Quando l’IA incontra la BI: 5 bandiere rosse da tenere d’occhio
Se c’è un Sacro Graal per il successo aziendale nel 2021, sicuramente ha qualcosa a che fare con il potere dei dati. E se la business intelligence non fosse già la risposta alle preghiere di C-suite per informazioni e visione derivate da enormi quantità di dati, allora lo sarebbe l’intelligenza artificiale.
Oggi, l’IA è ampiamente considerata come l’elemento abilitante di cui la BI ha sempre avuto bisogno per portarla a un valore aziendale di livello superiore. Ma incorporare l’IA nel tuo ambiente BI esistente non è così semplice.
E può anche essere precaria: l’intelligenza artificiale può amplificare notevolmente qualsiasi problema quasi impercettibile in un impatto significativamente più grande e negativo sui processi a valle. Ad esempio, se non puoi cantare intonato ma suonare solo con un piccolo karaoke a casa, non ci sono rischi. Non è un grosso problema. Ma immagina di essere in un enorme stadio con un sistema PA multi-megawatt.
Tenendo ben presente questo potenziale di amplificazione, le organizzazioni che sperano di integrare l’IA nelle loro soluzioni di BI devono essere profondamente consapevoli delle bandiere rosse che possono far naufragare anche i progetti con le migliori intenzioni.
Le principali insidie a cui prestare attenzione quando si integra l’IA nella BI includono quanto segue:
1. Disallineamento con (o assenza di) caso d’uso aziendale
Questa dovrebbe essere la trappola più facile da riconoscere e la più comune tra le attuali implementazioni di intelligenza artificiale. Per quanto allettante possa essere inserire l’ intelligenza artificiale nella tua soluzione di BI semplicemente perché i tuoi colleghi o concorrenti lo stanno facendo, le conseguenze possono essere disastrose. Potrebbe rivelarsi difficile giustificare il ROI se spendi milioni di dollari per automatizzare un lavoro svolto da un singolo dipendente che guadagna $ 60.000 all’anno. Qui, il ROI positivo non sembra ovvio.
Quando cerchi input dai leader aziendali sulla potenziale fattibilità di una BI abilitata all’intelligenza artificiale, inizia la conversazione con scenari specifici in cui la scala e l’ambito dell’IA potrebbero potenzialmente affrontare lacune ben definite e produrre un valore aziendale superiore alla spesa stimata. Se queste lacune non sono ben comprese o il nuovo valore sufficiente non è garantito, è difficile giustificare il procedere oltre.
2. Dati di addestramento insufficienti
Supponiamo che tu abbia un business case fattibile: cosa dovresti cercare dopo? Ora devi assicurarti di disporre di dati sufficienti per addestrare l’IA tramite un processo di machine learning (ML). Potresti avere tonnellate di dati, ma è sufficiente per essere utilizzato per l’addestramento AI? Ciò dipenderà da un caso d’uso specifico. Ad esempio, quando Thomson Reuters ha creato una raccolta di ricerche di testo nel 2009 per la classificazione, il raggruppamento e il riepilogo delle notizie, ha richiesto un’enorme quantità di dati, quasi due milioni di articoli di notizie.
Se a questo punto ti stai ancora chiedendo chi può determinare quali sono i dati di allenamento corretti e quanto saranno sufficienti per il caso d’uso previsto, allora stai affrontando la tua prossima bandiera rossa.
3. Insegnante di intelligenza artificiale mancante
Se hai un eccezionale data scientist in staff, non garantisce che tu abbia già un insegnante di intelligenza artificiale. Una cosa è essere in grado di codificare in R o Python e creare soluzioni analitiche sofisticate, e un’altra è identificare i dati giusti per l’addestramento AI, impacchettarli adeguatamente per l’addestramento AI, convalidare continuamente l’output e guidare l’IA nel suo percorso di apprendimento.
Un insegnante di intelligenza artificiale non è solo uno scienziato dei dati: è uno scienziato dei dati con molta pazienza per passare attraverso il processo di apprendimento automatico incrementale, con una conoscenza approfondita del contesto aziendale e del problema che stai cercando di risolvere, e una consapevolezza acuta del rischio di introdurre pregiudizi durante il processo di insegnamento.
Gli insegnanti di intelligenza artificiale sono una razza speciale e l’insegnamento di intelligenza artificiale è sempre più considerato all’intersezione tra intelligenza artificiale, neuroscienze e psicologia – e potrebbero essere difficili da trovare al momento. Ma l’intelligenza artificiale ha bisogno di un insegnante: come un grosso cane di servizio, come un Rottweiler, con un addestramento adeguato può essere il tuo migliore amico e aiutante, ma senza uno potrebbe diventare pericoloso, anche per il proprietario.
