Un’analisi di oltre 400 casi di utilizzo in 19 settori e nove funzioni aziendali evidenzia l’ampio utilizzo e il significativo potenziale economico delle tecniche avanzate di intelligenza artificiale.
L’intelligenza artificiale (AI) si distingue come una tecnologia di trasformazione della nostra era digitale e la sua applicazione pratica in tutta l’economia sta crescendo rapidamente. Per questo briefing, Note dalla frontiera AI: approfondimenti da centinaia di casi d’uso , abbiamo mappato sia l’analisi tradizionale sia le più recenti tecniche di “deep learning” e i problemi che possono risolvere in oltre 400 casi d’uso specifici in aziende e organizzazioni. Basandosi sulla ricerca del McKinsey Global Institute e sull’esperienza applicata con l’intelligenza artificiale di McKinsey Analytics, valutiamo sia le applicazioni pratiche che il potenziale economico delle tecniche di IA avanzate in tutti i settori e le funzioni aziendali. I nostri risultati evidenziano il potenziale sostanziale di applicare tecniche di deep learning per utilizzare casi in tutta l’economia, ma vediamo anche alcuni limiti e ostacoli continui, insieme a opportunità future man mano che le tecnologie continuano il loro avanzamento. In definitiva, il valore dell’IA non si trova nei modelli stessi, ma nelle capacità delle aziende di sfruttarli.
È importante sottolineare che, anche se vediamo il potenziale economico nell’uso delle tecniche di intelligenza artificiale, l’uso dei dati deve sempre tenere conto delle preoccupazioni, tra cui la sicurezza dei dati, la privacy e potenziali problemi di parzialità.
Mappatura delle tecniche AI per i tipi di problemi
Con il progredire delle tecnologie di intelligenza artificiale, anche la definizione di quali tecniche costituiscono l’intelligenza artificiale . Ai fini di questo briefing, utilizziamo l’IA come abbreviazione per tecniche di deep learning che utilizzano reti neurali artificiali. Abbiamo anche esaminato altre tecniche di apprendimento automatico e tecniche di analisi tradizionali (Allegato 1).
Le reti neurali sono un sottoinsieme delle tecniche di apprendimento automatico. Essenzialmente, sono sistemi di intelligenza artificiale basati sulla simulazione di “unità neurali” connesse, “modellando liberamente il modo in cui i neuroni interagiscono nel cervello. I modelli computazionali ispirati alle connessioni neurali sono stati studiati fin dagli anni ’40 e sono tornati alla ribalta con l’aumentare della potenza di elaborazione del computer e sono stati utilizzati ampi set di dati di addestramento per analizzare con successo dati di input come immagini, video e parlato. I professionisti di IA si riferiscono a queste tecniche come “deep learning”, poiché le reti neurali hanno molti (“profondi”) strati di neuroni interconnessi simulati.
Abbiamo analizzato le applicazioni e il valore di tre tecniche di rete neurale:
Alimentare le reti neurali : il tipo più semplice di rete neurale artificiale. In questa architettura, l’informazione si sposta in una sola direzione, in avanti, dal livello di input, attraverso i livelli “nascosti”, al livello di output. Non ci sono loop nella rete. La prima rete mononucleare fu proposta già nel 1958 dal pioniere dell’IA Frank Rosenblatt. Sebbene l’idea non sia nuova, i progressi nella potenza di calcolo, gli algoritmi di addestramento e i dati disponibili hanno portato a livelli di prestazioni più elevati di quanto fosse possibile in precedenza.
Reti neurali ricorrenti (RNN) : reti neurali artificiali le cui connessioni tra neuroni includono cicli, ben adattate per l’elaborazione di sequenze di input. Nel novembre 2016, i ricercatori dell’Università di Oxford hanno riferito che un sistema basato su reti neurali ricorrenti (e reti neuronali convoluzionali) aveva ottenuto un’accuratezza del 95% nella lettura delle labbra, sovraperformando i lettori di labbra umane con esperienza, testati con una precisione del 52%.
