Superare l’iperiall’iperallo: operazionalizzare l’AI e l’ML per i risultati aziendali

By: Krishnan Venkata, Chief Client Officer at digital analytics firm LatentView Analytics.

Per più di un decennio, le aziende, dalle piccole startup alle grandi corporation, hanno parlato della promessa dell’intelligenza artificiale (AI) e del machine learning (ML). Secondo queste profezie, l’AI e l’ML avrebbero trasformato il lavoro moderno, automatizzando i processi quotidiani e permettendo ai dipendenti umani di concentrarsi su compiti di livello superiore.

Dieci anni dopo, per molte imprese, la promessa dell’AI si è rivelata essere solo una promessa, e nulla di più. Mentre molte di queste organizzazioni hanno intrapreso passi per accelerare i loro sforzi di trasformazione digitale, alcuni errori comuni spesso lasciano irrealizzato il sogno dell’AI/ML.

Quali sono stati alcuni dei fattori più grandi che hanno frenato il potenziale trasformativo dell’AI e dell’ML?

• Mancanza di organizzazione: Il primo passo per una strategia di successo dell’AI è la raccolta di dati. Ma altrettanto importante è la pianificazione dell’organizzazione di quei dati; le aziende che accumulano un tesoro di dati senza un piano su come organizzarli, analizzarli e utilizzarli sono lasciate con una risorsa non raffinata e praticamente inutilizzabile. Qual è il valore nel scoprire il petrolio se non si ha modo di estrarlo dal terreno o raffinarlo per l’uso?
• Adozione a pezzi: Mentre le trasformazioni digitali promettono risparmi di costo a lungo termine, il prezzo iniziale per adottare nuove tecnologie può essere alto. Questo shock del prezzo porta alcune imprese ad adottare un approccio a pezzi per integrare gli strumenti dell’AI, senza considerare come quella singola soluzione si inserirà in una roadmap più ampia.
• Processi/disciplina mancanti: Le soluzioni dell’AI e dell’ML saranno naturalmente sostenute e introdotte da leader specifici all’interno dell’azienda, ma il loro successo dipende dall’adesione istituzionale dall’alto in basso. I primi adottanti devono preparare la pista per un’adozione più ampia, instillando la disciplina e le routine necessarie per rendere l’integrazione di nuovi strumenti il più possibile fluida.

L’ultimo anno ha dimostrato che non c’è tempo da perdere in termini di trasformazione digitale e automazione dei processi attraverso l’AI e l’ML. Secondo Fortune Business Insights, il mercato globale per l’intelligenza artificiale dovrebbe raggiungere 267 miliardi di dollari entro il 2027, rappresentando una crescita di quasi dieci volte rispetto a un valore di 27 miliardi di dollari nel 2019. Uno spostamento a lungo termine verso il lavoro a distanza causato dalla pandemia di COVID-19 ha spinto le imprese ad adottare nuove soluzioni; il Rapporto sull’engagement digitale COVID-19 di Twilio ha scoperto che il 97% degli esecutivi ha affermato che la pandemia ha accelerato i loro sforzi di trasformazione digitale.

Quindi, cosa ci vorrà per superare l’iperallo dell’AI e dell’ML e realmente operazionalizzare questi strumenti? Alcune tecnologie e strategie possono fare la differenza tra un trionfo o un fallimento:

1. AIOps, MLOps, DataOps

Aggiungere -Ops a una tecnologia o applicazione è una ricetta sicura per un nuovo buzzword, ma non tutte queste soluzioni emergenti sono vaporware. In realtà, strategie come AIOps, MLOps e DataOps possono offrire la soluzione alla sfida di organizzare tutti quei dati raccolti all’interno di un’impresa. Questi strumenti applicano i principi della gestione Agile all’AI, al machine learning e alla gestione dei dati, rispettivamente, semplificando drasticamente le conoscenze e lo sforzo richiesti per trarre valore da nuove soluzioni. Per le aziende che fanno i loro primi passi nell’AI/ML e cercano di velocizzare, queste strategie sono imprescindibili.

2. Low Code/No Code

I modelli di apprendimento automatico più complessi e sofisticati richiederanno sempre sviluppatori e scienziati dei dati dedicati per garantirne il successo. Tuttavia, le sfide che affrontano molte imprese non sono quasi così complesse e possono essere risolte con soluzioni di AI più semplici e universali. Le piattaforme low-code e no-code abbassano la barriera all’ingresso per i dipendenti con poca o nessuna esperienza nello sviluppo software. Gli strumenti no-code consentono a qualsiasi dipendente di costruire soluzioni come motori di raccomandazione attraverso piattaforme intuitive e trascinabili, mentre le piattaforme low-code possono eseguire compiti complessi con solo poche righe di codice.

3. AutoAI e AutoML

Se l’intelligenza artificiale e il machine learning automatizzano i processi aziendali, allora perché dovrebbero essere loro stessi automatizzati? Un aspetto cruciale del successo dell’AI e dell’ML è l’idea di raffinamento: poiché questi strumenti imparano sul lavoro e integrano più dati, possono costantemente affinare le loro prestazioni e fornire risultati migliorati. AutoAI e AutoML eseguono questo processo di raffinamento senza richiedere alcun input umano, creando un ciclo virtuoso senza fine. Gli esseri umani possono controllare le prestazioni del modello per prevenire pregiudizi e confermare che lo strumento sta servendo le esigenze dell’impresa, ma AutoML consente ai dipendenti di affrontare altre sfide durante la giornata lavorativa.

Mentre i produttori di chip e le aziende software rompono nuove frontiere con l’elaborazione del linguaggio naturale, il campo dell’AI/ML sta raggiungendo un punto di svolta che vedrà un’esplosione di nuovi casi d’uso. Le imprese devono essere pronte a reagire a queste tecnologie emergenti; coloro che non hanno la loro casa in ordine adesso saranno superati dai concorrenti che lo fanno.