I leader aziendali a tutti i livelli vedono chiaramente il valore nell’uso dell’intelligenza artificiale, ma usare bene l’intelligenza artificiale è dove risiede il vero valore. E la posta in gioco è alta. Secondo un sondaggio Deloitte pubblicato la scorsa estate, il 61% delle aziende si aspetta che l’IA trasformerà il proprio settore nei prossimi tre anni. Secondo un sondaggio McKinsey pubblicato lo scorso novembre, le aziende con leader efficaci, un alto livello di impegno nei progetti di intelligenza artificiale e una chiara visione e strategia dell’IA sono posizionate per trarre il massimo vantaggio da questo cambiamento.

Il principale elemento di differenziazione? Essere in grado di distribuire l’intelligenza artificiale su larga scala. Invece di prove di concetto o progetti di intelligenza artificiale una tantum, le aziende che avranno successo con l’IA saranno quelle in grado di distribuire più applicazioni di intelligenza artificiale in più team. Finora, solo il 13% delle organizzazioni è stato in grado di farlo, secondo il rapporto sullo stato dell’IA del 2020 di Capgemini.

Ecco cinque suggerimenti per trasformare i progetti di intelligenza artificiale in valore aziendale raccontati da chi sta già traendo vantaggi reali dall’implementazione in azienda dell’IA.

Concentrarsi sulla trasformazione aziendale

Tre anni fa, quando General Electric era nelle prime fasi del suo viaggio verso l’integrazione dell’intelligenza artificiale, i progetti IA richiedevano un’attenzione particolare ai vantaggi aziendali specifici, iniziando con progetti minimi fattibili. Oggi, l’utilizzo dell’intelligenza artificiale è una parte fondamentale della trasformazione dell’azienda stessa.

“Puoi guardare a un minuscolo silo, ottimizzare la quantità di inventario e risparmiare 2 o 3 milioni di dollari, ma ciò non si traduce in creazione di valore per tutta l’azienda” afferma Colin Parris, vicepresidente senior di GE, indicando un esempio in cui la sua azienda ha capito come gestire gli inventari in modo più efficiente con l’IA. Il passo successivo è stato quello di prendere ciò che GE ha imparato e offrire lo stesso servizio ai propri clienti.

Ma il passaggio dall’utilizzo dell’IA per ridurre i costi all’utilizzo dell’IA per aumentare il business aziendale richiede un cambiamento fondamentale nella strategia per concentrarsi sulla trasformazione del business. In GE, ciò ha significato sfruttare i principi di produzione “snella” basati sull’intelligenza artificiale.

Conoscere i limiti dell’intelligenza artificiale

Man mano che i progetti di intelligenza artificiale si ampliano e diventano operazioni aziendali fondamentali, aumentano anche i rischi associati a essi. Se un sistema di intelligenza artificiale addestrato su un problema specifico viene applicato a un problema leggermente diverso, i risultati potrebbero essere poco ottimali o addirittura pericolosi.

“Abbiamo questa cosa chiamata IA umile”, dice Parris, “che sa quando non dovrebbe intervenire. Un approccio che limita il rischio aziendale e aumenta le adozioni di IA nelle aziende”. Un altro aspetto dell’approccio “umile” di GE è garantire che l’IA spieghi il proprio ragionamento.

Ad esempio, quando i tecnici ottengono i dati dalle turbine eoliche, tradizionalmente cercano nel manuale tecnico come comportarsi. Un sistema di intelligenza artificiale, tuttavia, può ottenere i dati, tracciare le curve e segnalare al tecnico che la turbina sta riscontrando un problema con il cuscinetto di inclinazione. L’IA spiegabile mostrerebbe quelle curve al tecnico e aprirà la pagina nel manuale che contiene le informazioni pertinenti.

L’intelligenza artificiale aiuta quindi il tecnico a raggiungere la soluzione più velocemente. “Si tratta di intelligenza aumentata, di intelligenza assistita”, afferma Parris. “Non vi sostituisce… vi sta aiutando.” Ciò contribuisce all’adozione dell’IA su larga scala.

Ascoltare le parti interessate e i clienti

Per alcune aziende, garantire che i sistemi di intelligenza artificiale producano risultati utili richiede un aiuto oltre il team principale di intelligenza artificiale. Come ogni progetto, tutto inizia con la raccolta dei requisiti per dati, risultati e modelli.

“Idealmente, si avvia un progetto con una riunione in cui tutte le principali parti interessate trascorrono il pomeriggio scoprendo i dettagli e documentando i requisiti delle query” afferma Jim Metcalf, chief data scientist di Healthy Nevada Project, il cui team ha imparato questa lezione lavorando su un protocollo per il trattamento dei pazienti cardiaci.

