Home / ML Machine Learning / Perché le strategie di ML machine learning falliscono

Perché le strategie di ML machine learning falliscono

La maggior parte delle aziende sta lottando per sviluppare strategie di intelligenza artificiale funzionanti, secondo un nuovo sondaggio del fornitore di servizi cloud Rackspace Technology. Il sondaggio, che include 1.870 organizzazioni in una varietà di settori, tra cui produzione, finanza, vendita al dettaglio, governo e sanità, mostra che solo il 20% delle aziende ha iniziative mature di intelligenza artificiale / apprendimento automatico. Gli altri stanno ancora cercando di capire come farlo funzionare.

Non c’è dubbio sulle promesse dell’apprendimento automatico in quasi tutti i settori. Costi inferiori, maggiore precisione, migliore esperienza del cliente e nuove funzionalità sono alcuni dei vantaggi dell’applicazione di modelli di apprendimento automatico alle applicazioni del mondo reale. Ma l’apprendimento automatico non è una bacchetta magica. E poiché molte organizzazioni e aziende stanno imparando, prima di poter applicare la potenza del machine learning alla tua attività e alle tue operazioni, devi superare diversi ostacoli.

Tre sfide chiave che le aziende devono affrontare quando integrano le tecnologie di intelligenza artificiale nelle loro operazioni riguardano le aree delle competenze, dei dati e della strategia e il sondaggio di Rackspace offre un quadro chiaro del motivo per cui la maggior parte delle strategie di apprendimento automatico fallisce.

L’apprendimento automatico riguarda i dati
I modelli di machine learning vivono su risorse di calcolo e dati. Grazie a una varietà di piattaforme di cloud computing, l’accesso all’hardware necessario per addestrare ed eseguire modelli di intelligenza artificiale è diventato molto più accessibile e conveniente.

Ma i dati continuano a rimanere un ostacolo importante nelle diverse fasi della pianificazione e dell’adozione di una strategia di intelligenza artificiale. Il 34% degli intervistati nel sondaggio di Rackspace ha dichiarato che la scarsa qualità dei dati è la ragione principale del fallimento della ricerca e sviluppo sull’apprendimento automatico e un altro 31% ha dichiarato di non disporre di dati pronti per la produzione.

Ciò evidenzia uno dei principali ostacoli nell’applicazione delle tecniche di apprendimento automatico ai problemi del mondo reale. Mentre la comunità di ricerca sull’IA ha accesso a molti set di dati pubblici per la formazione e il test delle loro ultime tecnologie di apprendimento automatico, quando si tratta di applicare tali tecnologie ad applicazioni reali, ottenere l’accesso a dati di qualità non è facile. Ciò è particolarmente vero nei settori industriale, sanitario e governativo, dove i dati sono spesso scarsi o soggetti a rigide normative.

I problemi relativi ai dati si ripresentano quando le iniziative di machine learning passano dalla fase di ricerca a quella di produzione. La qualità dei dati rimane il principale ostacolo quando si tratta di utilizzare l’apprendimento automatico per estrarre informazioni preziose. Anche i problemi di ingegneria dei dati rappresentano un problema significativo, come il silenziamento dei dati, la mancanza di talento per connettere fonti di dati disparate e non essere abbastanza veloci per elaborare i dati in modo significativo.

Grafico a barre che descrive gli ostacoli agli insight sull’apprendimento automatico.
Sopra: i dati rappresentano la maggior parte dei problemi chiave nell’ottenere informazioni strategiche dai modelli di machine learning (Fonte: Rackspace Technology)

Sia le startup che le aziende affermate soffrono di problemi di dati, anche se la scala sembra essere il fattore chiave di differenziazione tra i due, secondo Jeff DeVerter, CTO di Rackspace Technology. “Le startup tendono ad essere vincolate con non tutte le risorse giuste per implementare una pipeline di dati di qualità e gestirla in modo coerente nel tempo”, ha detto DeVerter a TechTalks nei commenti scritti. “Le aziende di solito hanno le dimensioni dalla loro parte e con ciò arriva il rigore richiesto”.

Il modo migliore in cui le aziende possono prepararsi per le sfide relative ai dati delle strategie di IA è eseguire una valutazione completa della loro infrastruttura di dati. L’eliminazione dei silos dovrebbe essere una priorità chiave in ogni iniziativa di machine learning. Le aziende dovrebbero inoltre disporre delle giuste procedure per pulire i propri dati per migliorare l’accuratezza e le prestazioni dei propri modelli di machine learning.

Il talento di intelligenza artificiale è ancora molto richiesto
La seconda area di lotta per la maggior parte delle aziende è l’accesso al talento di machine learning e data science. Secondo il sondaggio di Rackspace, la mancanza di competenze interne è stata il secondo principale fattore di fallimento nelle iniziative di ricerca e sviluppo di machine learning. La mancanza di abilità e difficoltà nelle assunzioni è stata anche un ostacolo chiave nell’adozione delle tecnologie di intelligenza artificiale.