Reti neurali involutive (CNN) : Reti neurali artificiali in cui le connessioni tra strati neurali sono ispirate dall’organizzazione della corteccia visiva animale, la porzione del cervello che elabora le immagini, ben adattata ai compiti percettivi.
Per i nostri casi d’uso, abbiamo preso in considerazione anche altre due tecniche: reti generative antagoniste (GAN) e apprendimento di rinforzo, ma non le abbiamo incluse nella nostra valutazione del valore potenziale dell’IA, poiché rimangono tecniche nascenti non ancora ampiamente applicate.
Le reti generative di avversione (GAN) utilizzano due reti neurali che si contendono l’un l’altra in una struttura di gioco a somma zero (quindi “contraddittorio”). Le GAN possono imparare a imitare varie distribuzioni di dati (ad esempio testo, parlato e immagini) e sono quindi utili per generare set di dati di test quando questi non sono prontamente disponibili.
L’apprendimento di rinforzo è un sottocampo di apprendimento automatico in cui i sistemi vengono addestrati ricevendo “ricompense” o “punizioni” virtuali, essenzialmente imparando per tentativi ed errori. Google DeepMind ha utilizzato l’apprendimento di rinforzo per sviluppare sistemi in grado di riprodurre giochi, inclusi videogiochi e giochi da tavolo come Go, meglio dei campioni umani.
In un contesto aziendale, queste tecniche analitiche possono essere applicate per risolvere problemi reali. I tipi di problemi più diffusi sono la classificazione, la stima continua e il raggruppamento. Un elenco di tipi di problemi e le loro definizioni sono disponibili nella barra laterale.
Approfondimenti da casi d’uso
Abbiamo raccolto e analizzato oltre 400 casi di utilizzo in 19 settori e nove funzioni aziendali. Hanno fornito informazioni sulle aree all’interno di settori specifici in cui le reti neurali profonde possono potenzialmente creare il massimo valore, l’incremento incrementale che queste reti neurali possono generare rispetto all’analisi tradizionale (Allegato 2) e i voraci requisiti dei dati in termini di volume, varietà e velocità – che devono essere soddisfatti perché questo potenziale sia realizzato. La nostra libreria di casi d’uso, sebbene estesa, non è esaustiva e potrebbe esagerare o sottovalutare il potenziale di alcuni settori. Continueremo a perfezionarci e ad aggiungerci.
Mostra 2
Esempi di dove l’AI può essere utilizzato per migliorare le prestazioni dei casi d’uso esistenti includono:
Manutenzione predittiva: il potere dell’apprendimento automatico per rilevare le anomalie. La capacità di apprendimento approfondito di analizzare quantità molto elevate di dati dimensionali elevati può portare i sistemi di manutenzione preventiva esistenti a un nuovo livello. La stratificazione di dati aggiuntivi, ad esempio dati audio e di immagini, da altri sensori, compresi quelli relativamente economici come microfoni e videocamere, può migliorare le reti neurali e, eventualmente, sostituire metodi più tradizionali. La capacità di AI di predire i fallimenti e consentire interventi programmati può essere utilizzata per ridurre i tempi di inattività e i costi operativi, migliorando al tempo stesso il rendimento della produzione. Ad esempio, l’intelligenza artificiale può estendere la durata di un piano di carico oltre ciò che è possibile utilizzando le tecniche analitiche tradizionali combinando i dati del modello del piano, la cronologia di manutenzione, i dati del sensore IoT come il rilevamento delle anomalie sui dati di vibrazione del motore e le immagini e il video delle condizioni del motore.
L’ottimizzazione della logistica basata su AI può ridurre i costi attraverso previsioni in tempo reale e coaching comportamentale. L’applicazione di tecniche di IA come la stima continua della logistica può aggiungere un valore sostanziale in tutti i settori. AI può ottimizzare l’instradamento del traffico di consegne, migliorando così l’efficienza del carburante e riducendo i tempi di consegna. Un’azienda di autotrasporti in Europa ha ridotto i costi del carburante del 15 percento, ad esempio, utilizzando sensori che monitorano sia le prestazioni del veicolo che il comportamento del guidatore; i conducenti ricevono coaching in tempo reale, incluso quando accelerare o rallentare, ottimizzando il consumo di carburante e riducendo i costi di manutenzione.
