Superare l’hype: rendere operativi AI e ML per i risultati aziendali
Per più di un decennio, aziende che vanno dalle piccole startup alle grandi aziende hanno parlato della promessa dell’intelligenza artificiale (AI) e dell’apprendimento automatico (ML). Secondo queste profezie, AI e ML trasformerebbero il lavoro moderno, automatizzando i processi quotidiani e consentendo ai dipendenti umani di concentrarsi su attività di livello superiore.
Dieci anni dopo, per molte aziende, la promessa dell’intelligenza artificiale si è rivelata proprio questo: una promessa e nient’altro. Sebbene molte di queste organizzazioni abbiano adottato misure per accelerare i loro sforzi di trasformazione digitale, alcune insidie comuni spesso lasciano il sogno AI / ML non realizzato.
Quali sono stati alcuni dei principali fattori che hanno frenato il potenziale di trasformazione di AI e ML?
Mancanza di organizzazione: il primo passo per una strategia di intelligenza artificiale di successo è la raccolta dei dati. Ma altrettanto importante è la pianificazione per l’organizzazione di quei dati; le aziende che accumulano un tesoro di dati senza un piano su come organizzarlo, analizzarlo e metterlo in funzione rimangono con una risorsa non raffinata, praticamente inutilizzabile. Qual è il valore nello scoprire il petrolio se non hai modo di estrarlo dal terreno o raffinarlo per l’uso?
Adozione frammentaria: mentre le trasformazioni digitali promettono risparmi sui costi a lungo termine, il prezzo iniziale per l’adozione di una nuova tecnologia può essere elevato. Questo shock adesivo porta alcune imprese ad adottare un approccio frammentario all’integrazione degli strumenti di intelligenza artificiale, senza considerare come quella singola soluzione si adatterà a una roadmap più ampia.
Processi / disciplina mancanti: le soluzioni AI e ML saranno naturalmente sostenute e introdotte da leader specifici all’interno dell’azienda, ma il loro successo dipende dal buy-in istituzionale dall’alto verso il basso. I primi utenti devono preparare la pista per un’adozione più ampia, instillando la disciplina e le routine necessarie per rendere l’integrazione di nuovi strumenti il più agevole possibile.
L’anno scorso ha dimostrato che non c’è tempo da perdere in termini di trasformazione digitale e automazione delle routine tramite AI e ML. Secondo Fortune Business Insights , il mercato globale dell’intelligenza artificiale dovrebbe raggiungere i 267 miliardi di dollari entro il 2027, rappresentando una crescita quasi dieci volte superiore rispetto a un valore di 27 miliardi di dollari nel 2019. Un passaggio a lungo termine al lavoro a distanza causato dalla pandemia COVID-19 ha spinto le imprese ad adottare nuove soluzioni; Il COVID-19 Digital Engagement Report di Twilio ha rilevato che il 97% dei dirigenti ha affermato che la pandemia ha accelerato i propri sforzi di trasformazione digitale.
Quindi cosa ci vorrà per superare l’hype di AI e ML e rendere effettivamente operativi questi strumenti? Alcune tecnologie e strategie possono fare la differenza tra un trionfo o un flop:
- AIOps, MLOps, DataOps
Associare -Ops a una tecnologia o un’applicazione è una ricetta infallibile per una nuova brillante parola d’ordine, ma non tutte queste soluzioni emergenti sono vaporware. In effetti, strategie come AIOps, MLOps e DataOps possono offrire la soluzione alla sfida di organizzare tutti i dati raccolti all’interno di un’azienda. Questi strumenti applicano i principi della gestione Agile rispettivamente all’intelligenza artificiale, all’apprendimento automatico e alla gestione dei dati, semplificando notevolmente la conoscenza e lo sforzo necessari per ricavare valore da nuove soluzioni. Per le aziende che stanno muovendo i primi passi nell’intelligenza artificiale / ML e cercano di mettersi al passo, queste strategie sono un must. - Codice basso / Nessun codice
I modelli ML più complessi e sfumati richiederanno sempre sviluppatori e data scientist dedicati per garantire il loro successo. Tuttavia, le sfide che molte aziende devono affrontare non sono così complicate e possono essere risolte con soluzioni AI più semplici e valide per tutti. Le piattaforme low-code e no-code riducono la barriera all’ingresso per i dipendenti con poca o nessuna esperienza nello sviluppo di software. Gli strumenti senza codice consentono a qualsiasi dipendente di creare soluzioni come motori di raccomandazione tramite piattaforme intuitive drag-and-drop, mentre le piattaforme a basso codice possono eseguire attività complesse con solo poche righe di codice. - AutoAI e AutoML
Se l’intelligenza artificiale e l’apprendimento automatico automatizzano i processi aziendali, perché dovrebbero essere automatizzati loro stessi? Un aspetto cruciale del successo di AI e ML è l’idea del perfezionamento: man mano che questi strumenti apprendono sul lavoro e integrano più dati, possono costantemente affinare le loro prestazioni e fornire risultati migliori. AutoAI e AutoML eseguono questo processo di perfezionamento senza richiedere alcun input umano, creando un ciclo virtuoso senza fine. Gli esseri umani possono controllare le prestazioni del modello per prevenire pregiudizi e confermare che lo strumento soddisfa le esigenze dell’azienda, ma AutoML consente ai dipendenti di affrontare altre sfide durante la giornata. Mentre i produttori di chip e le società di software aprono nuovi orizzonti con l’elaborazione del linguaggio naturale , il campo AI / ML sta raggiungendo un punto di svolta che vedrà un’esplosione di nuovi casi d’uso. Le imprese devono essere pronte a reagire a queste tecnologie emergenti; quelli che non hanno la loro casa in ordine ora saranno lasciati indietro dai concorrenti che ce l’hanno.
