Aziende di successo con l’ AI? Ecco le sfide e come approcciarle

scritto da il 25 Aprile 2021

Post di Gianluca Mauro, fondatore di AI Academy e autore di Zero to AI – 

“L’intelligenza artificiale è la nuova elettricità. Così come l’elettricità fece 100 anni fa, l’AI rivoluzionerà ogni industria” – Andrew Ng (co-founder di Coursera, ex direttore di Google Brain).

È facile lasciarsi prendere dall’immaginazione e dall’ottimismo leggendo frasi come questa. La verità è che ad oggi le aziende che hanno veramente rivoluzionato il proprio business con l’Intelligenza Artificiale sono ancora molto poche, sono principalmente nel mondo del tech, e particolarmente concentrate in California. In altri contesti è raro trovare aziende che abbiano delle aspettative realistiche su dove investire per iniziare ad adottare l’AI.

Uno degli errori più comuni che le aziende fanno quando iniziano ad approcciare l’AI è di immaginare che sia una tecnologia “chiavi in mano”: si pensa ad acquisire qualche strumento o assumere qualche data scientist, ma ci si dimentica di come il contesto aziendale debba evolversi.

Il parallelismo con l’elettricità di Andrew Ng ci torna utile per capire perché questo approccio non può funzionare. Per far sì che l’elettricità cambiasse il mondo, non è bastato che Alessandro Volta inventasse la batteria o che Thomas Edison brevettasse la lampadina ad incandescenza. È stato necessario che venisse creata un’infrastruttura: dalle centrali di produzione di energia, ai tralicci per portarla nelle nostre case, fino alle prese della corrente per poterla usare.

Lo stesso vale per l’AI. Lo scopo di questo articolo è aiutarti a creare un’idea chiara su quali siano gli elementi fondamentali per portare l’AI nella tua azienda e nella tua carriera.
Per iniziare, dividiamo le sfide che incontrerai nell’uso dell’AI in due classi distinte ma interconnesse: sfide tecnologiche e sfide umane.

Maturità tecnologica ed AI
Dal punto di vista tecnologico, l’AI ha bisogno di tre ingredienti fondamentali: dati, algoritmi, e infrastruttura.

Cominciamo a parlare di dati. Quando il termine “Big Data” ha iniziato a spopolare tra i media, le aziende hanno iniziato a pensare che il loro successo sarebbe stato deciso dalla mera quantità di dati in loro possesso.

La quantità di dati a tua disposizione è solo uno dei fattori da considerare, e spesso neanche il più critico. La qualità dei dati è un fattore molto più importante della quantità, e spesso viene trascurato. Immagina che i dati della tua azienda siano tutti riportati in un foglio excel. Il numero di righe nel tuo foglio è importante, ma passa in secondo piano se le celle sono riempite di valori sbagliati, o se non sappiamo leggerne il contenuto.

Facciamo un esempio per capire come la scarsa qualità dei dati possa impattare i tuoi progetti. Un mio cliente aveva monitorato le interazioni con i proprio clienti per 14 anni, utilizzandoli solamente per reportistica di base. Quando abbiamo iniziato a ragionare su un ipotetico progetto di AI, la mera quantità di dati aveva alimentato l’ottimismo di tutto il team. Purtroppo ci siamo presto resi conto che la qualità era molto bassa: era persino difficile capire cosa ogni colonna rappresentasse.

Un dataset che non capisci, è un dataset inutile. Per poter far partire il progetto, abbiamo investito 3 mesi in data cleaning, intervistando gli operatori dei call center le cui azioni andavano a popolare il dataset. Una volta che i dati avevano raggiunto una qualità adeguata, costruire il modello di Machine Learning è stato un lavoro da un paio di settimane.

Un altro fattore che spesso frena lo sviluppo di progetti AI è la disponibilità di dati. Spesso i dati per lo sviluppo di un progetto esistono, ma tra te e loro ci sono strati di burocrazia e silos aziendali da superare. Queste frizioni possono rallentare i tuoi progetti di AI fino ad ucciderli di una morte lenta.