L’intelligenza artificiale può essere uno strumento prezioso per la gestione del servizio clienti e le sfide di personalizzazione. Il riconoscimento vocale migliorato nella gestione dei call center e il routing delle chiamate come risultato dell’applicazione delle tecniche AI consentono un’esperienza più fluida per i clienti e un’elaborazione più efficiente. Le capacità vanno oltre le sole parole. Ad esempio, l’analisi dell’apprendimento approfondito dell’audio consente ai sistemi di valutare il tono emotivo di un cliente; nel caso in cui un cliente stia rispondendo male al sistema, la chiamata può essere reindirizzata automaticamente a operatori e manager umani. In altre aree del marketing e delle vendite, le tecniche di IA possono anche avere un impatto significativo. La combinazione dei dati demografici e passati delle transazioni dei clienti con il monitoraggio dei social media può aiutare a generare raccomandazioni personalizzate sui prodotti.
Due terzi delle opportunità di utilizzare l’intelligenza artificiale sono nel migliorare le prestazioni dei casi d’uso di analisi esistenti
Nel 69 percento dei casi d’uso che abbiamo studiato, le reti neurali profonde possono essere utilizzate per migliorare le prestazioni oltre a quelle fornite da altre tecniche analitiche. Casi in cui possono essere utilizzate solo reti neurali, che qui chiamiamo casi “greenfield”, costituivano solo il 16% del totale. Per il restante 15 percento, le reti neurali artificiali hanno fornito prestazioni aggiuntive limitate rispetto ad altre tecniche di analisi, tra le altre ragioni a causa delle limitazioni dei dati che hanno reso questi casi inadatti all’apprendimento in profondità (Figura 3).
Mostra 3
Le soluzioni di Greenfield AI sono prevalenti nelle aree di business come la gestione del servizio clienti, così come in alcune industrie in cui i dati sono ricchi e voluminosi e talvolta integrano le reazioni umane. Tra le industrie, in particolare, abbiamo trovato molti casi di utilizzo di campi verdi nel settore sanitario. Alcuni di questi casi riguardano la diagnosi della malattia e una cura migliorata, e si basano su set di dati ricchi che incorporano input di immagini e video, inclusi quelli con risonanza magnetica.
In media, i nostri casi d’uso suggeriscono che le moderne tecniche di apprendimento profondo dell’intelligenza artificiale hanno il potenziale per fornire una spinta in valore aggiunto al di sopra e al di là delle tradizionali tecniche di analisi che vanno dal 30 percento al 128 percento, a seconda dell’industria.
Visualizzazione del potenziale impatto dell’intelligenza artificiale e dell’analisi avanzataLa nostra visualizzazione di dati interattivi mostra il valore potenziale creato dall’intelligenza artificiale e dalle tecniche di analisi avanzate per 19 settori e nove funzioni aziendali.
Guarda l’interattivo
In molti dei nostri casi d’uso, tuttavia, l’analisi tradizionale e le tecniche di apprendimento automatico continuano a sostenere un’ampia percentuale del potenziale di creazione di valore in settori quali assicurazioni, prodotti farmaceutici e medicali e telecomunicazioni, con il potenziale dell’IA limitato in determinati contesti. In parte ciò è dovuto al modo in cui i dati vengono utilizzati da queste industrie e ai problemi normativi.
I requisiti dei dati per l’apprendimento approfondito sono sostanzialmente maggiori rispetto ad altri strumenti di analisi
Fare un uso efficace delle reti neurali nella maggior parte delle applicazioni richiede set di dati di formazione etichettati di grandi dimensioni oltre all’accesso a un’infrastruttura di calcolo sufficiente. Inoltre, queste tecniche di deep learning sono particolarmente efficaci nell’estrazione di pattern da tipi di dati complessi e multidimensionali come immagini, video e audio o parlato.
In che modo le aziende di IA pensano alla strategia e alla concorrenza dei dati
L’intelligenza artificiale richiede grandi quantità di dati di qualità. Il cofondatore di Coursera, Andrew Ng, spiega come le compagnie di IA stanno acquisendo, organizzando e utilizzando i big data per creare valore.
