Choose Colour style

Qualche settimana fa c’è stato il Think Digital 2020, un evento dedicato al mondo del digitale sempre interessante e ricco di spunti. 

Uno spunto importantissimo l’ha dato l’amministratore delegato di IBM Arvind Krishna, che ha dichiarato di fronte a 20.000 persone connesse digitalmente:

“Per necessità le aziende si doteranno di sistemi di Intelligenza Artificiale”.

Quindi a breve, l’Intelligenza Artificiale diventerà un elemento essenziale per le aziende, per stare al passo con i tempi.

Questa cosa avviene anche perché la pandemia non ha fatto altro che accelerare questo processo, cioè gli imprenditori hanno incominciato a chiedersi come mantenere viva la produzione anche nel momento in cui devono essere di fatto fermi.

Infatti, il timore che si è venuto a creare è che le aziende potrebbero non essere pronte a questo evento – cioè all’arrivo dell’Intelligenza Artificiale.

Eppure uno studio ha calcolato che più o meno l’80-90% delle aziende in Italia, entro qualche anno, sarà dotato di sistemi di Intelligenza Artificiale.

Ma le aziende si chiedono:

“Come possiamo prepararci a questo arrivo e come possiamo evitare di commettere degli errori?” 

Quindi, vediamo di rispondere a questa domanda.

Ma prima, una piccola premessa…

In un momento come questo, dove le cose stanno cambiando alla velocità della luce, è anche molto facile commettere errori perché le aziende si trovano a gestire certe situazioni che non erano abituate.

Perciò, aldilà dell’Intelligenza Artificiale, per quanto riguarda tutto il mondo della digitalizzazione e dell’applicazione di nuove tecnologie, è tutto in continuo cambiamento.

A maggior ragione l’Intelligenza Artificiale, che è qualcosa di estremamente nuovo, può portare a veramente a dare grossi dubbi a manager e imprenditori su come è meglio affrontare questa tecnologia.

Per cui è abbastanza normale e comprensibile che ci siano degli errori.

Proprio per questo, secondo noi, condividere e parlare di errori serve per lavorare su ridurre eventuali sprechi e quindi ad abbassare i costi per l’introduzione dell’i.a. cosa che è poi il nostro obiettivo in questa fase, quindi quella di condividere e dare un valore a imprenditori e manager. 

In questo momento le aziende stanno accogliendo con grande entusiasmo questa tecnologia, ma rimane il fatto che si possono commettere degli errori.

Anche qui vale la famosa formula

+ PREPARAZIONE – IMPROVVISAZIONE = RISULTATO

Per cui oggi vediamo alcuni errori tipici che possono impattare in maniera negativa su un progetto di Intelligenza Artificiale.

1. Non analizzare la sostenibilità del progetto.

Un progetto di Intelligenza Artificiale è tecnicamente complesso, come abbiamo già detto in passato, e richiede figure professionali competenti in materia.

Abbiamo da un lato i tecnici, che a loro volta si possono dividere in 3 categorie:

  • AI Architects, esperti delle architetture software dell’Intelligenza Artificiale,
  • Data Scientists, esperti degli algoritmi che hanno competenze nella selezione, nello sviluppo, nella creazione di modelli matematici partendo dai dati,
  • Software Engineers, figure preposte all’ingegnerizzazione e lo sviluppo dei software e degli algoritmi della soluzione generale dell’Intelligenza Artificiale.

Dall’altro lato abbiamo i referenti del business, ovvero sia i referenti aziendali che trarranno i benefici dall’Intelligenza Artificiale, sia quelli che sono direttamente impattati dall’introduzione di nuovi sistemi.

Ad esempio, se stiamo parlando di un sistema per il controllo della qualità automatica, queste figure sono il responsabile della qualità e gli operatori che fanno le misurazioni e anche il responsabile di produzione.

Quindi, si tratta di coinvolgere un numero abbastanza elevato di figure, e nell’affrontare un progetto è evidente che i costi fanno presto a lievitare.

Banalmente, quando si iniziano a fare delle riunioni di coordinamento avere 7 figure sedute al tavolo vuol dire costi che aumentano.

Per cui il rapporto costi-benefici diventa un punto importante.

E anche qui potrebbe fare la differenza coinvolgere degli esperti che ti possano aiutare a minimizzare i costi di sviluppo e anche i costi indiretti. 