Grafico a barre degli ostacoli all’adozione del machine learning.
Sopra: molte aziende hanno difficoltà ad acquisire il talento per implementare le proprie strategie di intelligenza artificiale (Fonte: Rackspace Technology)

Con il machine learning e il deep learning che hanno raggiunto un uso mainstream negli ambienti di produzione solo di recente, molte aziende più piccole non hanno data scientist e ingegneri di machine learning in grado di sviluppare modelli di intelligenza artificiale.

E lo stipendio medio dei data scientist e degli ingegneri del machine learning corrisponde a quello degli ingegneri del software esperti, il che rende difficile per molte aziende mettere insieme un team di talento che possa guidare la sua iniziativa AI.

Sebbene la carenza di talenti nel campo dell’apprendimento automatico e della scienza dei dati sia ben nota, una cosa che è passata per lo più inosservata è la necessità di più ingegneri di dati, le persone che configurano, gestiscono e aggiornano database, data warehouse e data lake. Secondo i dati di Rackspace, molte iniziative falliscono perché le aziende non hanno il talento per adattare la propria infrastruttura di dati per scopi di apprendimento automatico. L’abbattimento dei silos, la migrazione al cloud, la creazione di cluster Hadoop e la creazione di sistemi ibridi in grado di sfruttare la potenza di piattaforme diverse sono alcune aree in cui le aziende sono gravemente carenti. E queste carenze impediscono loro di realizzare distribuzioni a livello aziendale di iniziative di machine learning.

Con lo sviluppo di nuovi strumenti di machine learning e data science, il problema del talento è diventato meno intenso. Google, Microsoft e Amazon hanno lanciato piattaforme che semplificano lo sviluppo di modelli di machine learning. Un esempio è il servizio Azure Machine Learning di Microsoft, che fornisce un’interfaccia visiva con componenti drag-and-drop e semplifica la creazione di modelli ML senza codifica. Un altro esempio è AutoML di Google, che automatizza il noioso processo di ottimizzazione degli iperparametri. Sebbene questi strumenti non sostituiscano i talenti del machine learning, abbassano la barriera per le persone che vogliono entrare nel campo e consentiranno a molte aziende di riqualificare il proprio talento tecnologico per questi campi in crescita.

“La mancanza di talenti interni alla scienza dei dati non è l’ostacolo che una volta era ora che più di questi servizi sono in grado di utilizzare il proprio ML per aiutare in questo senso, così come le società di consulenza che hanno questi talenti nel personale”, ha detto DeVerter.

Altri sviluppi nel campo sono l’evoluzione del cloud storage e delle piattaforme di analisi, che hanno notevolmente ridotto la complessità della creazione delle infrastrutture di dati senza soluzione di continuità necessarie per creare ed eseguire sistemi di intelligenza artificiale. Un esempio è BigQuery di Google, un data warehouse basato su cloud che può eseguire query su grandi quantità di dati archiviati in varie origini con il minimo sforzo.

Stiamo anche assistendo a una crescente compatibilità e capacità di integrazione negli strumenti di machine learning, che renderà molto più facile per le organizzazioni integrare gli strumenti di ML nel loro ecosistema di dati e software esistenti.

Prima di entrare in un’iniziativa di intelligenza artificiale, ogni organizzazione deve effettuare una valutazione completa dei talenti interni, degli strumenti disponibili e delle possibilità di integrazione. Sapere quanto puoi fare affidamento sui tuoi ingegneri e quanto ti costerà assumere talenti sarà un fattore determinante per il successo o il fallimento delle tue iniziative di machine learning. Inoltre, considera se la riqualificazione è una possibile linea d’azione. Se riesci a migliorare le capacità dei tuoi ingegneri per affrontare progetti di data science e machine learning, a lungo termine starai meglio.

Esternalizzazione di talenti AI
Un’altra tendenza che ha visto una crescita negli ultimi anni è l’esternalizzazione delle iniziative di IA. Solo il 38% degli intervistati di Rackspace si è affidato a talenti interni per sviluppare applicazioni AI. Gli altri stavano esternalizzando completamente i loro progetti di intelligenza artificiale o impiegando una combinazione di talenti interni e in outsourcing.

Grafico a barre che descrive come le aziende gestiscono l’outsourcing dei talenti per l’apprendimento automatico.
Sopra: la maggior parte delle aziende si affida a talenti esterni per pianificare e implementare le proprie iniziative di intelligenza artificiale (Fonte: Rackspace Technology)

Ora ci sono diverse aziende specializzate nello sviluppo e nell’implementazione di strategie di intelligenza artificiale. Un esempio è C3.ai, un fornitore di soluzioni AI specializzato in diversi settori. C3.ai fornisce strumenti di intelligenza artificiale oltre ai fornitori di servizi cloud esistenti come Amazon, Microsoft e Google. L’azienda fornisce inoltre consulenza e competenza in materia di intelligenza artificiale per accompagnare i clienti passo dopo passo attraverso le fasi di strategia e implementazione.

