L’intelligenza artificiale (AI) e l’apprendimento automatico (ML) sono i nuovi termini sexy della tecnologia che diventano rapidamente sinonimo di innovazione. Gli esperti di tutti i settori lo definiscono il futuro della tecnologia, il vero disgregatore.
Questo ronzio ed eccitazione rendono ogni dirigente desideroso di saltare sull’onda dell’innovazione dell’IA e guidarla il più velocemente possibile. Il problema è che non sanno nulla del “surf”! 😉
L’intelligenza artificiale non è una tecnologia che ti basta collegare alla tua azienda e ti aspetti che ti spinga magicamente di fronte alla concorrenza. Richiede una grande quantità di dati, tempo per la sperimentazione e una cultura organizzativa che abbraccia l’apprendimento dai fallimenti.
Quindi puoi svegliarti domani, andare in ufficio e dire “Da oggi useremo l’IA!”? La risposta è NO ed ecco perché.
La corretta attuazione dell’IA in un’organizzazione si basa sui seguenti 3 pilastri. Senza uno di questi i tuoi sforzi falliranno.
Conoscenza / Dati
Competenza / talento
Cultura / Sperimentazione
Conoscenza / Dati
La base di ogni sistema di intelligenza artificiale sono i dati. Senza di essi, l’IA non può imparare. La quantità, la qualità e la freschezza dei tuoi dati influiranno notevolmente sulle prestazioni dei tuoi sistemi di intelligenza artificiale.
Anche se l’idea di raccogliere e utilizzare i dati per guidare le decisioni aziendali è stata un argomento caldo per più di un decennio, molte aziende oggi non hanno ancora capito come usarli. Si concentrano semplicemente sulla raccolta del maggior numero possibile di dati e li marchiano come aziende di Big Data.
Dan Ariely, ricercatore ed economista, ha affermato:
“I Big Data sono come il sesso adolescenziale: tutti ne parlano, nessuno sa davvero come farlo, ma tutti pensano che tutti lo stiano facendo, quindi affermano di farlo anche loro …”
È fantastico se disponi di dati, ma è centralizzato e accessibile tramite le API? Sai perché è stato raccolto? È un set completo o un sottoinsieme che è stato elaborato e filtrato?
Affinché un modello di Machine Learning funzioni in modo accurato, sono necessari dati privi di errori di acquisizione, errori di definizione, errori di elaborazione, copertura ed errori di campionamento. Non è sufficiente disporre di dati, ma devono essere dati corretti raccolti appositamente allo scopo di risolvere il tuo obiettivo aziendale.
Quindi cosa dovresti fare per preparare i tuoi dati per la tua rivoluzione dell’IA?
Inizia con l’obiettivo aziendale. L’intelligenza artificiale viene utilizzata al meglio per automatizzare i processi che richiedono tempo e sono ripetitivi. La tua azienda funziona su più processi. Alcuni corrono in parallelo altri in serie. Trova un processo di portata semplice ma abbastanza importante da influire notevolmente sulle prestazioni aziendali. Quindi verifica quali dati hai già su questo processo, controlla se c’è documentazione che descrive il motivo per cui questi dati sono stati raccolti e se si tratta di una rappresentazione completa del processo o di un sottoinsieme filtrato. Più tempo dedichi alla qualità dei tuoi dati, migliori saranno i tuoi modelli ML.
Ricorda che nulla è costante, la tua attività cambia e si adatta alle condizioni del mercato e alle esigenze dei tuoi clienti. I tuoi modelli ML dovranno adattarsi a tali cambiamenti. È importante che i tuoi dati siano sempre accessibili e aggiornati. Se i tuoi dati sono una rappresentazione statica del passato che è appena archiviata in un vecchio database, i tuoi modelli ML diventeranno immediatamente obsoleti e prevederanno il passato che già conosci. Per evitare questo problema, assicurati di investire nella costruzione di un’infrastruttura di dati e tecnologia centralizzata che ti consentirà di accedere facilmente alla rappresentazione in tempo reale delle prestazioni della tua attività.
Competenza / talento
Sebbene la ricerca sull’intelligenza artificiale sia iniziata negli anni ’50 con il concetto di Aling di ” Turing Machine ” di Alan, l’industria dell’IA non ha ancora prodotto molti esperti in questo campo.
Nel recente ” Global AI Talent Report 2019 “, JF Gagne, CEO e fondatore di Element AI a Montreal, in Canada, riferisce che dal 2018 ci sono solo circa 22.400 ricercatori qualificati nel campo dell’apprendimento automatico, con un aumento del 19% rispetto al 2017 e circa 36.500 persone qualificate come specialisti dell’intelligenza artificiale autoripresentate su LinkedIn.
Secondo l’ analisi di Reuters sul mercato dei cercatori di lavoro di intelligenza artificiale, la domanda di talenti di intelligenza artificiale è cresciuta doppia negli ultimi 2 anni.
“Le offerte di lavoro AI in percentuale delle offerte di lavoro complessive presso Indeed sono quasi raddoppiate negli ultimi due anni”
https://www.reuters.com/article/us-usa-economy-artificialintelligence/as-companies-embrace-ai-its-a-job-seekers-market-idUSKCN1MP10D
La maggior parte dei talenti di intelligenza artificiale esistenti è assorbita da aziende tecnologiche giganti come Google, Microsoft, Amazon o IBM e il tasso di crescita di nuovi talenti rimane ridotto. Ciò può tuttavia cambiare poiché le stesse società costruiscono nuovi strumenti di self service AI come TensorFlow di Google, la piattaforma AI di Microsoft o Watson Studio di IBM e collaborano con università e fornitori di maledizioni online come Udemy e Coursera per formare la futura forza lavoro AI. Proprio questo mese (maggio 2019) Microsoft ha annunciato che sta collaborando con aziende come l’ Assemblea Generale per migliorare e riqualificare 15.000 lavoratori nel campo dell’IA entro il 2022.