I metodi di apprendimento profondi richiedono migliaia di record di dati affinché i modelli diventino relativamente bravi nei compiti di classificazione e, in alcuni casi, milioni per i loro compiti a livello di esseri umani. Secondo una stima , un algoritmo di apprendimento approfondito supervisionato raggiungerà generalmente prestazioni accettabili con circa 5.000 esempi etichettati per categoria e corrisponderà o supererà le prestazioni a livello umano se addestrato con un set di dati contenente almeno 10 milioni di esempi etichettati. In alcuni casi in cui l’analitica avanzata è attualmente utilizzata, sono disponibili così tanti dati, milioni o addirittura miliardi di righe per set di dati, che l’utilizzo dell’IA è la tecnica più appropriata. Tuttavia, se non viene raggiunta una soglia di volume di dati, l’intelligenza artificiale non può aggiungere valore alle tecniche di analisi tradizionali.
Questi enormi set di dati possono essere difficili da ottenere o creare per molti casi di utilizzo aziendale e l’etichettatura rimane una sfida. La maggior parte dei modelli attuali di IA sono addestrati attraverso “l’apprendimento supervisionato”, che richiede agli esseri umani di etichettare e classificare i dati sottostanti. Tuttavia stanno emergendo nuove e promettenti tecniche per superare questi colli di bottiglia di dati, come l’apprendimento di rinforzo, reti generative antagoniste, apprendimento di trasferimento e “apprendimento one-shot”, che consente ad un modello di IA addestrato di apprendere su un argomento basato su un piccolo numero di reali – dimostrazioni o esempi del mondo – e talvolta solo uno.
Le organizzazioni dovranno adottare e attuare strategie che consentano loro di raccogliere e integrare dati su larga scala. Anche con dataset di grandi dimensioni, dovranno difendersi dal “sovraffollamento”, in cui un modello è troppo aderente alle caratteristiche “rumorose” o casuali del set di allenamento, con conseguente corrispondente mancanza di accuratezza nelle prestazioni future e contro “underfitting”, dove il modello non riesce a catturare tutte le caratteristiche rilevanti. Il collegamento dei dati tra segmenti e canali dei clienti, piuttosto che lasciare che i dati languiscano in silos, è particolarmente importante per creare valore.
La realizzazione del pieno potenziale dell’IA richiede una vasta gamma di tipi di dati, inclusi immagini, video e audio
Le tecniche dell’IA neurale eccellono nell’analisi di tipi di dati di immagine, video e audio a causa della loro natura complessa e multidimensionale, nota dai professionisti come “alta dimensionalità”. Le reti neurali sono efficaci nell’affrontare un’elevata dimensionalità, poiché più livelli in una rete possono imparare a rappresentano le molte diverse funzionalità presenti nei dati. Pertanto, per il riconoscimento facciale, il primo strato della rete potrebbe concentrarsi su pixel non elaborati, il successivo su bordi e linee, un altro su generiche caratteristiche facciali e il livello finale potrebbe identificare il viso. A differenza delle precedenti generazioni di intelligenza artificiale, che spesso richiedevano competenze umane per fare “ingegneria delle funzioni”, queste tecniche di rete neurale sono spesso in grado di imparare a rappresentare queste caratteristiche nelle loro reti neurali simulate come parte del processo di addestramento.
Oltre alle questioni relative al volume e alla varietà di dati, anche la velocità è un requisito: le tecniche AI richiedono che i modelli vengano riqualificati per adattarsi alle potenziali condizioni mutevoli, pertanto i dati di allenamento devono essere aggiornati frequentemente. In un terzo dei casi, il modello deve essere aggiornato almeno una volta al mese e quasi un caso su quattro richiede un aggiornamento giornaliero; questo è particolarmente vero nel marketing e nelle vendite e nella gestione e produzione della supply chain.
Dimensionamento del valore potenziale di AI
Stimiamo che le tecniche di IA citate in questo briefing insieme abbiano il potenziale di creare tra $ 3,5 trilioni e $ 5,8 trilioni di valore annuo in nove funzioni aziendali in 19 settori. Ciò costituisce circa il 40% del totale di $ 9,5 trilioni a $ 15,4 trilioni di impatto annuale che potrebbe essere potenzialmente consentito da tutte le tecniche analitiche (Allegato 4).
