Pianificazione, PoC e Produzione di una Soluzione di Impresa Guidata da Intelligenza Artificiale di Successo

Le imprese stanno accelerando le loro iniziative di intelligenza artificiale (AI) a un ritmo rapido. Uno studio di Algorithmia ha mostrato che il 76 percento dei CIO sta dando priorità e aumentando i loro budget IT per avere una maggiore enfasi su soluzioni AI e apprendimento automatico (ML). Le organizzazioni stanno anche riconoscendo l’importanza dei dati e la maggior parte sta accettando il fatto che l’80 percento dei dati aziendali è di natura non strutturata.

I dati non strutturati stanno essere prodotti e crescono a un ritmo allarmante nello stack aziendale. L’unità di misura è passata da terabyte a petabyte. Di conseguenza, i professionisti IT, i CDO e i CIO devono affrontare alcune nuove sfide per soddisfare la crescente domanda di dati utilizzabili e informazioni azionabili. Nonostante il potenziale enorme dell’AI per trasformare qualsiasi industria, solo 15 percento delle soluzioni AI distribuite entro la fine del 2022 avrà successo, e meno di queste genereranno un ROI positivo.

Il problema più grande è che la maggior parte delle soluzioni AI aziendali non vedono la luce del giorno a causa della mancanza di allineamento delle aspettative. Continuano a esserci malintesi sulle possibilità dell’AI e i progetti continuano a essere concepiti su modelli guidati dall’ipotesi. La maggior parte dei prodotti o modelli è lontana dalla realtà quotidiana delle operazioni aziendali. Altri fattori trainanti dei tassi di successo più bassi includono: eccessi di costo, mancanza di Centri di Eccellenza AI (CoE), talenti inesperti, indisponibilità di dati e politiche obsolete, per citarne alcuni.

Pianificazione Predisposta per il Successo dell’AI Aziendale

I dati non strutturati sono dati che mancano di un modello di dati predefinito e includono tutto, dai documenti densi di testo e siti web alle immagini, file video, chatbot, flussi audio e post sui social media. Con la crescente quantità di dati non strutturati nell’architettura aziendale, è fondamentale avere un piano efficiente e incrementale che si allinei con gli obiettivi di tutti gli stakeholder aziendali. Gli obiettivi tipici a livello organizzativo possono includere: automazione dei processi, rilevamento delle frodi, miglioramento dell’esperienza del cliente, miglioramento della sicurezza, aumento delle vendite e così via. Mentre alcuni di questi obiettivi possono essere raggiunti in modo abbastanza efficace, a causa della natura strutturata dei dati, la pianificazione intorno ai dati non strutturati può essere impegnativa.

Tipicamente, la pianificazione inizia con l’identificazione di aree di opportunità all’interno di un’organizzazione. Mentre può esserci una visione AI grandiosa a livello di gestione esecutiva, è fondamentale identificare un’area che abbia un impatto elevato, un rischio basso e una crescita continua dei dati. Un buon esempio di tale caso d’uso potrebbe essere la funzione di elaborazione dei prestiti nel settore bancario e finanziario. L’origine dei prestiti al servizio è piena di processi manuali in cui le informazioni vengono inserite a mano nei sistemi in modo ripetitivo. La due diligence delle domande di prestito comporta la presentazione di una quantità significativa di documenti, che comporta diversi rischi. Tuttavia, l’AI può essere applicata in diverse aree del flusso di lavoro, tra cui l’elaborazione dei documenti e il rilevamento delle frodi. Questa è anche un’area in cui c’è una crescita continua anno dopo anno dei dati.

Altri passaggi critici da considerare durante questa fase di pianificazione includono la definizione di criteri di successo misurabili, la formulazione di una strategia di dati coesa, la formazione e il feedback continui e la valutazione dell’esperienza utente, della scalabilità e dell’infrastruttura.

Definizione di Criteri di Successo Misurabili (e Evitare il Momento del “Carro Davanti al Cavallo”)

Il successo iniziale di Google è spesso attribuito all’istituzione di Obiettivi Chiave Risultati (OKR). Mentre questo approccio è qualcosa che può essere applicato a qualsiasi aspetto dell’attività o degli obiettivi personali, applicare questo approccio collaudato alla tua strategia AI potrebbe produrre alcuni risultati promettenti. Tuttavia, quando si tratta di dati non strutturati, si tratta di un problema in evoluzione che l’industria nel suo complesso sta cercando di risolvere. Considerati i challenge, i leader aziendali dovrebbero porre varie domande per determinare il “cosa” e il “perché”. Ad esempio, se l’obiettivo principale è aumentare la produttività, due domande che potrebbero essere risposte sono:

• Devo pianificare di migliorare la produttività attraverso l’automazione? o
• Devo pianificare di risolvere l’80 percento del problema per il 100 percento di tutti i casi presentati?

