Come ottenere risultati con l’Intelligenza Artificiale per le PMI
Alcuni cambiamenti arrivano in fanfara, come gli smartphone, il GPS e così via.
Ma ci sono alcuni cambiamenti che passano in sordina, come i materiali in silicio che eppure hanno avuto un impatto estremo sulla tecnologia.
Ecco, l’Intelligenza Artificiale rientra in questa seconda categoria.
Ad oggi, in maniera sempre silenziosa, l’Intelligenza Artificiale ha permesso di risolvere problemi troppo complessi, troppo costosi o che richiedono altissime skill:
►Task operative (pricing, vendita, previsione della produzione, management sullo stato d’umore dei dipendenti);
►Analisi della relazione con i clienti (chatbot, sistemi per il customer service, analisi dei movimenti in negozio).
Tutto sommato, l’Intelligenza Artificiale è diventata pregnante per il conseguimento di queste task, anche per le PMI.
E i giornalisti hanno iniziato a rendersi conto proprio di questo…
Infatti, i benefici dell’Intelligenza Artificiale non sono più solo prerogativa delle grandi aziende, come tanti ci hanno fatto credere, anzi.
Adesso possiamo dire che l’Intelligenza Artificiale è entrata nella realtà delle PMI, come stiamo cercando di avvisare ormai da quando abbiamo iniziato il nostro percorso con BlueTensor.
E in questo articolo vediamo 3 elementi che non possono mancare in una strategia di Intelligenza Artificiale per ottenere risultati se hai una PMI.
CONOSCERE I RISCHI DELL’INTELLIGENZA ARTIFICIALE
Poco prima della pandemia le aziende si chiedevano «che cos’è l’Intelligenza Artificiale» o «se funziona», ma adesso si stanno chiedendo «come possono introdurla in azienda», quindi hanno già le idee chiare di quali sono i risultati che possono ottenere.
Chiaramente, per ottenere risultati con queste tecnologie occorre avere degli accorgimenti dal punto di vista implementativo.
Il primo accorgimento lo prendiamo da un rapporto pubblicato recentemente da Deloitte, State of AI for Enterprise.
Deloitte ha intervistato circa 3000 decisori aziendali tra marzo e maggio del 2021, chiedendo la loro percezione che avessero sulle tecnologie di Intelligenza Artificiale.
Secondo lo studio, poche organizzazioni affermano di essere completamente basate sull’Intelligenza Artificiale, ma una percentuale significativa degli intervistati sta iniziando ad implementarla in azienda.
Deloitte ha esplorato le trasformazioni in atto all’interno delle aziende che applicano l’Intelligenza Artificiale e il machine learning per generare valore…
E secondo gli executive, i manager e i dirigenti, una delle criticità è relativa ai rischi associati all’Intelligenza Artificiale, che rimane una delle problematiche in primo piano.
«Le organizzazioni di alto livello riferiscono di essere più preparate a gestire rischi legati all’Intelligenza Artificiale e sono più fiduciose di poter implementare iniziative di Intelligenza Artificiale in modo affidabile», ha dichiarato il direttore esecutivo di Deloitte.
INVESTIRE (TANTO) NELLE MLOPS
Le MLOps derivano dal concetto di DevOps, cioè tutte le attività che gli sviluppatori e i sistemisti mettono in atto per costruire la «continuous integration» e la «continuous delivery».
Infatti, quando un software viene rilasciato, viene assoggettato a test di integrazione con le altre parti di tutta l’architettura…
Però ci sono delle task che vengono costruite all’interno delle continuous integration per soddisfare tutti i requisiti, di modo che sia tutto testato a prova di bomba nel momento in cui viene rilasciata la versione finale sul server di produzione.
Il concetto di MLOps è un po’ diverso…
Con MLOps si intendono tutte le attività e le interazioni con i modelli di deep learning o machine learning.
Infatti, nel momento in cui bisogna rilasciare un modello di machine learning o deep learning, questo viene prima trainato su un dataset e infine integrato nel software.
Alla fine si possono eseguire dei test che valutano la precisione del modello, che poi verrà rilasciato assieme a tutto il software.
Naturalmente, il modello fa parte di tutto il software che deve essere posto sotto continuous integration e continuous delivery.
Può essere fatto one-shot, nel caso in cui non ci sia la necessità di assoggettarlo a continui aggiornamenti, come retraining o aggiunta di nuovi dati che possono modificare il modello.
In quel caso lì, le attività di MLOps sono molto più simili alle attività di DevOps, poiché l’ambiente e le caratteristiche del modello sono quelle della prima fase dello sviluppo.
Non potrà imparare in nuove situazioni, i dati del dataset rimarranno gli stessi e compirà il suo lavoro al limite delle capacità con cui è stato trainato.
Diversa è la situazione nel caso in cui questo modello evolva nel tempo.
Se il dataset continua a cambiare e ad evolvere, un training (che può altrettanto evolvere) richiede maggiori cicli, quindi più tempo-macchina e parametri diversi di output per calcolare l’efficienza.