Secondo il report di Rackspace: “Un provider maturo può portare tutto, dalla strategia all’implementazione, alla manutenzione e al supporto nel tempo. La strategia può eludere le aree in cui gli sforzi di intelligenza artificiale e apprendimento automatico possono perdere slancio o perdersi nella complessità. Gli esperti pratici possono anche risparmiare alle organizzazioni il lavoro disordinato di pulizia e manutenzione. Tale esperienza, presa insieme, può fare la differenza per raggiungere finalmente il successo. “

Vale la pena notare, tuttavia, che consegnare completamente la strategia di intelligenza artificiale di un’organizzazione a fornitori esterni può essere un’arma a doppio taglio. Una strategia di successo richiede una stretta collaborazione tra specialisti di intelligenza artificiale ed esperti in materia dell’azienda che sta implementando la strategia.

“Questo è molto simile alle aziende che passano a una metodologia di sviluppo DevOps e tentano di esternalizzare l’intero sviluppo. DevOps richiede una stretta collaborazione tra sviluppatori, analisti aziendali e altri operatori del settore “, ha affermato DeVerter. “Allo stesso modo, i progetti di intelligenza artificiale richiedono strategia e competenze tecniche, ma richiedono anche una stretta collaborazione con l’azienda e la leadership”.

L’esternalizzazione del talento AI deve essere fatto meticolosamente. Sebbene possa accelerare il processo di sviluppo e implementazione di una strategia di intelligenza artificiale, devi assicurarti che i tuoi esperti siano pienamente coinvolti nel processo. Idealmente, dovresti essere in grado di sviluppare il tuo team interno di data scientist e ingegneri di machine learning mentre lavori con esperti esterni.

Come valuti la tua strategia di intelligenza artificiale?
Infine, un’altra area che sta causando molto dolore alle aziende che intraprendono un viaggio nell’intelligenza artificiale è la previsione del risultato e del valore delle strategie di intelligenza artificiale. Dato che l’applicazione dell’apprendimento automatico è nuova in molte aree, è difficile sapere in anticipo quanto tempo impiegherà una strategia di intelligenza artificiale per pianificare e implementare e quale sarà il ritorno sull’investimento. Ciò a sua volta rende difficile per gli innovatori nelle organizzazioni coinvolgere gli altri quando si tratta di raccogliere supporto per le iniziative di IA.

Tra gli intervistati del sondaggio Rackspace, il 18% ritiene che la mancanza di un chiaro business case sia il principale ostacolo all’adozione di strategie di intelligenza artificiale. Anche la mancanza di impegno da parte dei dirigenti è stata tra le principali barriere. La mancanza di casi d’uso e l’impegno del senior management si ripresentano tra le principali sfide nel viaggio del machine learning.

“L’intelligenza artificiale spesso vaga come una soluzione alla ricerca di un problema all’interno delle organizzazioni. Credo che questo sia uno dei maggiori ostacoli alla sua adozione su larga scala all’interno delle organizzazioni “, ha detto DeVerter. “Poiché i professionisti dell’IA possono dimostrare esempi pratici di come l’IA può portare benefici alla loro azienda specifica, la leadership finanzierà ulteriormente queste attività. Come ogni impresa commerciale, la leadership deve sapere come li aiuterà a risparmiare o a fare soldi “.

Valutare i risultati delle iniziative di IA è molto difficile. Secondo il sondaggio, i primi due indicatori chiave di prestazione (KPI) per misurare il successo delle iniziative di IA sono stati i margini di profitto e la crescita dei ricavi. Comprensibilmente, questa attenzione ai profitti rapidi è in parte dovuta agli alti costi delle iniziative di IA. Secondo il sondaggio di Rackspace, le organizzazioni spendono una media annua di 1,06 milioni di dollari in iniziative di intelligenza artificiale.

Ma mentre una buona iniziativa di intelligenza artificiale dovrebbe comportare una crescita dei ricavi e costi inferiori, in molti casi il valore a lungo termine dell’apprendimento automatico è lo sviluppo di nuovi casi d’uso e prodotti.

“I guadagni finanziari a breve termine possono essere miopi se non sono associati a una strategia a lungo termine che può essere finanziata da quei guadagni a breve termine”, ha detto DeVerter.

Se sei responsabile dell’iniziativa AI nella tua organizzazione, assicurati di definire chiaramente i casi d’uso, i costi ei vantaggi della tua strategia AI. I responsabili delle decisioni dovrebbero avere un quadro chiaro di ciò che la loro azienda si imbarcherà. Dovrebbero comprendere i vantaggi a breve termine dell’investimento nell’intelligenza artificiale, ma dovrebbero anche sapere cosa guadagneranno a lungo termine.

Ben Dickson è un ingegnere del software e il fondatore di TechTalks. Scrive di tecnologia, affari e politica. Questo post è stato originariamente pubblicato qui come una serie che esplora il business dell’intelligenza artificiale .

Questa storia è originariamente apparsa su Bdtechtalks.com

Top

Utilizzando il sito, accetti l'utilizzo dei cookie da parte nostra. maggiori informazioni

Questo sito utilizza i cookie per fornire la migliore esperienza di navigazione possibile. Continuando a utilizzare questo sito senza modificare le impostazioni dei cookie o cliccando su "Accetta" permetti il loro utilizzo.

Chiudi