Rispondere a queste domande porta a due percorsi di implementazione diversi ed è importante decidere quale sia quello giusto per la tua azienda.

Con i dati non strutturati, un’altra area di misurazione ambigua è l’accuratezza. Nell’esempio dell’elaborazione dei prestiti, c’è così tanta variabilità nei documenti presentati dai clienti, è fondamentale per i leader aziendali e tecnologici raggiungere un consenso su come misurare l’accuratezza della soluzione AI. Se la produttività è uno degli obiettivi dell’istituzione di una soluzione AI, allora sarebbe necessario identificare altre aree che impattano sulla produttività. Ciò può essere ottenuto esaminando da vicino il processo attuale e immaginando il processo con l’automazione AI. Spesso, la nuova automazione porta a nuovi passaggi nel processo, come la gestione delle eccezioni manuali, l’annotazione, la formazione, ecc. Con questi passaggi in atto, sarebbe più facile determinare come misurare l’accuratezza.

I Dati sono la Linfa Vitale di Tutte le Aziende

I dati non strutturati hanno un alto grado di variabilità su come le informazioni sono strutturate e presentate. Le aziende sono piene di informazioni presentate in documenti, che per natura hanno strutture complesse costituite da paragrafi, frasi e, più importante, strutture di tabelle multidimensionali. Oltre ai documenti, le organizzazioni stanno investendo sempre più in chatbot, monitorando i dati dei social media e altre forme di dati non strutturati come notizie, immagini e video.

La maggior parte delle organizzazioni sottostima quanto dati siano disponibili e accessibili. Spesso la sfida è così semplice come superare le restrizioni di conformità e condividere i dati all’interno dell’organizzazione. Tuttavia, avere dati puliti e una grande variabilità di dati consente una migliore valutazione di un problema e la progettazione di una soluzione ottimale.

Un altro fattore importante da considerare è quale sia l’esito che ci si aspetta da questi dati non strutturati. Ciò assicurerà una quantità accurata di dati di base, formazione e test. Tornando all’esempio dell’elaborazione dei prestiti, se l’esito di questa soluzione AI è determinare i saldi medi giornalieri degli applicant, i dati di base e di formazione possono essere iper-focalizzati sui bilanci bancari. Tuttavia, se l’obiettivo è determinare gli applicant fraudolenti attraverso le dichiarazioni bancarie presentate, sarà necessario accedere a una gamma più ampia di documenti per ottenere i dati di base e di formazione necessari.

Scalare da PoC a Produzione

Intraprendere un Proof of Concept (PoC) misurabile assicura che tutti gli stakeholder comprendano le sfide, gli esiti e il valore della soluzione AI. Tuttavia, un PoC non è la stessa cosa di una soluzione pronta per la produzione. Un PoC consente a un’organizzazione di identificare lacune, stimola il pensiero progettuale per una soluzione di produzione e semplifica gli obiettivi e i risultati chiave che dovrebbero essere raggiunti. Per passare da PoC a una soluzione scalabile, le organizzazioni dovrebbero pianificare scenari di dati complessi che includono cambiamenti costanti dei dati, indisponibilità di dati etichettati e un alto grado di variazione nella forma e nei formati. Altrettanto importante è la ri-immaginazione del flusso di lavoro, la ri-formazione della forza lavoro e la determinazione della giusta infrastruttura, dei costi, delle prestazioni, dell’architettura dei dati, della sicurezza delle informazioni e degli accordi di servizio (SLA).

È assolutamente imperativo valutare l’intero flusso di lavoro e il processo aziendale per ottenere i migliori risultati da qualsiasi soluzione AI. Prendendo spunto dall’economia comportamentale, è fondamentale confrontare l’esito con un punto di riferimento esistente (noto anche come “dipendenza di riferimento”), al quale punto possono essere anticipate migliori efficienze prima della produzione attraverso il pensiero progettuale e la rimappatura del processo.

Questo scenario presume che sia i leader aziendali che quelli tecnologici abbiano concordato su un approccio MI o di apprendimento profondo basato sul PoC. Alcune dichiarazioni di problemi potrebbero essere deterministiche e un approccio statistico può essere preso per risolvere il problema, mentre altre sfide potrebbero richiedere una combinazione di approcci MI e basati su reti neurali per raggiungere gli esiti desiderati.