In questo caso entra in gioco il ruolo dell’MLOps, che mescola la capacità dello sviluppatore (o del sistemista) con le capacità del data scientist, creando un ambiente in cui è possibile fare un training integrativo e riaggiornare il dataset, mantenendo sempre sotto controllo l’efficacia e l’efficienza del modello attraverso le KPI definite in fase di analisi e lungo il percorso di crescita del modello.
Questo ruolo è emerso con il tempo, perché la parte di modellazione di machine learning e deep learning andava di pari passo con lo sviluppo…
Oggi, essendo sempre più parte dello sviluppo degli applicativi, questo ruolo inizia ad avere un percorso suo e deve essere monitorato anche per garantire i risultati.
Di conseguenza, nel momento in cui c’è un nuovo rilascio del software o il dataset viene aggiornato con nuovi dati, il modello viene trainato di nuovo su questi ultimi e pertanto va ricalibrato, ritestato nell’efficienza e rilasciato come modello di AI aggiornato rispetto all’applicativo costruito.
È un’attività diversa da ciò che normalmente si è fatto negli anni…
Infatti, questo ruolo richiede più attenzione e deve essere anche garantito il risultato perché il modello dato in autoapprendimento – o soggetto a dei retraining frequenti – va comunque testato sui casi d’uso di esempio per poter mantenere sempre un percorso all’interno dei binari verso cui i data scientist hanno costruito quel modello, in modo da evitare problemi imprevisti che creano altrettanti problemi alle infrastrutture.
Naturalmente questo porta un maggiore costo a livello di sviluppo e di gestione del progetto ed è qui che si fa la differenza.
Non è solo questione di portare un prodotto o un progetto in produzione, ma anche di mantenerlo ad un livello efficiente durante gli anni e aumentando comunque i dati che riesce ad elaborare e a dare un output efficiente come le caratteristiche del progetto richiedono.
CAPIRE CHE CI VUOLE TEMPO
In molti paragonano l’Intelligenza Artificiale ad una maratona, ma a noi piace paragonarla ad una corsa a tappe, un po’ come nel ciclismo.
Infatti, per essere preparati al giro d’Italia i professionisti devono iniziare a macinare tanti chilometri in inverno, e quando inizierà la corsa, ci saranno una serie di tappe da portare a casa (in piano, in salita, cronometro etc.), che vanno affrontate con determinate strategie.
Ecco, implementare un progetto di Intelligenza Artificiale è molto simile.
La preparazione invernale significa preparare l’azienda, condividere le progettualità con le persone, coinvolgere i capi reparto, i team cross-funzionali e così via.
In fase preparatoria dobbiamo affrontare tematiche legate all’eticità, alla creazione di commitment all’interno del team di sviluppo.
Il commitment, poi, è estremamente importante perché l’Intelligenza Artificiale segna un cambio di paradigma rispetto alle strategie di sviluppo software più tradizionali.
Infatti, nello sviluppo di un software tradizionale si insegna al computer che cosa deve fare e da subito si vedono i risultati.
Mentre con l’Intelligenza Artificiale, nel momento in cui si vede l’interfaccia, dietro ci deve essere il modello che deve essere trainato sui dati, che inizia a vedersi solo dopo qualche mese (NB: il tempo dipende dai dati a disposizione e dal commitment) e dopo altri mesi ci sarà il sistema che darà risultati.
Ecco perché è importante il commitment da parte del team e da parte degli executive, dei manager e dell’imprenditore.
Bisogna crederci, non bisogna fermarsi al primo output che abbiamo.
Bisogna essere consapevoli che ci vogliono tanti dati e tanti mesi per ottenere alcuni risultati di qualità, paragonabili a quelli di un operatore umano.
In sintesi, per capire come ottenere successo con l’Intelligenza Artificiale, è importante essere consapevoli che ci vuole tempo.
A questo si aggiungono metodo, organizzazione, divisione dei ruoli, creazione del commitment e non fermarsi ai primi risultati, ma andare fino in fondo e quindi coinvolgere le persone giuste in grado di velocizzare il raggiungimento degli obiettivi, suggerendo magari qualche scorciatoia che può farti arrivare in cima nel minor tempo possibile.
Proprio per questo noi affianchiamo le aziende a sviluppare le proprie progettualità di Intelligenza Artificiale, fornendo un team costituito da data scientist, AI Engineer, il full-stack developer, il back-end developer, il front-end developer.
Un team completo che viene messo a disposizione delle progettualità per il tempo necessario, lavora a stretto contatto con il team del cliente finale attraverso un cosviluppo, se hai un team interno.
Oppure il team può essere completamente esternalizzato, ma sempre e comunque con il costante confronto del cliente per sviluppare un progetto che sia completamente aderente alle aspettative del cliente finale che meglio di tutti conosce il proprio problema e conosce qual è lo strumento di cui ha bisogno e come può ottenere valore da questo strumento.
Valore che in un’azienda si traduce nella riduzione degli sprechi, nell’aumento dei volumi e dei profitti da un lato, ma dall’altro anche miglioramento della qualità lavorativa delle persone che attraverso l’Intelligenza Artificiale potranno essere liberate da oneri e da task ripetitivi per potersi focalizzare su task a maggior valore aggiunto.
Per metterti in contatto con noi puoi compilare il modulo che trovi a questo link ⇒ https://bluetensor.ai/#demo
