I CIO che cercano successi significativi in aree ad alto impatto sul business in cui c’è spazio significativo per migliorare le prestazioni dovrebbero rivedere i loro progetti di data science, machine learning (ML) e intelligenza artificiale (IA). Secondo un recente rapporto IDC sui progetti di intelligenza artificiale in India, il 30-49% dei progetti di IA ha fallito per circa un terzo delle organizzazioni, mentre uno studio di Deloitte considera il 50% delle prestazioni organizzative nell’IA come insoddisfacenti.

Lo stesso studio ha rilevato che secondo il 94% degli intervistati l’IA è fondamentale per il successo nei prossimi cinque anni. I dirigenti vedono l’opportunità dell’IA per la differenziazione competitiva e sono alla ricerca di leader per ottenere risultati di successo. ML e IA sono ancora aree di pratica relativamente nuove e i leader dovrebbero aspettarsi un apprendimento continuo e una curva di maturità in miglioramento. Ma CIO e CDO possono assumere già ora un ruolo attivo nel migliorare il numero di progetti di intelligenza artificiale che passano dal pilota alla produzione.

I team di data science sono pronti per il successo?

Un playbook di sviluppo di best practice per i team di data science copre il processo di sviluppo e le tecnologie per la creazione e il test di modelli di machine learning. Lo sviluppo di modelli non è banale e i data scientist hanno difficoltà a pulire e taggare i dati, selezionare algoritmi, configurare modelli, configurare l’infrastruttura e convalidare i risultati.

I leader che desiderano migliorare le prestazioni di distribuzione dell’IA dovrebbero rispondere a questa prima domanda: i data scientist sono pronti per il successo? Stanno lavorando su problemi che possono produrre risultati aziendali significativi? Hanno le piattaforme di machine learning, l’accesso all’infrastruttura e il tempo di formazione continua necessari a migliorare le loro pratiche di data science?

CIO e CDO dovrebbero optare per un approccio ModelOps

I leader possono esaminare e risolvere i problemi se i team di data science hanno difficoltà a sviluppare modelli. Ma per lanciare modelli e garantire il successo, CIO e CDO devono stabilire un ciclo di vita del modello o un approccio ModelOps. Il ciclo di vita inizia prima dello sviluppo del modello e richiede la formazione dei leader aziendali sul loro ruolo nel contribuire ai progetti di intelligenza artificiale. Richiede inoltre passaggi per pianificare l’infrastruttura su larga scala, istituire conformità e governance, creare una strategia di sicurezza perimetrale e collaborare con i team interessati per garantire una trasformazione di successo.

AI intelligenza artificiale computerworld certification program

Su questo versante i fattori più importanti da considerare sono:

  • Educare i leader aziendali sui loro ruoli nei progetti ML. I leader aziendali hanno definito criteri di successo realistici e aree di sperimentazione a basso rischio? Sono coinvolti nei progetti pilota e forniscono feedback? Sono pronti a trasformare i processi aziendali con funzionalità di machine learning o rallenteranno gli investimenti alle prime difficoltà?
  • Collaborare quando si sviluppano modelli. A volte, lo sviluppo di modelli proprietari ha senso, ma bisogna valutare anche framework come motori di raccomandazione o SDK di intelligenza artificiale vocale.
  • Pensare ai requisiti dell’infrastruttura di produzione. L’infrastruttura di laboratorio utilizzata per sviluppare modelli e la scala inferiore richiesta per pilotare una capacità di intelligenza artificiale potrebbero non essere l’infrastruttura di produzione ottimale. Ad esempio, l’intelligenza artificiale nel settore sanitario, negli smart building e nelle applicazioni industriali che influiscono sulla sicurezza umana può richiedere opzioni di edge computing o integrate per garantire affidabilità e prestazioni.
  • Pianificare applicazioni IA di larga scala sull’edge. Dove ci sono migliaia di dispositivi IoT, ci sono opportunità di distribuire applicazioni IA da eseguire sui dispositivi. Ad esempio, flotte di veicoli, tra cui camion per le consegne, strumenti da costruzione e attrezzature agricole, possono utilizzare app di intelligenza artificiale distribuite su dispositivi per fornire feedback in tempo reale ai propri operatori che migliorano la produttività e la sicurezza. Una soluzione di gestione perimetrale che distribuisce le app nei dispositivi, supporta le comunicazioni e fornisce funzionalità di monitoraggio è fondamentale.
  • MLOps, ModelOps e funzionalità di monitoraggio dell’infrastruttura. I team di data science avranno bisogno di MLOps per automatizzare i percorsi di produzione, mentre la conformità dovrebbe richiedere un approccio ModelOps. I team dell’infrastruttura e delle operazioni vorranno inoltre che il monitoraggio li aiuti a rivedere i costi, le prestazioni e l’affidabilità dell’infrastruttura cloud.

I team IT non si limitano a distribuire app. Partecipano alla pianificazione per fornire risultati aziendali e quindi istituiscono DevOps per garantire la consegna e miglioramenti continui. L’applicazione di pratiche simili alla scienza dei dati, al machine learning e all’intelligenza artificiale migliorerà il successo dei progetti pilota e di quelli in produzione.