L’adozione di successo dell’AI richiede 3 componenti — La maggior parte delle aziende ne ha solo 2

A questo punto, l’AI non è più una tecnologia nuova. La sua efficacia provata nell’analisi dei dati, nel riconoscimento dei modelli e nella sintesi delle conoscenze può rendere i team più efficienti. Ma nonostante il valore indiscutibile dell’AI, nuove ricerche indicano che solo il 13% delle aziende l’ha adottata in modo estensivo. La maggior parte delle aziende sta giocando sul sicuro, utilizzando l’AI solo per i compiti a basso rischio. Cosa sta fermendo i marchi dal tuffarsi e raccogliere i benefici? Il divario tra le aspirazioni e il raggiungimento dell’AI si riduce a una carenza strutturale.

Il collegamento mancante.

L’adozione di successo e diffusa dell’AI richiede tre componenti: infrastruttura, applicazione e dati. Il livello di infrastruttura comprende il modello di AI, il cui framework influenza direttamente l’utilizzo e i potenziali output.

Il livello di applicazione è dove risiedono le soluzioni software. È qui che si genera la maggior parte del valore dell’AI; è qui che gli utenti interagiscono (forse indirettamente) con l’AI e verificano i suoi output; è il nucleo della presa di decisioni informata dall’AI.

Tra questi livelli c’è il livello di dati, ed è questo componente con cui la maggior parte delle aziende ha difficoltà – che ne siano consapevoli o no. Questo livello, naturalmente, contiene tutti i dati; dati che si adattano ai modelli di AI sottostanti e guidano le applicazioni in costruzione. La qualità del livello di dati influenza direttamente l’output al livello di applicazione. Dati di alta qualità e abbondanti possono supportare casi d’uso robusti, mentre dati discutibili o inadeguati non possono.

Finché le organizzazioni non potranno costruire – o collaborare con aziende che costruiscono – tutti e tre i livelli dell’adozione dell’AI, non potranno trarre il massimo valore.

Le implicazioni della disarmonia.

L’output dell’AI sarà sempre condizionato dai dati che riceve. Se un’organizzazione vuole che il suo AI possa prevedere strutture molecolari sintetiche, dovrà alimentarlo con molti dati di fisica. Se un retailer vuole utilizzare l’AI per prevedere il comportamento degli utenti e migliorare le esperienze digitali, dovrà alimentarlo con dati comportamentali.

Se le aziende (o i loro partner) non possono supportare adeguatamente i loro strumenti di AI con dati sufficienti, le implicazioni saranno ampie. In primo luogo, c’è la soluzione di AI stessa. Nel migliore dei casi, sarà tecnicamente operativa, anche se non al grado desiderato. Gli output potrebbero essere deboli, poco entusiastici o privi di insight del tutto. Al di là di questo risultato “migliore” si trova un esito più probabile: allucinazioni di AI, output errati e ritorno negativo sull’investimento. Non solo l’investimento sarà stato sprecato, ma le organizzazioni potrebbero dover spendere di più per il controllo dei danni.

Allargando la visuale dalle conseguenze immediate, possiamo vedere le implicazioni più ampie di una soluzione di AI a corto di dati. In generale, le aziende adottano l’AI per poter fare di più: ottenere più insight, servire più clienti, operare con maggiore efficienza. Se le organizzazioni investono tempo e risorse in uno strumento di AI che non funziona, hanno di fatto limitato la loro stessa crescita, limitando la loro capacità di adattarsi al mercato e superare la concorrenza. Ciò le mette in svantaggio e le lascerà a cercare di recuperare il tempo, le risorse e – potenzialmente – i clienti persi.

Ma non c’è disperazione; ci sono molte cose che le organizzazioni possono fare per posizionarsi bene, correggere (o prevenire) una disarmonia di AI e andare avanti.

Riempire il divario con i dati giusti.

A rischio di semplificare eccessivamente, la miglior cosa che i leader possono fare per evitare una disarmonia di AI è svolgere le loro indagini prima di procedere con qualsiasi soluzione alimentata da AI. Prima di distribuire uno strumento nuovo, prendere il tempo di informarsi su dove vengono i dati e come vengono generati.

Se il fornitore di soluzioni o l’ingegnere capo non può fornire una risposta diretta sull’origine, la qualità o la quantità dei dati sottostanti, ciò dovrebbe suonare un campanello d’allarme. Ottenere un secondo o terzo parere da partner di canale e integratori. Raccogliere informazioni attraverso reti di discussione degli utenti come Reddit e Discord; vedere dove altri adottanti hanno incontrato problemi o ostacoli. Sapere quali segnali di allarme cercare prima di prendere qualsiasi decisione può aiutare i leader a evitare un mondo di mal di testa e aspettative deluse.

Naturalmente, questa preveggenza non è sempre possibile e non aiuterà le organizzazioni nel mezzo di una carenza di dati di AI. Se non è possibile eliminare la soluzione esistente, la seconda migliore cosa è trovare un modo per iniettare più dati in modo che lo strumento abbia più contesto, modelli e insight da cui trarre.

I dati sintetici sono un’opzione qui, ma non sono una panacea. Può essere difficile individuare l’origine esatta dei dati sintetici, quindi potrebbe non essere sempre il percorso migliore. Ciò detto, c’è un momento e un luogo per i dati sintetici. Ad esempio, eccelle nel training dei modelli di sicurezza di AI, specialmente in modo avversario. Come sempre, condurre ricerche approfondite prima di lanciarsi a capofitto aiuterà i leader a prendere le migliori decisioni per il loro business.

Per settori come il retail o i ristoranti di servizio rapido (QSR), i dati umani sono preferiti. Le aziende di questi settori stanno probabilmente utilizzando l’AI per aiutare a ottimizzare l’esperienza del cliente, quindi i loro strumenti dovrebbero essere addestrati sui dati comportamentali umani. Ad esempio, se si spera di prevedere quanto gli utenti scrolleranno verso il basso su una pagina, si vorrebbe che l’AI basi la sua previsione sul comportamento umano reale in condizioni simili.

In alcuni casi, ottenere un afflusso di dati umani non è tanto una questione di ottenere nuovi dati quanto di attivare dati esistenti. I visitatori del sito e dell’app sono già presenti – è solo questione di catturare, strutturare e analizzare i loro dati comportamentali in modo che gli strumenti di AI possano utilizzarli.

Alla fine della giornata, avere insufficienti dati è meglio che avere cattivi dati; qualsiasi cosa le organizzazioni possano fare per pulire le loro soluzioni aiuterà a guidare risultati migliori.

Dove iniziare.

Essere a corto di dati di AI può rappresentare una sfida considerevole per le organizzazioni di qualsiasi dimensione, e può essere scoraggiante anche solo pensare a quali passi successivi potrebbero essere. Ma anche solo riconoscere il problema è un risultato in sé. Da lì, è questione di trovare passi gestibili, incrementali che si possono affrontare uno alla volta.

L’AI tiene una promessa enorme – ma solo per coloro che sono disposti a investire in ciascuno dei suoi componenti chiave: infrastruttura, applicazione e dati. Senza questi livelli, anche la soluzione di AI più elegante cadrà a terra. Le organizzazioni che chiudono il divario dei dati ora non solo eviteranno di rimanere indietro; saranno quelle che detteranno il passo.