Strategie di gestione di progetti di Intelligenza Artificiale

Perché i dirigenti devono imparare a conoscere l’Intelligenza Artificiale?

In questo momento può sembrare che l’intelligenza artificiale si stia rapidamente affermando in tutti gli aspetti delle attività economiche e d’impresa, ma la verità è che siamo ancora agli albori. La maggior parte del valore che l’IA è destinata a produrre è ancora proiettata nel futuro. Tuttavia ciò non significa che tutte le aziende potranno trarre lo stesso vantaggio dall’introduzione dell’intelligenza artificiale. Come ha dimostrato un recente studio di McKinsey, saranno gli early adopters a cogliere i benefici maggiori.

L’IA non è un congegno oscuro dotato di poteri magici. È un insieme di tecniche e pratiche che può contribuire a rendere la vostra attività più orientata ai dati, a farvi comprendere meglio i vostri clienti e a consentirvi di fornire prodotti e servizi migliori, in modo più rapido ed efficiente.

Fattori chiave che garantiscono il successo

Sebbene il potenziale dell’Intelligenza Artificiale sia enorme, spesso i progetti di digitalizzazione basati sull’IA non producono i risultati desiderati. La causa principale di questo fallimento è l’incapacità dello staff dirigenziale di apportare il necessario cambiamento culturale e organizzativo destinato ad assicurare il successo dell’IA. Quelle che seguono sono le iniziative chiave da tenere in considerazione:

• Adottare un approccio che coinvolga l’azienda nel suo complesso: per sfruttare al massimo l’IA, la tecnologia deve interessare svariate business unit e funzioni aziendali, non solo l’IT. L’Intelligenza Artificiale influisce su settori eterogenei come la progettazione di prodotto, le operation, la contabilità e il marketing, e tutti questi devono interagire in modo armonioso.
• Comprendere la strategia Push in opposizione alla Pull: la maggior parte dei progetti IA di successo procedono dal basso verso l’alto, invece di essere diretti dall’alto verso il basso. Date ai collaboratori la possibilità di proporre le loro migliori idee e monitoratene l’attuazione.
• Fare propria la cultura “Fail Fast”: nella conduzione tradizionale dei progetti, il fallimento è qualcosa di indesiderato e da evitare, per questo motivo chi gestisce progetti che poi falliscono viene penalizzato. Ma in una solida cultura orientata alla tecnologia in cui l’IA viene utilizzata attivamente è vero l’opposto. Svariati progetti avanzano velocemente e ne viene rapidamente valutato il potenziale di successo: prima si fallisce, più presto si impara.
• Attenzione alle esagerazioni pubblicitarie e alle promesse vane: purtroppo l’IA viene regolarmente presentata come una tecnologia in grado di fornire un ritorno pari a 10 volte l’investimento, il che non è realistico. L’Intelligenza artificiale dà il meglio di sé nel rendere prodotti e servizi migliori nell’ambito dei margini utili a battere la concorrenza.
• Mettere in evidenza la buona comunicazione: il divario di conoscenze tra i tecnici che lavorano direttamente sull’Intelligenza artificiale e i loro colleghi in altre unità operative deve essere ridotto mediante “traduzioni analitiche” dedicate. Per colmare questa lacuna si sta sviluppando questo ruolo istituzionale.

Tappe del percorso verso l’IA

Qual è il tipico percorso che porta all’adozione dell’Intelligenza Artificiale? 

Valutazione della disponibilità dell’IA e sviluppo di business case

Il primo passaggio per la realizzazione di un progetto di Intelligenza Artificiale è lo sviluppo di un solido business case:

• Qual è l’obiettivo?
• Come sarà misurato? 
• Quali KPI deve soddisfare una soluzione per essere considerata di successo?

