Trasformare i fallimenti dell’IA in storie di successo dell’IA
 
Non dovrebbe passare molto tempo prima che la novità dell’IA svanisca e diventi solo un’altra tecnologia che aiuta l’impresa a diventare più efficiente e più produttiva. Ma mentre il tasso di successo dei progetti di intelligenza artificiale sta migliorando e le organizzazioni stanno vedendo vantaggi reali per gli ambienti di produzione, si sta ancora rivelando troppo difficile portare i progetti al traguardo.

Nella maggior parte dei casi, questo non è un problema con la tecnologia in sé, ma con il modo in cui viene implementata e la generale discrepanza tra le capacità effettive dell’IA e i casi d’uso che dovrebbe affrontare. Fortunatamente, entrambi questi problemi possono essere risolti, ma ci vorrà del tempo prima che gli utenti acquisiscano il tipo di esperienza necessaria per utilizzare l’IA in modo efficace.

 
Secondo PwC , le implementazioni di successo dell’IA condividono una serie di caratteristiche chiave. Piuttosto che limitarsi a rilasciare la tecnologia prima su un obiettivo e poi su un altro in modo lineare, come è consuetudine per la maggior parte delle iniziative tecnologiche tradizionali, un approccio più efficace consiste nell’indirizzarla a tre capacità critiche: trasformazione del business, processo decisionale migliorato e sistemi e modernizzazione dei processi.

Questo approccio olistico non solo unisce specialisti dell’IA, team di analisi, ingegneri del software e altri attorno a una serie di obiettivi comuni, ma promuove la creazione di un ambiente basato sulla gestione dei dati, sulle operazioni intelligenti e sul cloud. Con questo framework in atto, le organizzazioni possono quindi passare facilmente ad applicazioni più pratiche come l’automazione dei processi, l’esperienza utente migliorata, lo sviluppo di prodotti e altro.

Non perderti nell’IA
Anche a questo punto, è facile perdersi senza un piano chiaro per ciò che speri di ottenere con l’IA e come vuoi farlo. Boston Consulting Group ha elaborato un piano in cinque punti per la progettazione di un programma di apprendimento automatico di successo :

Inizia assicurandoti che l’applicazione corrisponda al risultato desiderato. Anche qualcosa di relativamente semplice come una previsione di vendita può essere influenzato da fattori diversi dal prezzo.
Utilizzare tutti i dati applicabili, compresi i dati provenienti da fonti esterne. Troppo spesso, i modelli vanno storti a causa della visione a tunnel dei loro designer.
Evitare di rendere il modello eccessivamente complesso, poiché ciò porta spesso a interpretazioni improprie e risultati imprecisi. Invece, scegli sottomodelli più semplici e interpretabili che affrontino la logica di sfide chiaramente definite.
Mantieni i modelli focalizzati su decisioni aziendali concrete e pratiche che generano valore reale.
Non mettere la precisione al di sopra dell’utilità. Un modello può comunque funzionare bene dopo un certo periodo di tempo, ma aggiornarlo o sostituirlo se non è più rilevante per le condizioni attuali.
Il successo è un termine relativo, ovviamente, quindi non ci sarà mai una definizione chiara tra un progetto di intelligenza artificiale di successo e uno fallito. L’ Harvard Business Review ha recentemente intervistato più di 100 aziende in più settori di attività e ha scoperto che solo il 15% è in una posizione di leadership quando si tratta di IA. Si tratta di organizzazioni che non solo hanno un track record di successo, ma hanno anche processi di implementazione e valutazione chiaramente definiti per le loro iniziative di IA, che vengono tutte valutate e aggiornate continuamente. I leader dedicano anche più capitale allo sviluppo dell’IA, in alcuni casi fino al 60% in più, rispetto alle aziende di minor successo.

 
Il più delle volte, affermano Richard Tibbetts e Sarah Wachter di Tableau , l’incapacità dell’IA di soddisfare le aspettative è dovuta al fatto che tali aspettative sono troppo alte. Dato il clamore con cui l’IA è stata accolta, è comprensibile che molti utenti pensino che tutto possa essere risolto con dati sufficienti. Ma il mondo non è così prevedibile e mentre i modelli possono emergere nei dati, anche l’IA non può creare connessioni causali o addirittura correlate tra gli eventi se non esistono in primo luogo. Questo è il motivo per cui la selezione dei progetti è probabilmente l’ostacolo più grande che la maggior parte delle organizzazioni dovrà affrontare e questo può essere superato solo ponendo prima le domande giuste e mantenendo una chiara comprensione di quali sfide possono e non possono essere affrontate attraverso la modellazione predittiva.

Dare una prova ai progetti di intelligenza artificiale
Anche nel mondo digitale, l’adagio sul successo che arriva solo a coloro che provano e riprovano è vero. L’intelligenza artificiale ha il vantaggio di poter essere riqualificata e rifocalizzata su compiti chiave molto più facilmente rispetto al software tradizionale, il che significa che anche i suoi fallimenti possono produrre preziose conoscenze che possono essere utilizzate per definire il prossimo progetto.

E mentre la pressione può aumentare per portare rapidamente in produzione l’IA, è importante ricordare che il vero successo non arriva a chi fa prima l’IA, ma a chi la fa meglio.

Di ihal

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