Questo è il motivo per cui l’IA deve ancora rimodellare la maggior parte delle aziende
Per molte aziende, la distribuzione di intelligenza artificiale è più lenta e più costosa di quanto possa sembrare
L’ arte di fare profumi e cambiò molto dal 1880, quando iniziarono ad essere utilizzati ingredienti sintetici. Gli esperti creatori di fragranze armeggiano con combinazioni di sostanze chimiche nella speranza di produrre nuovi profumi irresistibili. Così Achim Daub, un dirigente di uno dei maggiori produttori di fragranze al mondo, Symrise, si chiedeva cosa sarebbe successo se avesse iniettato l’intelligenza artificiale nel processo. Una macchina suggerirebbe formule accattivanti che un essere umano potrebbe non pensare di provare?
Daub ingaggiò IBM per progettare un sistema informatico che potesse penetrare enormi quantità di informazioni – le formule di fragranze esistenti, dati dei consumatori, informazioni normative, e così via – e quindi suggerire nuove formulazioni per mercati particolari. Il sistema si chiama Philyra, dopo la dea greca della fragranza. Nome evocativo a parte, non può sentire l’odore di una cosa, quindi non può sostituire i profumieri umani. Ma dà loro un vantaggio sulla creazione di qualcosa di nuovo.
Daub è soddisfatto dei progressi finora. Due fragranze destinate ai giovani clienti in Brasile dovrebbero essere vendute lì a giugno. Solo alcuni dei 70 designer di fragranze della compagnia hanno utilizzato il sistema, ma Daub si aspetta di poterlo distribuire a tutti.
Tuttavia, fa attenzione a precisare che arrivare a questo punto è durato quasi due anni e ha richiesto investimenti che richiederanno ancora un po ‘di tempo per recuperare. I primi suggerimenti di Philyra erano orribili: continuava a suggerire ricette di shampoo. Dopotutto, guardava i dati di vendita, e lo shampoo supera di gran lunga il profumo e la colonia. L’averlo messo in pista ha richiesto molto allenamento ai profumieri di Symrise. Inoltre, la società sta ancora lottando con costosi aggiornamenti IT che sono stati necessari per pompare dati in Philyra da disparati sistemi di conservazione dei registri mantenendo nel contempo alcune informazioni riservate dai profumieri stessi. “È una specie di curva di apprendimento ripida”, dice Daub. “Non siamo neanche lontanamente vicini ad avere un’IA saldamente e completamente consolidata nel nostro sistema aziendale.”
Il business dei profumi non è certo l’unico ad adottare l’apprendimento automatico senza vedere rapidi cambiamenti. Nonostante quello che potresti sentire sull’intelligenza artificiale del mondo, le persone in una vasta gamma di settori dicono che la tecnologia è difficile da implementare. Può essere costoso. E il profitto iniziale è spesso modesto.
Una cosa è vedere le innovazioni nell’intelligenza artificiale che possono superare i grandi maestri di Go o persino avere dispositivi che attivano la musica al tuo comando. Un’altra cosa è usare l’intelligenza artificiale per fare più di cambiamenti incrementali nelle aziende che non sono intrinsecamente digitali.
Questo non significa che l’intelligenza artificiale è sovradimensionata. Ma gli algoritmi sono una piccola parte di ciò che conta davvero nel rimodellare il modo in cui viene fatto il business.
L’intelligenza artificiale potrebbe alla fine trasformare l’economia – rendendo possibili nuovi prodotti e nuovi modelli di business, prevedendo cose che l’uomo non avrebbe potuto prevedere e alleggerendo i dipendenti della fatica. Ma ciò potrebbe richiedere più tempo di quanto sperato o temuto, a seconda di dove ti siedi. La maggior parte delle aziende non sta generando sostanzialmente più output dalle ore in cui i dipendenti stanno inserendo. Tali guadagni di produttività sono maggiori nelle aziende più grandi e più ricche, che possono permettersi di spendere pesantemente sul talento e sull’infrastruttura tecnologica necessaria per far funzionare bene l’IA.
Questo non significa necessariamente che l’intelligenza artificiale sia sovrascritta. È solo che quando si tratta di rimodellare il modo in cui viene fatto il business, gli algoritmi di riconoscimento dei pattern sono una piccola parte di ciò che conta. Molto più importanti sono gli elementi organizzativi che si propagano dal reparto IT fino alla prima linea di un’azienda. Praticamente tutti devono essere sintonizzati su come funziona l’intelligenza artificiale e dove sono i suoi punti ciechi, in particolare le persone che dovrebbero fidarsi dei suoi giudizi. Tutto ciò richiede non solo denaro ma anche pazienza, meticolosità e altre abilità tipicamente umane che troppo spesso scarseggiano.