La risposta a queste domande deve data in anticipo da un team costituito da tutte le parti in causa, non soltanto dall’IT. A questo scopo la dirigenza deve attuare una strategia chiara e deve avere la comprensione completa dei casi d’uso, dei progetti e dei requisiti delle business unit. Per cominciare a ottenere quei risultati rapidi che suscitano consenso attorno all’adozione dell’IA è di fondamentale importanza impostare un piano d’azione e definire le priorità dei progetti caratterizzati da alto impatto e alta fattibilità. Il management deve allo stesso tempo assegnare budget adeguati, che riflettano queste decisioni strategiche, alle relative business unit e agevolare l’implementazione di una chiara struttura di governance che garantisca l’adozione coerente delle best practice e degli standard in tutte le unità aziendali.

Prima di intraprendere qualsiasi sviluppo importante è necessario analizzare i dati esistenti. Qui c’è un pericolo: quando si rendono conto che i dati esistenti sono dispersi e di bassa qualità, le aziende spesso cominciano a investire in grossi progetti rivolti all’infrastruttura dati senza avere un obiettivo preciso. Progetti del genere possono essere estremamente dispendiosi e spesso non comprendono i casi d’uso che si sta cercando di affrontare. Invece, un’analisi iniziale dei dati esistenti spesso fa scoprire frutti a portata di mano che possono essere colti senza investimenti impegnativi. Queste analisi possono anche dare indicazioni sui dati mancanti che dovrebbero essere raccolti.

Realizzare una Proof of Concept di Intelligenza Artificiale

L’obiettivo successivo è condurre al più presto possibile una o più Proof of Concept (POC). Il principale ostacolo alla rapidità di sviluppo e iterazione è spesso la qualità dei dati disponibili, cosicché, per ottenere i dati da utilizzare per l’addestramento dei modelli di apprendimento dell’IA è necessario compiere del lavoro manuale.

Le moderne piattaforme automatizzate di apprendimento, come Modulos, consentono un approccio “Fail Fast”, in quanto possono realizzare modelli di POC in pochi giorni, anziché in settimane o mesi come avviene con i modelli sviluppati manualmente in modo tradizionale. I modelli di POC permettono di arrivare rapidamente al punto in cui si può eseguire una gap analysis rispetto ai KPI fissati per capire se valga la pena continuare con lo sviluppo e, in caso affermativo, quali ulteriori risorse sono necessarie, specialmente in termini di dati.

Passaggio in produzione

Portare in produzione un modello di POC è spesso la parte più lunga e complessa del percorso IA. La maggior parte dei progetti di Intelligenza Artificiale fallisce in questa fase. Di solito non per ragioni tecniche fondamentali, ma perché il management non ha saputo impostare il progetto in modo da garantirgli il successo. 

Naturalmente l’IT deve fare in modo che il modello entri a far parte del proprio ambito operativo. Per creare valore, un modello di IA deve essere scalabile e deve essere monitorato e perfezionato costantemente. Di conseguenza, è fondamentale impostare la gestione del cambiamento tra le varie business unit. Si devono creare e adattare processi in grado di sostenere il flusso delle informazioni e dei feedback indispensabili provenienti da ogni area aziendale. 

Casi d’uso

La traduzione analitica è l’atto del prendere un’attività aziendale complessa e trasformarla in una domanda a cui un modello di Intelligenza Artificiale è in grado di rispondere. In effetti, molti tipi di attività aziendali possono essere ricondotti a un numero relativamente piccolo di modelli di IA. Per questo motivo le moderne piattaforme di IA possono costruire rapidamente modelli utili e adattarsi con facilità alle esigenze e ai dati del cliente. 

La formazione di un team di data scientist, specialisti dell’apprendimento automatico e informatici e la loro integrazione in un’azienda matura può richiedere molto tempo e molte modifiche alla cultura e ai processi aziendali. Le moderne piattaforme software che permettono la creazione di modelli di Intelligenza Artificiale possono abbreviare questo processo e ridurre l’investimento iniziale. 