Allegato 4
A livello di industria, stimiamo che il valore potenziale dell’IA ammonti tra l’1 e il 9% delle entrate del 2016. Il valore misurato dalla percentuale delle entrate del settore varia in modo significativo tra le industrie, a seconda dei casi d’uso specifici applicabili, della disponibilità di dati abbondanti e complessi, nonché dei vincoli normativi e di altro tipo.
Queste cifre non sono previsioni per un particolare periodo, ma sono indicative del considerevole potenziale per l’economia globale che rappresenta l’analitica avanzata.
Dai casi d’uso esaminati, scopriamo che il maggior impatto potenziale derivante dall’utilizzo dell’intelligenza artificiale è sia nelle funzioni orientate alla massima importanza, come nel marketing e nelle vendite, sia nelle funzioni operative orientate al bottom-line, compresa la gestione della supply chain e produzione.
Le industrie di consumo come la vendita al dettaglio e l’alta tecnologia tenderanno a vedere più potenziale dalle applicazioni AI di marketing e vendita perché le frequenti e le interazioni digitali tra aziende e clienti generano set di dati più ampi per le tecniche di IA da cui attingere. Le piattaforme di e-commerce, in particolare, trarranno beneficio. Ciò è dovuto alla facilità con cui queste piattaforme raccolgono informazioni sui clienti come i dati sui clic o il tempo trascorso su una pagina Web e possono quindi personalizzare promozioni, prezzi e prodotti per ciascun cliente in modo dinamico e in tempo reale.
Allegato 5
Ecco un’istantanea di tre settori in cui abbiamo visto l’impatto dell’IA: (Allegato 5)
Nella vendita al dettaglio, il marketing e le vendite sono l’area con il valore potenziale più significativo dell’IA, e all’interno di tale funzione, i prezzi e la promozione e la gestione del servizio clienti sono le aree di valore principali. I nostri casi d’uso dimostrano che l’utilizzo dei dati dei clienti per personalizzare le promozioni, ad esempio, inclusa la personalizzazione delle singole offerte ogni giorno, può portare ad un aumento dell’1 / 2% delle vendite incrementali solo per i rivenditori al dettaglio.
Nei beni di consumo, la gestione della catena di approvvigionamento è la funzione chiave che potrebbe trarre vantaggio dalla diffusione dell’intelligenza artificiale. Tra gli esempi dei nostri casi d’uso, vediamo come la previsione basata sui driver causali alla base della domanda piuttosto che sui risultati precedenti possa migliorare l’accuratezza delle previsioni dal 10 al 20 percento, il che si traduce in una potenziale riduzione del 5 percento dei costi di inventario e degli aumenti delle entrate da due a tre percento.
Nel settore bancario, in particolare nel settore del retail banking, l’IA ha un significativo potenziale di valore nel marketing e nelle vendite, proprio come nel retail. Tuttavia, a causa dell’importanza di valutare e gestire il rischio nel settore bancario, ad esempio per la sottoscrizione di prestiti e il rilevamento di frodi, l’IA ha un potenziale di valore molto più elevato per migliorare la performance del rischio nel settore bancario rispetto a molti altri settori.
La strada per l’impatto e il valore
Ci sono stati molti eccitanti progressi nell’IA di recente, ma rimangono sfide significative. Il partner Michael Chui spiega cinque limiti all’IA che devono essere superati.
L’intelligenza artificiale sta attirando una quantità crescente di investimenti aziendali e con lo sviluppo delle tecnologie, il potenziale valore che può essere sbloccato è destinato a crescere. Finora, tuttavia, solo il 20 percento delle aziende che conoscono l’ intelligenza artificiale stanno attualmente utilizzando una o più delle sue tecnologie in un processo aziendale principale o su vasta scala.
