4 problemi che fanno fallire un progetto di Intelligenza Artificiale

Nell’85% dei casi un progetto di Intelligenza Artificiale fallisce per una mancanza di organizzazione.

Ora, in realtà ci sono anche altri motivi che possono far fallire un progetto di AI.

Questi sono probabilmente ancora più importanti da conoscere perché sono più frequenti, ma non solo.

Non si tratta di motivi puramente organizzativi, ma molto più profondi, a volte persino di cultura.

Ma non perdiamo tempo e buttiamoci subito nel vivo del discorso.

Credere che portare avanti un progetto di AI sia facile

Credere che un progetto sia di AI sia facile è garanzia di fallimento perché nel momento in cui le difficoltà affiorano, è molto più probabile demoralizzarsi e credere che non valga la pena portarlo avanti.

Un progetto di AI richiede sempre e comunque un investimento di tempo e denaro, ed è naturalmente demoralizzante vedere che i risultati arrivano con molta più difficoltà di quella prevista.

Questo perché i progetti di AI non sono mai DAVVERO semplici, anche se la maggior parte delle aziende ne è convinta.

Il presupposto di chi ne è convinto è: “I dati ce li ho, allora è facile”.

Il problema è che i dati vanno comunque raccolti dai data scientist, categorizzati, puliti, sistemati…

Lì poi entrano in gioco gli sviluppatori di back-end, quelli di front-end e così via, che devono creare il modello.

E comunque, pur avendo realizzato il modello il lavoro complessivo non è affatto concluso.

Come l’abito non fa il monaco e un motore non fa la macchina, un modello non fa il software!

Infatti, il modello va anche integrato con i sistemi e i servizi dell’azienda committente, e reso presentabile.

Per di più, l’Intelligenza Artificiale è una tecnologia nuova, perciò gli aggiornamenti/miglioramenti avvengono quasi ogni 3 mesi e l’algoritmo va monitorato costantemente.

Perciò, tutto il sistema deve anche essere modificato e aggiornato con il tempo.

Alla fine, prima ci si confronta con la realtà che un progetto di AI è difficile da portare avanti, e meglio è

La mancanza di un obiettivo chiaro

Se cerchi su Google “voglio usare l’Intelligenza Artificiale per”, i risultati saranno i seguenti:

• Per ridurre le disuguaglianze,
• Per risolvere problemi che non sarei capace di risolvere,
• Per aumentare gli standard di vita,
• Per migliorare le condizioni di vita.

Certo, sono tutti obiettivi molto importanti, ma sono altrettanto generici e ambigui.

Affinché un progetto vada a buon fine c’è bisogno di un obiettivo chiaro e iperspecifico.

Definire un buon obiettivo significa aumentare la probabilità di ottenere dei risultati.

In un progetto di Intelligenza Artificiale, questa cosa non fa eccezione.

Uno dei modi con cui è più facile fissarsi degli obiettivi è lo S.M.A.R.T, cioè l’obiettivo deve essere:

• Specifico;
• Misurabile, perché bisogna definire una percentuale di successo;
• Achievable (raggiungibile), perché il progetto deve essere realizzabile con le risorse a disposizione;
• Rilevante, perché il progetto deve portare un ritorno sull’investimento (risparmio o guadagno) significativo per l’azienda;
• Tempo, relativo al fatto che l’obiettivo deve avere una scadenza, anche per dei traguardi intermedi.

Facendo un esempio banale, l’obiettivo di un progetto di object recognition sarebbe avere un sistema che riconosce il 98% dei difetti sopra una determinata dimensione del difetto, oppure il 100% con un 10% di falsi positivi, ad esempio.

Posti gli obiettivi e organizzato il progetto, se il software è affidabile, allora li raggiungerà.

Non implementare il modello, per non stravolgere lo status quo

Come detto nel punto 1, il modello preso da solo non lo usa nessuno.

Anche il più accurato dei modelli non serve a niente, se viene lasciato fermo in un server e non viene implementato.

Fare il modello di per sé è il lavoro del data scientist dopo aver lavorato su tutti i dati a disposizione.

Un modello è un riassunto dei dati che sono stati raccolti e DEVE categoricamente dimostrare le sue abilità.

C’è da aggiungere il software, l’interazione con altri sistemi, con l’utente, sia in input che in output.

Poi il risultato dell’Intelligenza Artificiale deve essere organizzato per essere spiegato all’utente finale.

E alla fine va anche monitorato il modello in sé.

Se poi i risultati non dimostrano un progresso in positivo del modello, ci si rimette a discutere e si modifica il dataset.

L’implementazione del modello, in buona sostanza, non si ferma MAI.

Sembra una cosa assurda, ma è un problema comune.

Il grosso problema delle aziende è non riuscire a reingegnerizzare i processi che possono essere stravolti dall’Intelligenza Artificiale.

Quindi si riesce anche a creare un modello favoloso, ma senza riuscire ad implementarlo perché non si riesce ad inserirlo nel contesto aziendale.

Di fatto i progetti innovativi portano queste criticità, perciò se non si parte subito anche con questo tipo di aspetti, allora può essere critico introdurlo nell’operatività.

La mancanza di cultura del dato

Se un imprenditore ragiona di pancia e non in base ai dati, allora ci saranno grossi problemi nell’implementazione del progetto.

Di conseguenza, si avranno problemi di sovracomplessità per mancanza di dati e di cultura del dato.

E per noi che queste soluzioni le produciamo, è importante avere dati buoni, anche se le aziende solo adesso si stanno attrezzando per raccoglierli.

Ahinoi, molte aziende si sono attrezzate per raccogliere i dati solo perché c’era l’incentivo dell’Industria 4.0, ma almeno stiamo iniziando a raccoglierli.

C’è da dire che nella cultura aziendale manca la consapevolezza che il dato sia qualcosa di fondamentale per fare delle scelte.

Per questo le aziende facilmente si spaccano in due su questo punto.

Spesso i dati sono troppi e non si sa come utilizzarli.

Di fondo, le aziende possono avere un tesoretto per le mani che può far risparmiare o facilitare il lavoro, ma non ne hanno la minima percezione.

In altri casi, ci sono aziende che non hanno proprio dati perché non si sono mai posti il problema di raccoglierli.

Noi questo problema lo affrontiamo progetto dopo progetto, perché una delle prime domande che chiediamo ai nostri clienti è: “Voi avete i dati per partire?”.

Perché è proprio da lì che si deve partire.

A volte, se in fase di installazione del macchinario si spende del tempo in più, potremmo avere una grossa quantità di dati che potrebbero darci degli indicatori importanti.

Perciò non è sempre necessario spendere grossi capitali per ottenere i dati che servono.

Il problema è che molto spesso questa cosa viene fatta dopo e ci si accorge troppo tardi.