Alla ricerca di unicorni
Lo scorso settembre, uno scienziato dei dati di nome Peter Skomoroch ha twittato: “Come regola generale, ci si può aspettare che la transizione dell’azienda aziendale all’apprendimento automatico sia circa 100 volte più difficile della transizione verso il mobile.” Aveva il ring di uno scherzo, ma Skomoroch non stava scherzando. Diverse persone gli dissero che erano sollevate nel sentire che le loro compagnie non erano sole nelle loro lotte. “Penso che ci sia un sacco di dolore là fuori – aspettative gonfiate”, dice Skomoroch, che è CEO di SkipFlag, un’azienda che dice di poter trasformare le comunicazioni interne di un’azienda in una base di conoscenza per i dipendenti. “L’intelligenza artificiale e l’apprendimento automatico sono visti come polvere magica delle fate.”
Tra i maggiori ostacoli c’è il fatto che i vari sistemi di registrazione delle registrazioni parlano tra loro. Questo è un problema che Richard Zane ha incontrato come chief innovation officer di UC Health, una rete di ospedali e cliniche mediche in Colorado, Wyoming e Nebraska. Recentemente ha lanciato un agente software di conversazione chiamato Livi, che utilizza la tecnologia in linguaggio naturale da una startup chiamata Avaamo per assistere i pazienti che chiamano UC Health o utilizzano il sito web. Livi li indirizza a rinnovare le loro prescrizioni, i libri e conferma i loro appuntamenti, e mostra loro le informazioni sulle loro condizioni.
Zane è lieto che con Livi che gestisce le query di routine, lo staff di UC Health può dedicare più tempo ad aiutare i pazienti con problemi complessi. Ma riconosce che questo assistente virtuale fa poco di ciò che potrebbe fare l’IA nella sua organizzazione. “È solo la punta dell’iceberg, o qualunque sia la versione positiva di questo,” dice Zane. Ci sono voluti un anno e mezzo per implementare Livi, in gran parte a causa dei problemi informatici coinvolti nel collegamento del software con le cartelle cliniche dei pazienti, i dati di fatturazione assicurativa e altri sistemi ospedalieri.
Configurazioni simili peggiorano anche altri settori. Alcuni grandi dettaglianti, ad esempio, salvano i record della catena di approvvigionamento e le transazioni dei consumatori in sistemi separati, nessuno dei quali è collegato a magazzini di dati più ampi. Se le aziende non si fermano e costruiscono connessioni tra tali sistemi, allora l’apprendimento automatico funzionerà solo su alcuni dei loro dati. Ciò spiega il motivo per cui gli usi più comuni dell’IA finora hanno coinvolto processi di business che sono stati archiviati, ma che tuttavia hanno dati abbondanti, come la sicurezza informatica o il rilevamento di frodi presso le banche.
Anche se un’azienda ottiene dati che fluiscono da molte fonti, ci vuole molta sperimentazione e supervisione per essere sicuro che le informazioni siano accurate e significative. Quando Genpact, una società di servizi IT, aiuta le aziende a lanciare ciò che considerano i progetti di IA, “il 10% del lavoro è di intelligenza artificiale”, afferma Sanjay Srivastava, chief digital officer. “Il 90% del lavoro è in realtà l’estrazione dei dati, la pulizia, la normalizzazione, la lotta”.
Al di fuori della cintura di intelligenza artificiale, le cose si muovono molto più lentamente, per motivi economici razionali.
Questi passaggi potrebbero sembrare perfetti per Google, Netflix, Amazon o Facebook. Ma queste società esistono per catturare e utilizzare i dati digitali. Sono inoltre dotati di personale di dottorato in scienze dei dati, informatica e settori correlati. “Questo è diverso rispetto al rango della maggior parte delle aziende aziendali”, dice Skomoroch.