Per tutte le loro promesse, le tecnologie IA hanno molte limitazioni che dovranno essere superate. Includono i requisiti dei dati onerosi elencati sopra, ma anche altri cinque limiti:
La prima è la sfida di etichettare i dati di allenamento, che spesso devono essere eseguiti manualmente ed è necessario per l’apprendimento supervisionato. Stanno emergendo nuove e promettenti tecniche per affrontare questa sfida, come l’apprendimento del rinforzo e la supervisione in-stream, in cui i dati possono essere etichettati nel corso dell’uso naturale.
La seconda è la difficoltà di ottenere set di dati sufficientemente ampi e completi da utilizzare per la formazione; per molti casi di utilizzo aziendale, la creazione o l’ottenimento di serie di dati così grandi può essere difficile, ad esempio, dati limitati relativi a studi clinici per prevedere con maggiore precisione i risultati del trattamento sanitario.
La terza è la difficoltà di spiegare in termini umani i risultati di modelli grandi e complessi: perché è stata raggiunta una determinata decisione? Le certificazioni di prodotto nel settore sanitario e nell’industria automobilistica e aerospaziale, ad esempio, possono essere un ostacolo; tra gli altri vincoli, i regolatori spesso vogliono che le regole e i criteri di scelta siano chiaramente spiegabili.
La quarta è la generalizzabilità dell’apprendimento: i modelli di IA continuano ad avere difficoltà nel portare le loro esperienze da una serie di circostanze a un’altra. Ciò significa che le aziende devono impegnare risorse per formare nuovi modelli anche per casi d’uso simili a quelli precedenti. L’apprendimento trasferito – in cui un modello di intelligenza artificiale è addestrato per svolgere un determinato compito e quindi applica rapidamente tale apprendimento a un’attività simile ma distinta – è una risposta promettente a questa sfida.
La quinta limitazione riguarda il rischio di pregiudizi nei dati e negli algoritmi. Questo problema riguarda preoccupazioni di natura più sociale e che potrebbero richiedere maggiori passi da risolvere, come capire come i processi utilizzati per raccogliere i dati di addestramento possono influenzare il comportamento dei modelli che sono utilizzati per addestrare. Ad esempio, è possibile introdurre preconcetti non previsti quando i dati di addestramento non sono rappresentativi della popolazione più ampia a cui è applicato un modello di intelligenza artificiale. Pertanto, i modelli di riconoscimento facciale addestrati su una popolazione di volti corrispondenti ai dati demografici degli sviluppatori di intelligenza artificiale potrebbero avere difficoltà se applicati a popolazioni con caratteristiche più diverse . Un recente rapporto sull’uso dannoso di IA evidenzia una serie di minacce alla sicurezza, dalla sofisticata automazione dell’hacking alle campagne di disinformazione politica iper-personalizzate.
Le sfide organizzative relative a tecnologia, processi e persone possono rallentare o impedire l’adozione dell’IA
Le organizzazioni che intendono adottare sforzi significativi di apprendimento approfondito dovranno considerare una gamma di opzioni su come farlo. La gamma di opzioni include la creazione di una completa capacità di IA interna, l’esternalizzazione di queste funzionalità o l’utilizzo di offerte AI-as-a-service.
Sulla base dei casi d’uso che intendono costruire, le aziende dovranno creare un piano dati che produca risultati e previsioni, che possano essere alimentati o in interfacce progettate affinché gli esseri umani possano agire o entrare nei sistemi di transazione. Le sfide chiave dell’ingegneria dei dati includono la creazione o l’acquisizione di dati, la definizione dell’ontologia dei dati e la costruzione di “tubi” di dati appropriati. Considerati i notevoli requisiti computazionali dell’apprendimento approfondito, alcune organizzazioni manterranno i propri data center, a causa di normative o problemi di sicurezza, ma la capitale le spese potrebbero essere considerevoli, in particolare quando si utilizzano hardware specializzati. I fornitori di cloud offrono un’altra opzione.
Il processo può anche diventare un impedimento per l’adozione di successo a meno che le organizzazioni non siano digitalmente mature. Dal punto di vista tecnico, le organizzazioni dovranno sviluppare solidi processi di manutenzione e governance dei dati e implementare moderne discipline software come Agile e DevOps. Ancora più impegnativo, in termini di scala, sta superando il problema dell’ultimo miglio per assicurarsi che le intuizioni superiori fornite dall’IA siano istanziate nel comportamento delle persone e dei processi di un’impresa.