So di una grande multinazionale Italiana che aveva assunto un gran team di data scientist prima di investire in una governance agile dei dati. Dopo qualche mese la maggior parte dei data scientist abbandonò il posto, frustrati dalle difficoltà nell’ottenere i dati di cui avevano bisogno per lavorare.

Veniamo ora ai modelli. I modelli non sono altro che il risultato dell’apprendimento di algoritmi di machine learning. Le aziende spesso pensano che avere modelli avanzati sia la chiave per un progetto di successo.

A meno che la tua azienda non faccia ricerca pura, non dovresti concentrare la tua attenzione sui modelli che usi. Ad oggi esistono varie soluzioni per acquisire tecnologia da provider tecnologici a prezzi competitivi, o per costruire i tuoi algoritmi sfruttando librerie open source. I modelli migliori di oggi diventeranno obsoleti domani. I dati, invece, resteranno un asset per sempre.

L’ultima parte tecnologica sulla quale dovresti porre la tua attenzione è quella dell’infrastruttura. Qualsiasi progetto di AI tu voglia sviluppare avrà bisogno di interfacciarsi col resto del tuo software: per raccogliere dati, per elaborarli, per far girare i modelli e infine per interagire con gli utenti.

Nel caso di Netflix, i loro algoritmi di raccomandazione si interfacciano con gli utenti attraverso il loro sito o la loro app. Nel caso di un’auto autonoma, l’AI deve interagire direttamente con lo sterzo, l’acceleratore e i freni dell’auto. L’infrastruttura è probabilmente la parte più sottovalutata di un progetto AI, ma può fare la differenza tra un progetto di successo e un fallimento.

Se l’interfaccia di Netflix non fosse così intuitiva ed elegante, le raccomandazioni dei suoi algoritmi di AI non sarebbero così efficaci. Se Tesla non avesse dei sistemi affidabili, le sue auto non sarebbero così sicure – a prescindere dagli algoritmi di AI.

È fondamentale quindi valutare un progetto di AI all’interno del suo contesto più ampio: dalla raccolta dati, alla fruizione dalla parte degli utenti. Se gli asset tecnologici della tua azienda sono arretrati, bisogna tenerne conto nella fase di definizione dei tuoi progetti AI.

Questi sono gli aspetti più importanti dal punto di vista tecnologico se vuoi investire in AI. Veniamo ora agli aspetti culturali.

Engineer manager checking and controling automation robot arms m

Maturità culturale ed AI
In fin dei conti, l’AI non è altro che uno strumento in mano a delle persone. Non conosco nessuna azienda che ha avuto successo con l’AI investendo solo sulla tecnologia, e non sulle persone che devono utilizzarla.

Quali sono i più grandi cambiamenti culturali necessari per te o per il tuo team?

Il punto di partenza è la conoscenza delle figure non tecniche: l’intera azienda deve capire i concetti di base dell’AI, dall’executive board fino agli stagisti. Investire in formazione è quindi il punto di partenza per qualsiasi azienda (o professionista) che voglia investire in AI.

Ovviamente la maggior parte delle persone non avrà bisogno di entrare nel dettaglio di matematica, algoritmi e programmazione. Una buona analogia per capire questo punto è quella con il settore dell’auto. Se una casa automobilistica vuole iniziare a produrre auto elettriche, non è fondamentale che tutti i dipendenti conoscano le leggi dell’elettromagnetismo, ma tutta l’azienda deve conoscere come si comporta un motore elettrico e le differenze rispetto ai motori endotermici usati finora.

Il rischio di non capire la tecnologia è che l’executive board non sappia dove investire, i manager non abbiano idee chiare su che progetti perseguire e come gestirli, e il resto dell’azienda che utilizzerà strumenti di AI non sappiano utilizzarli in maniera proficua.