Sul nostro sito presentiamo alcuni casi d’uso relativi a diversi settori:

• Agricoltura
• Servizi Finanziari
• Scienze Biologiche
• Produzione
• Marketing
• Settore Pubblico
• Ricerca
• Commercio

Qui troverete anche delle registrazioni video del nostro team che analizza i casi d’uso:

• Correttezza nella gestione del rischio di credito

Regolamento e atti legislativi del Parlamento Europeo riguardanti l’IA

Riguardo all’intelligenza artificiale, i manager devono prestare attenzione non soltanto alle questioni tecniche/innovative ma anche alle normative. Fino a poco tempo fa l’intelligenza Artificiale non era affatto regolamentata, era soggetta alla legislazione esistente, o era semplicemente disciplinata da codici di condotta e normative volontarie. Fino ad oggi, lo scopo di queste norme è stato principalmente quello di favorire la trasparenza nell’uso dell’Intelligenza Artificiale e di guidare lo sviluppo di sistemi di IA etici e non discriminatori.

Questo regime dalla “mano leggera” è ora quasi giunto al termine, come dimostra l’imminente adozione dell’Atto UE sull’intelligenza artificiale (“Atto sull’intelligenza artificiale”). La legge, in preparazione da molti anni, ha ricevuto il sostegno della Commissione europea ed è ora nelle fasi finali dei negoziati, con un voto del Parlamento europeo previsto per l’autunno del 2022. 

Perché l’atto UE sull’intelligenza artificiale è importante? 

Ecco in breve i punti principali:

• L’atto UE sull’intelligenza artificiale regola tutti gli usi dell’IA nell’Unione Europea e dà una definizione molto ampia di Intelligenza Artificiale. Questa definizione non comprende soltanto sistemi sofisticati di deep-learning per applicazioni come le auto a guida autonoma, ma anche tecniche matematiche e statistiche di base comunemente utilizzate al giorno d’oggi. 
• Le sanzioni in caso di violazione sono severe: Fino a 30 milioni di euro o, se l’autore del reato è una società, fino al 6% del fatturato mondiale totale annuo dell’esercizio precedente.
• La sua portata sarà globale: così come il GDPR ha definito degli standard mondiali per la privacy, l’atto sull’Intelligenza Artificiale definirà degli standard per l’IA. In pratica, ciò significa che anche aziende la cui sede è fuori dall’Europa dovranno conformarsi all’atto.
• La legge stabilisce una serie di requisiti e differenzia i sistemi di IA in base ai rischi che comportano per la società. Il tema generale è che la qualità dei dati è fondamentale e che i modelli devono essere equi e affidabili, cosa in cui anche noi di Modulos crediamo con convinzione.

Tutte le iniziative inerenti l’IA dovranno adeguarsi alle esigenze future ed essere conformi all’atto UE sull’intelligenza artificiale. Qualunque progetto attualmente avviato, che sia in fase di ideazione, di POC o prossimo al passaggio in produzione, dovrebbe essere il più possibile conforme a questi nuovi requisiti. Intraprendere adesso il cambiamento culturale e organizzativo per adeguarvi a questo nuovo panorama normativo vi metterà in posizione di vantaggio rispetto ai vostri concorrenti che non hanno ancora iniziato.

Punti chiave da ricordare

L’Intelligenza Artificiale non è materia esclusiva per i reparti IT, ma è una responsabilità dell’apparato dirigente. Perché l’Intelligenza artificiale produca del ROI, i dirigenti devono guidare il passaggio culturale e organizzativo all’interno delle proprie aziende.

Le aziende che si sono avviate lungo il percorso che porta all’adozione dell’IA per il momento hanno visto risultati contrastanti: in alcuni casi hanno goduto di enormi benefici, in altri hanno sprecato budget e tempo in progetti che non hanno dato risultati. Avvalendosi di piattaforme IA all’avanguardia come Modulos, le aziende possono rilasciare e iterare progetti in modo più veloce.

I punti che suggeriamo di non dimenticare sono i seguenti:

1. Tenere in considerazione l’intera portata dei cambiamenti organizzativi e culturali necessari per adottare l’IA.
2. Adattare e ottimizzare la tecnologia per lanciare progetti che producano ROI.