Alcune soluzioni AI richiedono l’integrazione dell’Elaborazione del Linguaggio Naturale (NLP). Mentre i modelli linguistici generali servono come passo fondamentale, la maggior parte dei modelli non è progettata per soddisfare le esigenze uniche di ogni dichiarazione di problema aziendale e richiederebbe un affinamento. Allo stesso tempo, la maggior parte degli esecutivi è probabile che si entusiasmi per grandi modelli come GPT3, che richiedono una notevole potenza computazionale e possono avere un’influenza diretta sul ROI di un’azienda. Questi modelli non sono probabilmente adatti alla tua azienda.

La tua PoC AI guidata è solo l’inizio di un lungo processo, quindi tieni presente:

• Non scegliere un problema complesso da risolvere allo stadio di PoC
• Applica il pensiero progettuale e revisiona il tuo processo end-to-end; prevedi e gestisci i rischi precocemente
• L’accuratezza non è l’unico parametro di misura; progetta e pianifica di costruire una soluzione guidata dal valore rispetto al raggiungimento del 100 percento di accuratezza
• Valuta il tuo approccio AI; non pianificare modelli guidati dall’ipotesi, ma scegli l’approccio più ottimale che sia modulare per natura
• Gestisci le aspettative tra tutti gli stakeholder per assicurare il risultato più efficace
• Progetta la tua soluzione e l’architettura per scalare con la crescita dei tuoi dati per il ROI più ottimale

Best Practice per Soluzioni Guidate da AI

Oggi, la maggior parte delle aziende sta intraprendendo uno o più progetti AI. Nonostante le intenzioni eccellenti e il duro lavoro, molti programmi AI aziendali non soddisfano le aspettative, non si scalano e non generano il ROI desiderato. Ci vorrà del tempo per integrare l’intelligenza artificiale come componente aziendale fondamentale, tuttavia alcune delle migliori pratiche seguite dalle organizzazioni di successo includono:

• Inizia con AI CoE: molte grandi aziende, anche non tecnologiche, hanno istituito Centri di Eccellenza AI (AI CoE) per massimizzare le possibilità del loro successo. Un AI CoE riunisce l’esperienza, le risorse e le persone necessarie per consentire iniziative di trasformazione basate su AI. I principali vantaggi includono:
  • Consolidamento dell’apprendimento AI, risorse e talenti in un unico luogo
  • Sviluppo di una visione e strategia aziendale unificata per l’AI
  • Standardizzazione degli approcci AI, piattaforme e processi
  • Identificazione di nuove opportunità di ricavi per l’AI e l’innovazione
  • Scalabilità degli sforzi di scienza dei dati rendendo l’AI disponibile per tutte le funzioni aziendali
• Acquisto Esecutivo: una strategia AI è più efficace attraverso un approccio dall’alto verso il basso. La scalabilità dei piloti in tutta l’organizzazione richiede l’acquisto dei leader, le competenze e i dati necessari e la costituzione di una struttura organizzativa che assicuri che i modelli rimangano precisi nel tempo.
• Disponibilità dei Dati: la maggior parte delle organizzazioni ha dati isolati per vari motivi di conformità. Tuttavia, i dati sono la linfa vitale di qualsiasi soluzione AI e la loro messa a disposizione è critica. Insieme alla messa a disposizione, la classificazione e la pulizia dei dati sono essenziali. Sviluppare dati di base e di formazione precisi può fare o rompere una soluzione AI.
• Architettura: sfruttare l’AI è un cambio di paradigma per qualsiasi organizzazione, che richiede nuovi modi di pensare e pianificare. Progettare un’architettura tecnica e operativa ottimale aumenta le tue possibilità di successo. Ciò include avere nuove funzioni come ML ops, data ops, formazione iterativa e annotazioni, tra gli altri.
• Modularità e Flessibilità: le soluzioni guidate da AI sono ancora nella loro fase iniziale, specialmente quando le organizzazioni trattano con dati non strutturati pesanti. È fondamentale progettare e costruire una soluzione modulare e flessibile che possa scalare con l’azienda e le sue sfide crescenti.

Istituire ed impegnarsi in una strategia AI ha un grande potenziale per la maggior parte delle organizzazioni, e i casi d’uso sono infiniti. Le soluzioni di apprendimento automatico e profondo toccano ogni aspetto di un’organizzazione, dalle vendite e dal marketing alle operazioni quotidiane. Tuttavia, come costruire un razzo o inventare un nuovo gadget, il successo non sarà raggiunto tutto in una volta. Le soluzioni guidate da AI dovrebbero essere affrontate in fasi e costruite su piccole vittorie nel tempo.