Il secondo shift culturale è nell’abbattere i silos organizzazionali e favorire il lavoro interdisciplinare. Un progetto per l’AI nel marketing può essere realizzato da un team di Data Science con stakeholder provenienti dal dipartimento di Marketing, insieme a dati provenienti dal sales, dal customer service e da finance, con un supporto da parte dell’IT.

Non è raro che esistano frizioni e difficoltà nello scambio di informazioni e dati tra dipartimenti così diversi e spesso scollegati. L’abbattimento dei silos è possibile solamente se esiste una base comune di conoscenze e visione: dovrai far capire il valore dell’AI a tutta l’azienda se vuoi che lavori insieme a te per costruire progetti di valore.

L’ultimo cambiamento di mindset da abbracciare è quello di adottare un approccio sperimentativo. L’AI è una tecnologia innovativa, e come ogni innovazione porta con sé dei rischi, sia tecnologici che di business.

Il modo migliore per mitigare questi rischi è quello di sperimentare: formulare assunzioni, costruire piccoli prototipi, testarli, e iterare (questo è il metodo descritto da Eric Ries in “The Lean Startup”).

La domanda che pongo spesso ai miei clienti è “qual è il progetto più semplice al quale possiamo pensare, che ha la maggior possibilità di successo?”. È facile farsi prendere dall’entusiasmo e immaginare progetti mastodontici, ma partire da progetti piccoli è sempre una strategia vincente.

Partire da progetti piccoli ti aiuta ad imparare cosa funziona e cosa no. Spesso l’unico modo per sapere cosa funziona è sporcarsi le mani, quindi creare prototipi aiuterà te e il tuo team ad indirizzare le energie. In questa maniera ridurrai anche il rischio, scoprendo falle nei tuoi progetti presto nel processo di sviluppo.

Nel caso in cui i tuoi prototipi portino risultati tangibili, il fatto che il tuo team sia stato in grado di portare risultati all’azienda in breve tempo, ti aiuterà ad aumentare la fiducia nella tecnologia, attraendo più budget per sviluppare progetti e allargare il team AI.

Da dove partire?
Voglio rispondere a questa domanda con le parole di Fabio Pistilli, Head of Data and Analytics di Fater SpA (gruppo joint venture tra Angelini e P&G, produttore e distributore di brand come Pampers, Lines e ACE):

“In Fater siamo nel bel mezzo della cosiddetta data transformation, per portare in azienda una data driven culture.

I dati e l’intelligenza artificiale possono dare prospettive nuove e diverse al management nel processo di decision making, ma mettono sul tavolo due potenziali minacce per lo sviluppo dell’AI: la proprietà della conoscenza e il trust nei modelli e negli algoritmi.

In molti casi nei reparti delle aziende c’è la tendenza ad usare prevalentemente i propri dati, senza cercare di integrarli con altre fonti interne all’azienda o anche esterne, alla ricerca di una conferma di quello che l’esperienza e il classico business understanding portavano a pensare.

Immaginate l’impatto dell’uso di soluzioni di intelligenza artificiale che possono completamente ribaltare questo approccio dando insights completamente diversi dalle aspettative. Proprio in quest’ottica va costruito la fiducia nei risultati che un modello di AI può far emergere.

Va costruita fiducia nel management su risultati che non si aspetta, che non vuole sentirsi dire o che addirittura possono sembrare contro logica.

Per questa ragione stiamo affrontando un processo di transformation graduale, partendo da reparti dell’azienda in cui c’è maggiore attitudine al cambiamento, all’uscire dalla zona di comfort. Abbiamo iniziato con un progetto in area commerciale generando dopo poche settimane prima insight utili a prendere decisioni con ottica diversa e, forti del convincimento generato da questo primo progetto ne abbiamo iniziato un secondo, un terzo, e così via.

La strada è ancora lunga ma averla affrontata con gradualità e ricercando quick-win ha dato più certezza ad un percorso complesso”.

Twitter @gianlucahmd