Trovare il frutto basso dell’IA La fornitura di soluzioni di intelligenza artificiale dal banco di prova agli ambienti di produzione sarà probabilmente l’obiettivo principale per l’azienda nel corso del prossimo anno o più. Ma le organizzazioni dovrebbero essere caute nel non spingere l’IA troppo oltre e troppo in fretta, nonostante la pressione per tenere il passo con la concorrenza.
Questo porta spesso a due problemi chiave. In primo luogo, spinge le soluzioni inadeguate in ambienti in cui vengono rapidamente sopraffatte e questo porta a fallimento, disillusione e sfiducia da parte della base di utenti che alla fine inibisce l’adozione. L’industria dell’intelligenza artificiale non sta aiutando nulla con il suo flusso di promesse che le loro soluzioni offrono completa autonomia digitale ed esperienze trasformative.
Le piccole vittorie sono ancora vittorie
In alcuni ambienti, l’idea di ridurre le dimensioni con l’IA sta prendendo piede. Invece di un aggiornamento completo del carrello elevatore attraverso l’intero processo aziendale, è meglio fare prima le cose facili. Cioè, metti l’IA al lavoro in aree limitate e non critiche e guarda come si comporta prima di promuoverla a cose più grandi e migliori. In questo modo i successi sono più frequenti, la fiducia si guadagna più facilmente e l’IA può imparare a integrarsi con il mondo così com’è prima di provare a migliorarlo.
Per molte organizzazioni, tuttavia, la domanda è dove trovare questo frutto basso.
Secondo Joe Bush, editore di The Manufacturer , è tutto intorno a noi. Il consumo di risorse, per esempio, può essere monitorato molto più facilmente ed efficacemente con una piattaforma intelligente che con team di operatori. Mentre parla a un pubblico industriale, nell’impresa esiste la stessa necessità di ridurre al minimo l’uso di elettricità, acqua e altri beni di prima necessità. Con i giusti dati guidati dai sensori, l’IA può anche valutare i carichi di lavoro nell’ambiente digitale e persino spostarli per garantire che l’equilibrio macchina-lavoro rimanga ottimale. E l’IA può anche reagire a circostanze mutevoli molto più rapidamente degli operatori manuali e può semplificare i processi chiave come la reportistica, la pianificazione della manutenzione e la fornitura.
Naturalmente, non fa male avere in mente un piano quando si implementa l’IA negli ambienti di produzione, poiché è molto più prezioso lavorare in tandem che in isolamento. Bhaskar Ghosh, Rajendra Prasad e Gayathri Pallail di Accenture hanno recentemente affermato su The Harvard Business Review che invece di puntare a vittorie rapide o grandi trasformazioni strategiche, la strada più saggia in questo momento è concentrarsi sulla creazione di capacità che affrontino problemi che si ripresenteranno in futuro. Ciò richiederà un’analisi attenta delle capacità attuali e l’identificazione di eventuali lacune che stanno creando fallimenti. Quindi puoi creare un approccio passo dopo passo all’implementazione dell’IA in modo che ottenga le piccole vittorie che alla fine porteranno alla grande trasformazione.
Dati piccoli e grandi
Alcune organizzazioni stanno anche iniziando a rendersi conto che lanciare l’IA contro i big data e sperare che accada qualcosa di magico non è nemmeno la strada da percorrere. In effetti, secondo Rohan Sheth, vicepresidente associato di Infrastructure Solutions presso il fornitore di colocation Yotta , l’IA sarà probabilmente meno efficace nell’elaborare enormi volumi di dati e più efficace nell’utilizzare quantità minori di dati più precisi, ciò che alcuni chiamano già piccoli e dati ampi. Per arrivarci, tuttavia, l’azienda dovrà migliorare le proprie capacità di analizzare e condizionare i dati prima che vengano inseriti nei modelli di intelligenza artificiale, che, guarda caso, è un’altra area in cui l’IA può essere di grande utilità.
La misura in cui l’IA può supportare l’impresa dipende molto dalla “maturità dei dati” di un’organizzazione, afferma Sumit Kumar Sharma, architetto aziendale presso In2IT Technologies . In una recente intervista con ITWeb, ha spiegato che non esiste un approccio “uniforme per tutti” all’IA perché le esigenze di ogni organizzazione e gli ambienti legacy sono diversi. A seconda del modo in cui i dati vengono generati, consumati e conservati, diverse tipologie di IA forniranno un insieme unico di servizi e questi servizi saranno migliori per alcuni modelli di business rispetto ad altri. Ad esempio, un fornitore business-to-business (B2B) farebbe più uso dei chatbot e dell’elaborazione del linguaggio naturale rispetto a una grande azienda di analisi, che a sua volta probabilmente graviterebbe maggiormente verso l’apprendimento automatico e le reti neurali.
A questo punto, potrebbe sembrare che l’IA sia semplicemente un’altra tecnologia alla ricerca di una soluzione e in un certo senso lo è. Ma c’è una grande differenza tra l’IA e le passate generazioni di tecnologia: può adattarsi e rispondere a nuovi dati e circostanze mutevoli. Ciò offre all’azienda un ampio margine di manovra per tentare di fallire con l’IA, purché ogni errore porti a una maggiore comprensione di come avere successo in futuro.
Potrebbe essere allettante spingere subito l’IA negli aspetti più importanti del business per raccogliere i frutti di un modello operativo completamente trasformato, ma non è ancora pronto per questo. Proprio come qualsiasi altro dipendente, deve iniziare in piccolo e mettersi alla prova prima di poter essere promosso a maggiori responsabilità.