Infatti, le aziende più piccole spesso richiedono ai dipendenti di approfondire diversi domini tecnici, afferma Anna Drummond, una ricercatrice di dati presso la Sanchez Oil and Gas, una compagnia energetica con sede a Houston. Sanchez ha recentemente avviato lo streaming e l’analisi dei dati di produzione dai pozzi in tempo reale. Non ha costruito la capacità da zero: ha acquistato il software da una società chiamata MapR. Ma Drummond e i suoi colleghi dovevano ancora assicurarsi che i dati provenienti dal campo fossero in formati che un computer poteva analizzare. Il team di Drummond è stato anche coinvolto nella progettazione del software che avrebbe fornito informazioni agli schermi dei tecnici. Le persone abituate a tutte quelle cose sono “non facili da trovare”, dice. “È come unicorno, in pratica. Questo è ciò che sta rallentando l’AI o l’adozione dell’apprendimento automatico. “
Fluor, un’enorme società di ingegneria, ha trascorso circa quattro anni a lavorare con IBM per sviluppare un sistema di intelligenza artificiale per monitorare progetti di costruzione massicci che possono costare miliardi di dollari e coinvolgere migliaia di lavoratori. Il sistema inattiva i dati numerici e in lingua naturale e avvisa i responsabili di progetto di Fluor in merito a problemi che potrebbero causare ritardi o eccedenze di costi.
Ai tecnici informatici di IBM e Fluor non è stato necessario molto tempo per mettere a punto gli algoritmi che il sistema avrebbe utilizzato, afferma Leslie Lindgren, vice president of information management di Fluor. Ciò che ha richiesto molto più tempo è stato il perfezionamento della tecnologia con la stretta partecipazione dei dipendenti di Fluor che avrebbero utilizzato il sistema. Affinché potessero fidarsi dei suoi giudizi, avevano bisogno di avere un input su come avrebbe funzionato, e hanno dovuto convalidare attentamente i suoi risultati, dice Lindgren.
Per sviluppare un sistema come questo, “devi portare i tuoi esperti di dominio dal business – voglio dire le tue persone migliori”, dice. “Ciò significa che devi tirarli fuori da altre cose.” Usare le persone migliori era essenziale, aggiunge, perché costruire il motore di intelligenza artificiale era “troppo importante, troppo lungo e troppo costoso” per fare altrimenti.
I semi dell’IA
Una volta che si presenta un’innovazione, quanto velocemente si diffonderà attraverso l’economia? L’economista Zvi Griliches ha trovato alcune risposte fondamentali negli anni ’50 – guardando il grano.
Griliches ha esaminato i tassi a cui i coltivatori di mais in varie parti del paese sono passati a varietà ibride con rese molto più elevate. Ciò che gli interessava non era tanto il mais in sé quanto il valore degli ibridi come quello che oggi chiameremmo una piattaforma per le innovazioni future. “Il mais ibrido è stato l’invenzione di un metodo di invenzione, un metodo per allevare mais di qualità superiore per località specifiche”, ha scritto Griliches in un documento di riferimento nel 1957.
Gli ibridi furono introdotti in Iowa tra la fine degli anni ’20 e l’inizio degli anni ’30. Nel 1940 rappresentavano quasi tutto il mais piantato nello stato. Ma la curva dell’adozione non era neanche lontanamente così ripida in posti come il Texas e l’Alabama, dove gli ibridi furono introdotti più tardi e coprirono circa la metà della superficie del mais nei primi anni ’50. Una delle ragioni principali è che i semi ibridi erano più costosi dei semi convenzionali e gli agricoltori dovevano comprarne di nuovi ogni anno. Passare alla nuova tecnologia era una proposta più rischiosa per le fattorie in questi stati che nella più ricca e produttiva cintura di grano del Midwest.
Quello che Griliches ha catturato, e ciò che gli economisti successivi hanno confermato, è che la diffusione delle tecnologie è influenzata meno dalle qualità intrinseche delle innovazioni che dalle situazioni economiche degli utenti. La domanda chiave degli utenti non è, come lo è per i tecnologi, “che cosa può fare la tecnologia?”, Ma “quanto trarremo vantaggio dall’investire in essa?”
Oggi l’apprendimento automatico è alla base di ogni aspetto delle operazioni di aziende come Facebook, Google e Amazon e molte start-up. Sta rendendo queste società eccezionalmente ricche. Ma al di fuori della cintura AI, le cose si muovono molto più lentamente, per ragioni economiche razionali.
A Symrise, Daub pensa che il progetto AI per i profumi sia caduto in un punto debole. Era un esperimento relativamente su piccola scala, ma implicava un vero lavoro per un cliente di fragranze e non era una semplice simulazione di laboratorio.
“Abbiamo tutti molta pressione”, dice. “Nessuno ha davvero il tempo di fare greenfield learning dalla parte”. Eppure anche questo ha richiesto un salto di fiducia nella tecnologia. “Tutto ruota attorno alla convinzione”, dice. “In me è molto forte la convinzione che l’intelligenza artificiale giocherà un ruolo nella maggior parte delle industrie che vediamo oggi, alcune in modo predominante. Ignorarlo completamente non è un’opzione. “