A meno che tu non sia uno di quegli esperti di intelligenza artificiale, la possibilità è che ad oggi la tua azienda non abbia esperienza di machine learning.
Trovare e attrarre talenti scarsi richiederà tempo, un altro motivo per cui non puoi semplicemente passare subito all’implementazione della strategia di intelligenza artificiale per la tua azienda. Usa questa conoscenza come un’opportunità per formare i tuoi attuali dipendenti e contattare aziende di consulenza AI come Stradigi AI o ElementAI per aiutarti a capire il tuo piano di implementazione dell’IA.
Cultura / Sperimentazione
Avere abbondanza di dati e talento ML non sarà sufficiente per implementare con successo la strategia di intelligenza artificiale se la cultura della tua azienda non abbraccia la sperimentazione e il processo decisionale basato sui dati.
La sfortunata realtà è che il più delle volte i dirigenti aziendali abbracciano il processo decisionale guidato dall’intuizione, basandosi esclusivamente sul loro intestino riempiendo e ignorando tutti i segnali di dati disponibili semplicemente perché non supportano la loro visione. Se la direzione della tua azienda è guidata da un sospetto e da HIPPO (il parere della persona più pagata), i tuoi sforzi di IA sono destinati a fallire.
In una sperimentazione la cultura viene presa dopo aver verificato l’ipotesi. È una cultura che abbraccia il fallimento e premia coloro che non hanno paura di provare. Jeff Bezos, CEO di Amazon, descrive perfettamente la sua filosofia di fallimento in una dichiarazione agli azionisti :
“Un’area in cui penso che siamo particolarmente distintivi è il fallimento. Credo che siamo il posto migliore al mondo in cui fallire (abbiamo molta pratica!), E il fallimento e l’invenzione sono vittorie inseparabili. Per inventare devi sperimentare, e se sai in anticipo che funzionerà, non è un esperimento. La maggior parte delle grandi organizzazioni abbraccia l’idea dell’invenzione, ma non è disposta a subire la serie di esperimenti falliti necessari per arrivarci … “
Se la cultura della tua azienda non abbraccia l’apprendimento attraverso la sperimentazione e i test A / B non sono parte integrante dei KPI dei tuoi manager, l’implementazione dell’IA sarà lunga e difficile.
Non dovrai solo affrontare il livello più basso della tua organizzazione. Le società pubbliche lottano con il controllo globale del consiglio che spinge i dirigenti a fornire risultati trimestrali. Il desiderio di raggiungere tali obiettivi spinge i dirigenti a basare la strategia aziendale sulle iniziative a breve termine che generano entrate immediate. D’altra parte, l’intelligenza artificiale è difficile da prevedere e necessita di un’ottimizzazione costante prima di poter mostrare i suoi risultati positivi. Se non hai un buy-in dal tuo consiglio di amministrazione e un budget garantito per la R&S, l’IA perderà rapidamente il suo finanziamento a causa di vincite a breve termine più immediate.
Avere il buy-in dal consiglio di amministrazione e un allineamento esecutivo non sarà sufficiente. I tuoi sforzi di intelligenza artificiale possono essere facilmente sabotati dai tuoi dipendenti di prima linea temendo che l’IA e l’automazione rendano il loro lavoro obsoleto e la dirigenza media temendo che perderanno i loro bonus se non consegnano i loro KPI attuali.
La strategia dell’IA non si esaurisce con l’implementazione. I tuoi nuovi strumenti influenzeranno direttamente e indirettamente l’intera organizzazione. Devi scegliere i campioni dell’IA all’interno della tua azienda che affronteranno le paure dei tuoi dipendenti e li aiuteranno a passare alla nuova realtà che si concentra sul processo decisionale piuttosto che sui processi ripetitivi che richiedono tempo.
Conclusione
La realtà è che oggi solo una piccola percentuale di aziende è pronta a implementare l’IA nella propria organizzazione. Prima di decidere sulla propria implementazione, considerare le seguenti domande:
Hai identificato un processo manuale di portata semplice ma che offre un vantaggio significativo se automatizzato?
Hai accesso API ai dati rilevanti per questo processo?
Hai documentazione che spiega come vengono raccolti i tuoi dati?
Hai un buy-in da tavolo e finanziamenti garantiti per la ricerca e lo sviluppo dell’IA?
La cultura della tua organizzazione abbraccia la sperimentazione e il processo decisionale basato sui dati?
Se hai risposto “no” a una qualsiasi delle domande precedenti, assicurati di affrontarle prima di procedere con l’implementazione dell’IA, altrimenti avrai meno probabilità di avere successo.
Per saperne di più su questo argomento, ti consiglio di leggere Intelligenza artificiale applicata: un manuale per i dirigenti d’azienda di Mariya Yao, Adelyn Zhou e Marlene Jia e il dilemma dell’innovatore: quando le nuove tecnologie causano il fallimento di grandi aziende di Clayton M. Christensen.
Cyprian Vero