Il progetto richiedeva la raccolta di informazioni sui medicinali prescritti ai pazienti al momento della dimissione dall’ospedale. Ma alcuni farmaci, come le statine, vengono prescritti quando i pazienti vengono ricoverati per la prima volta e vengono continuati quando il paziente se ne va. Il sistema presumeva che questi farmaci fossero prescrizioni in corso che i pazienti stavano già assumendo, non nuovi farmaci correlati ai ricoveri per infarto: un problema che è stato scoperto solo quando il conteggio dei farmaci è risultato inferiore al previsto.

regolamento europeo intelligenza artificiale

“Il team avrebbe potuto risolverlo molto prima se avessimo avuto discussioni più dettagliate con tutte le parti interessate fin dall’inizio”, afferma Metcalf. “Il nostro team di data science ha imparato a non dare per scontato nulla. Esaminiamo a fondo, discutiamo e documentiamo i requisiti di query molto prima che qualcuno metta le dita su una tastiera”.

Per il fornitore di piattaforme di gestione delle spese aziendali Coupa, un suggerimento di un cliente ha indicato la strada verso un nuovo modo per rilevare le frodi. “Nel nostro settore, l’approccio è stato quello di esaminare le frodi di spesa nei silos” afferma Donna Wilczek, vicepresidente della strategia di prodotto e dell’innovazione dell’azienda.

Coupa ha scoperto che un dipendente che tradisce in un’area ha maggiori probabilità di imbrogliare anche in altre aree. Ci sono volute conversazioni con esperti di appalti e revisori finanziari per scoprire che il segreto del rilevamento delle frodi è guardare alle singole persone al centro della frode. Coupa ora raccoglie esempi di comportamenti fraudolenti segnalati dalle aziende, quindi aggiunge quegli esempi di vita reale al sistema di intelligenza artificiale.

Niente più prove di concetto

Quando la tecnologia era nuova di zecca, le prove di concetto (POC) avevano senso. Oggi, tuttavia, c’è meno bisogno di iniziare il vostro viaggio nell’intelligenza artificiale con esperimenti, afferma JJ López Murphy, direttore dei dati e della tecnologia dell’IA presso Globant.

“Ciascuno di questi esperimenti è molto costoso, in termini di denaro, tempo e influenza politica”, afferma Murphy. “Una volta che avete fatto quattro POC che non vanno da nessuna parte, le persone smettono di credere nell’IA”. Invece, le aziende dovrebbero lavorare su progetti che vanno da qualche parte, dice. “Se non è in produzione e non viene utilizzato, è inutile… anzi, peggio”.

L’analista di Gartner Whit Andrews è d’accordo, raccomandando alle aziende di creare prodotti minimi sostenibili. “Il rischio è un po’ più alto, ma il vantaggio è che avete cominciato a muovervi e che ora continuate ad aggiungere capacità e funzionalità”. Secondo un sondaggio del 2020 di Gartner, le aziende che hanno successo con l’IA conducono in media 4,1 progetti pilota, mentre le aziende che non hanno successo conducono 5.2 POC.

Team misti

Secondo il rapporto di Gartner, le organizzazioni che hanno ottenuto un “valore significativo” dai loro progetti di intelligenza artificiale avevano anche il 14% in più di ruoli nei loro team di intelligenza artificiale, inclusi project manager e persone con background e prospettive diverse. “L’abitudine numero 1 delle aziende di successo è l’utilizzo di team misti”, afferma Andrews.

Per un progetto di intelligenza artificiale su cui Tech Data ha lavorato e che ha coinvolto il conteggio dei pulcinelle di mare, si sono dovuti coinvolgere anche esperti di hardware. “Se avete mai visto gli speciali del National Geographic, le pulcinelle di mare sono rannicchiate insieme, a migliaia” afferma Clay Davis, vicepresidente di Tech Data per i dati globali e le soluzioni IoT. “Siamo stati incaricati di sfruttare l’IA per contare le pulcinelle di mare”.

Prima che Tech Data fosse chiamata ad aiutare con il progetto, c’era un team di data scientist che lavorava per ottenere i migliori modelli possibili per contare le pulcinelle di mare e un team separato di professionisti hardware che sceglievano le fotocamere e le apparecchiature informatiche più idonee allo scopo.

“Quando si dispone di hardware fisico come una fotocamera che acquisisce immagini, a volte in aree remote, a volte è più efficace eseguire il calcolo in loco, a volte no”, afferma Davis. “E se eseguite calcoli in loco, dovete assicurarvi che l’hardware che state utilizzando sia sufficiente per gestire i modelli che avete creato con i data scientist”.

Tre mesi dopo, si è scoperto che l’hardware scelto non era in grado di eseguire i modelli che i data scientist stavano elaborando. “A questo punto bisognava ricominciare, acquistando nuovo hardware o chiedendo ai data scientist di costruire un modello più efficiente”. Nel caso delle pulcinelle di mare non contate, i data scientist sono stati in grado di passare a un modello di mappatura delle tendenze, in modo da poter continuare a lavorare con l’hardware esistente senza il bisogno di cambiarlo.