Se sei fortunato a trovare un insegnante di intelligenza artificiale, hai ancora un paio di altre preoccupazioni da considerare.
4. Dati anagrafici immaturi
I dati master (MD), i dati fondamentali che sono alla base del buon funzionamento dell’azienda, sono di fondamentale importanza non solo per l’IA, ma anche per la BI tradizionale. Più maturo o ben definito è il MD, meglio è. E mentre la BI può compensare l’immaturità del MD all’interno di una soluzione BI tramite l’ingegneria dei dati aggiuntiva, lo stesso non può essere fatto all’interno dell’IA.
Certo, puoi usare l’IA per gestire i tuoi dati, ma questo è un caso d’uso diverso, noto come preparazione dei dati per BI e AI.
Come possiamo distinguere la cosiddetta MD matura da quella immatura? Considera quanto segue:
Il livello di certezza nella deduplicazione delle entità MD: dovrebbe essere vicino al 100%
Il livello di gestione delle relazioni:All’interno di ogni classe di entità MD, ad esempio “Company_A-is-a-parent-of-Company_B”
Nelle classi di entità MD, ad esempio “Company_A-supplies-Part_XYZ”
Il livello di coerenza di categorizzazioni, classificazioni e tassonomie. Se il reparto marketing utilizza una classificazione del prodotto diversa da quella utilizzata in finanza, questi due devono essere correttamente – ed esplicitamente – mappati l’uno con l’altro.
Se hai imparato l’ABC di cui sopra del tuo MD e hai superato con successo i precedenti tre punti di controllo “bandiera rossa”, puoi provare casi d’uso relativamente semplici di miglioramento della BI con l’intelligenza artificiale , quelli che utilizzano dati strutturati.
Se i dati non strutturati, come il testo in formato libero o qualsiasi informazione senza un modello di dati predefinito, devono essere coinvolti nell’implementazione dell’IA, fai attenzione alla bandiera rossa n. 5.
5. Assenza di un grafo della conoscenza ben sviluppato
Cos’è un grafico della conoscenza? Immagina tutto il tuo MD implementato in un formato leggibile dalla macchina con tutte le definizioni, classi, istanze, relazioni e classificazioni, tutte interconnesse e interrogabili. Sarebbe un grafico della conoscenza di base. Formalmente parlando, un grafo della conoscenza include un modello informativo (a livello di classe) insieme a istanze corrispondenti, relazioni qualificate (definite a livello di classe e implementate a livello di istanza), vincoli logici e regole comportamentali.
Se un grafico della conoscenza viene implementato utilizzando gli standard del Web semantico, è possibile caricarlo direttamente nell’IA, riducendo così al minimo il processo di insegnamento dell’IA descritto in precedenza. Un’altra grande caratteristica di un grafo della conoscenza è che è estendibile senza limiti in termini di modello informativo, relazioni, vincoli e così via. È anche facilmente unificabile con altri grafici della conoscenza. Se un MD maturo può essere sufficiente per le implementazioni di intelligenza artificiale utilizzando solo dati strutturati, un grafico della conoscenza è un must per:
Soluzioni di intelligenza artificiale che elaborano dati non strutturati – dove l’IA utilizza il grafo della conoscenza per analizzare i dati non strutturati in modo simile ai dati strutturati;
Soluzioni di storytelling AI – in cui i risultati analitici sono presentati come una storia o una narrazione, non solo tabelle o grafici, spostando così la BI da una visualizzazione su schermo a supporto della discussione al tavolo, a una parte di questa discussione; un servizio di supporto cognitivo, se vuoi.
Sebbene all’inizio queste potenziali insidie sembrino scoraggianti, sono certamente meno preoccupanti dell’alternativa. E servono come promemoria delle migliori pratiche comuni a tutte le implementazioni di intelligenza artificiale di successo: la preparazione iniziale.
L’intelligenza artificiale può trasformare la BI da uno strumento di invocazione di intuizioni a un partecipante rispettato nell’effettivo processo decisionale. È un cambiamento qualitativo e può essere un investimento molto utile, purché tu sappia a cosa prestare attenzione.
Igor Ikonnikov è un direttore della ricerca e consulenza nella pratica di dati e analisi presso il gruppo di ricerca Info-Tech . Igor ha una vasta esperienza nella formazione ed esecuzione di strategie nel dominio della gestione delle informazioni, inclusa la gestione dei dati master, la governance dei dati, la gestione della conoscenza, la gestione dei contenuti aziendali, i big data e l’analisi.
