli ingegneri, i product manager e altri membri del team che aiuteranno anche a generare ROI dall’innovazione dell’IA? Una combinazione di queste abilità è fondamentale.
Devo creare un algoritmo AI personalizzato
Verdetto: mito
Man mano che l’intelligenza artificiale diventa più pervasiva, esiste una gamma di offerte da API completamente funzionali a strumenti senza codice e auto-ML. Se il tuo problema è generico, potresti essere in grado di acquistare una soluzione AI come API anziché crearne una tua. Buoni esempi di problemi abbastanza generici da essere risolti tramite API includono la traduzione vocale in testo, la traduzione linguistica, i lettori di documenti OCR, i chatbot, ecc. Un buon indicatore del fatto che il tuo problema è personalizzato è che hai un set di dati univoco che è privato per te. Anche in questo caso, non è necessario creare un algoritmo da zero. Gli strumenti no-code e low-code possono aiutare ad analizzare automaticamente i dati e selezionare una buona soluzione di IA candidata utilizzando Auto-ML.
Costruire l’algoritmo AI è la parte più difficile
Verdetto: mito
Man mano che sempre più AI escono dal laboratorio e entrano in produzione e MLOps diventa un pilastro delle soluzioni AI aziendali, stiamo iniziando ad apprezzare che il primo prototipo di AI soddisfacente, sebbene critico, è solo l’inizio del viaggio. Mettere in produzione l’IA, gestirla e monitorarla in produzione e migliorarla tramite l’iterazione è ciò che alla fine porta al successo aziendale.
Ci vuole una squadra per costruire un’IA di successo
Verdetto: Realtà
Un ciclo di vita dell’AI di successo (vedi figura sotto) include la comprensione di come l’AI può essere utilizzata per risolvere il problema aziendale, trovare i dati giusti e pertinenti, sperimentare soluzioni AI, mettere in produzione la soluzione scelta, collegarla al business, gestire la soluzione , e miglioramento continuo. Per eseguire con successo questo ciclo di vita, avrai bisogno di un team con competenze che spaziano dalla gestione del prodotto, alla scienza dei dati, all’ingegneria e alle operazioni.
Ciclo di vita di un’IA e competenze professionali necessarie per costruire un intero ciclo di vita dell’IA
AICLUB.WORLD
Alcune buone pratiche
Si spera che le curiosità di cui sopra ti abbiano convinto che avere successo con l’intelligenza artificiale è un viaggio e una pratica e non un’azione una tantum. Il modo migliore per garantire non solo il tuo primo successo, ma una serie di successi di intelligenza artificiale, è instillare le migliori pratiche all’interno della tua organizzazione, in particolare quando si tratta di intelligenza artificiale e dati.
Garantire una pratica di Data Literacy: l’intelligenza artificiale prospera sui dati. Più puoi raccogliere, proteggere, organizzare e gestire l’accesso ai tuoi dati, più è probabile che, quando sarà il momento, le informazioni di cui hai bisogno per una nuova intelligenza artificiale siano disponibili per i tuoi data scientist e i team di intelligenza artificiale.
Garantire una pratica di alfabetizzazione IA : man mano che l’IA diventa più pervasiva, non sono solo gli scienziati dei dati a dover comprendere l’IA. Mentre valuti le opzioni di build rispetto a quelle di acquisto, metti in produzione le IA e addestri i tuoi team di assistenza clienti e supporto per gestire le funzionalità di intelligenza artificiale, le persone della tua organizzazione avranno bisogno di una conoscenza di base di cosa sia l’intelligenza artificiale. Dovranno sapere quali sono i suoi punti di forza e i suoi limiti, come interagire con esso e come si applica alla tua attività. La creazione di una pratica di alfabetizzazione IA a livello di organizzazione preparerà la tua forza lavoro al successo aziendale con l’IA.
In breve, mentre c’è molto clamore intorno all’IA, i passi per avere successo con essa nella propria attività non dovrebbero iniziare con l’hype. Dovrebbe iniziare con il problema che vuoi risolvere, un obiettivo misurabile e criteri di successo, i dati, l’approccio più semplice possibile per iniziare e un team che imparerà lungo il viaggio.