Sul fronte delle persone, gran parte della costruzione e dell’ottimizzazione delle reti neuronali profonde rimane qualcosa di un’arte che richiede veri esperti per offrire incrementi delle prestazioni a passi alterati. La domanda di queste competenze supera di gran lunga l’offerta al momento; secondo alcune stime , meno di 10.000 persone hanno le competenze necessarie per affrontare gravi problemi di intelligenza artificiale. e la concorrenza per loro è feroce tra i giganti della tecnologia.
L’intelligenza artificiale può sembrare un caso aziendale sfuggente
Dove sono disponibili tecniche e dati AI e il valore è chiaramente dimostrato, le organizzazioni possono già cogliere l’opportunità. In alcune aree, le tecniche oggi potrebbero essere mature e i dati disponibili, ma il costo e la complessità della distribuzione di intelligenza artificiale potrebbero semplicemente non essere utili, dato il valore che potrebbe essere generato. Ad esempio, una compagnia aerea potrebbe utilizzare il riconoscimento facciale e altre tecnologie di scansione biometrica per semplificare l’imbarco dei velivoli, ma il valore di farlo potrebbe non giustificare i costi e le questioni relative alla privacy e all’identificazione personale.
Allo stesso modo, possiamo vedere potenziali casi in cui i dati e le tecniche stanno maturando, ma il valore non è ancora chiaro. Lo scenario più imprevedibile è dove i dati (sia i tipi e il volume) che le tecniche sono semplicemente troppo nuovi e non testati per sapere quanto valore potrebbero sbloccare. Ad esempio, nel settore sanitario, se l’IA fosse in grado di basarsi sulla precisione sovrumana che stiamo già iniziando a vedere con l’analisi a raggi X e ampliarla a diagnosi più accurate e persino a procedure mediche automatizzate, il valore economico potrebbe essere molto significativo. Allo stesso tempo, anche la complessità e i costi per arrivare a questa frontiera sono scoraggianti. Tra le altre questioni, richiederebbe l’esecuzione tecnica impeccabile e risolvere i problemi di assicurazione di negligenza e altri problemi legali.
Le preoccupazioni e i regolamenti della società possono anche limitare l’uso dell’IA. I vincoli normativi sono particolarmente diffusi in casi d’uso relativi a informazioni di identificazione personale. Ciò è particolarmente rilevante in un momento di crescente dibattito pubblico sull’uso e la commercializzazione dei dati individuali su alcune piattaforme online. L’uso e la conservazione di informazioni personali sono particolarmente sensibili in settori come il settore bancario, l’assistenza sanitaria, i prodotti farmaceutici e medici, nonché nel settore pubblico e sociale. Oltre ad affrontare questi problemi, le aziende e gli altri utenti di dati per l’IA dovranno continuare ad evolvere i modelli aziendali relativi all’uso dei dati al fine di rispondere alle preoccupazioni delle società. Inoltre, i requisiti e le restrizioni normative possono variare da paese a paese, come bene da settore a settore.
Implicazioni per le parti interessate
Come abbiamo visto, è la capacità di un’azienda di eseguire modelli AI che creano valore, piuttosto che i modelli stessi. In questa sezione finale, delineiamo alcune delle implicazioni di alto livello del nostro studio sui casi di utilizzo di AI per i fornitori di tecnologia AI, applicatori di tecnologia AI e responsabili politici, che hanno impostato il contesto per entrambi.
Per le aziende fornitrici di tecnologia AI: molte aziende che sviluppano o forniscono AI agli altri hanno una forza considerevole nella tecnologia stessa e gli scienziati dei dati hanno bisogno di farlo funzionare, ma possono mancare di una profonda comprensione dei mercati finali. Comprendere il valore potenziale dell’IA attraverso i settori e le funzioni può contribuire a configurare i portafogli di queste aziende di tecnologia di intelligenza artificiale. Detto questo, non dovrebbero necessariamente dare la priorità alle aree con il più alto valore potenziale. Invece, possono combinare questi dati con analisi complementari del panorama concorrente, dei propri punti di forza esistenti, delle conoscenze del settore o della funzione e delle relazioni con i clienti, per modellare i loro portafogli di investimento. Dal punto di vista tecnico,
Molte aziende che cercano di adottare l’intelligenza artificiale nelle loro operazioni hanno iniziato l’apprendimento automatico e gli esperimenti di intelligenza artificiale nelle loro attività. Prima di lanciare più piloti o testare soluzioni, è utile fare un passo indietro e adottare un approccio olistico al problema, muovendosi per creare un portafoglio prioritario di iniziative in tutta l’azienda, compresa l’intelligenza artificiale e le più ampie tecniche analitiche e digitali disponibili. Affinché un business leader possa creare un portafoglio appropriato, è importante sviluppare una comprensione su quali casi d’uso e domini hanno il potenziale per ottenere il massimo valore per un’azienda, nonché su quale AI e altre tecniche analitiche dovranno essere implementate per catturare quel valore. Questo portafoglio dovrebbe essere informato non solo da dove il valore teorico può essere catturato, ma dalla domanda su come le tecniche possono essere implementate su larga scala all’interno dell’azienda. La questione di come le tecniche analitiche vengono ridimensionate è guidata meno dalle tecniche stesse e più dalle capacità, dalle capacità e dai dati di un’azienda. Le aziende dovranno considerare gli sforzi sul “primo miglio”, cioè come acquisire e organizzare i dati e gli sforzi, nonché sull’ultimo miglio, o come integrare l’output dei modelli di IA in flussi di lavoro che vanno dalla clinica responsabili delle prove e responsabili della forza vendita agli ufficiali di gara. La precedente ricerca sui MGI suggerisce che i leader dell’IA investono pesantemente in questi primi e ultimi sforzi. Le aziende dovranno considerare gli sforzi sul “primo miglio”, cioè come acquisire e organizzare i dati e gli sforzi, nonché sull’ultimo miglio, o come integrare l’output dei modelli di IA in flussi di lavoro che vanno dalla clinica responsabili delle prove e responsabili della forza vendita agli ufficiali di gara. La precedente ricerca sui MGI suggerisce che i leader dell’IA investono pesantemente in questi primi e ultimi sforzi. Le aziende dovranno considerare gli sforzi sul “primo miglio”, cioè come acquisire e organizzare i dati e gli sforzi, nonché sull’ultimo miglio, o come integrare l’output dei modelli di IA in flussi di lavoro che vanno dalla clinica responsabili delle prove e responsabili della forza vendita agli ufficiali di gara. La precedente ricerca sui MGI suggerisce che i leader dell’IA investono pesantemente in questi primi e ultimi sforzi.
I responsabili delle politiche dovranno trovare un equilibrio tra il sostegno allo sviluppo delle tecnologie di intelligenza artificiale e la gestione di eventuali rischi da parte di attori cattivi. Hanno interesse a sostenere l’adozione ampia, dal momento che l’intelligenza artificiale può portare a una maggiore produttività del lavoro, crescita economica e prosperità sociale. I loro strumenti comprendono investimenti pubblici in ricerca e sviluppo e supporto per una varietà di programmi di formazione, che possono aiutare a coltivare i talenti dell’intelligenza artificiale. Sulla questione dei dati, i governi possono stimolare lo sviluppo di dati di addestramento direttamente attraverso iniziative di dati aperti. L’apertura di dati del settore pubblico può stimolare l’innovazione del settore privato. Anche l’impostazione di standard di dati comuni può essere d’aiuto. L’IA sta anche sollevando nuove domande per i decisori politici con cui affrontare gli strumenti storici e le strutture potrebbero non essere adeguate. Perciò, alcune innovazioni politiche saranno probabilmente necessarie per far fronte a queste tecnologie in rapida evoluzione. Ma vista la portata dell’impatto benefico per l’economia e la società, l’obiettivo non dovrebbe essere quello di limitare l’adozione e l’applicazione dell’IA, ma piuttosto di incoraggiarne l’uso benefico e sicuro.