2. Aspettare troppo prima di partire.

Un progetto di Intelligenza Artificiale richiede dei tempi tecnici dal momento in cui si decide di partire.

E anche se adottiamo le best practice più moderne di gestione progetto basate su design thinking o l’AGILE – che hanno come obiettivo il rilascio il prima possibile di qualcosa di utilizzabile per poi migliorarlo – va sempre fatta un’attività iniziale di analisi durante la quale il progetto deve essere sviscerato.

Durante quest’attività si vanno poi a definire le basi sulle quali costruire l’intero progetto dell’Intelligenza Artificiale, per cui è assolutamente molto importante e non può essere assolutamente saltata.

Fatta questa attività si passa poi al design, quindi al progetto del sistema, poi alla fase di sviluppo e alla fine alla fase di training.

Il Training è una fase che può durare un tempo indeterminato, perchè dipende dal contesto dalla qualità dei dati a disposizione, dalle performance che voglio ottenere.

Come abbiamo sempre detto, è molto facile arrivare all’80%, un po’ meno al 90% e poi l’ultimo miglio è sempre dal 90-97% di precisione.

Dal 97 al 100% è la fase più critica per cui i tempi potrebbero allungarsi di molto.

Se aspettiamo di essere pronti al 100%, rischiamo di perdere il vantaggio competitivo sulla concorrenza.

Anche perché dal momento in cui partiamo, dopo diversi mesi cambiano gli algoritmi e cambia anche l’hardware per cui il consiglio che diamo sempre è:

Partiamo e poi modifichiamo e raddrizziamo la mira in corso d’opera.

3. Non stabilire le priorità

L’introduzione dell’Intelligenza Artificiale all’interno dell’azienda può cambiare alcune dinamiche di flusso e alcuni metodi di lavoro.

E per quanto apporti una marea di vantaggi ed anche profitti, si inserisce un po’ alla volta in azienda.

Prima si fa toccare con mano l’Intelligenza Artificiale alle persone interne all’azienda o interne al reparto, o che comunque dovranno averci a che fare.

Questo perchè alcuni automatismi e alcuni problemi che vengono risolti con l’Intelligenza Artificiale devono comunque essere capiti dalle persone che devono interagirci assieme.

E spesso non è semplice perché la capacità di risolvere problemi o proporre soluzioni magari arriva in modo inaspettato, magari da un ragionamento o da un’ingegnerizzazione o dall’architettura o dalle metodologie di lavoro impostate a livello aziendale

4. Non avere i dati.

I dati è sempre meglio averne.

Nel momento in cui si parte o si vuole integrare un software di Intelligenza Artificiale, noi richiediamo sempre dei dati da cui partire.

Una strategia che potrebbe essere sicuramente vincente è recuperare dei dati raccolti in passato.

Questa è una parte di lavoro, di sistemazione e correzione e preparazione dei dati che poi vengono usati nel Training o comunque nella creazione del modello dell’Intelligenza Artificiale.

Una cosa che noi abbiamo visto molto utile in alcuni progetti è partire con la raccolta dei dati nel momento in cui si decide di fare il progetto di Intelligenza Artificiale.

La situazione in cui noi – oltre a creare il modello – prepariamo e raccogliamo i dati, può avvenire in parallelo al nostro lavoro di creazione dell’Intelligenza Artificiale. 

Questo naturalmente pone in essere la situazione che l’Intelligenza Artificiale non inizierà a lavorare immediatamente, ma avrà comunque bisogno di mesi in cui raccogliere i dati, per poi fare il training sui dati appena raccolti nuovi, per poi avere dei risultati immediati.

Quindi, raccogliere dei dati partendo da un pregresso è sicuramente un vantaggio da parte nostra, perchè riusciamo ad avere i dati esattamente come li vorremmo noi per essere forniti direttamente all’Intelligenza Artificiale. 

Questo è un aspetto su cui stiamo lavorando per minimizzare anche la necessità di raccogliere dati su dati per vere delle Intelligenze Artificiali e dei modelli con efficienza molto alta e con dei risultati molto interessanti.

Personalmente ci è capitato di trovarci effettivamente di fronte a questi e siamo ovviamente intervenuti per risolverli.

Per fare un esempio, ci è capitato di arrivare in riunioni molto allargate dove erano presenti parecchi responsabili aziendali, dove non c’era un grande coordinamento all’interno di queste riunioni, e sono state sprecate un sacco di energie e di tempo per cercare di coordinarci e decidere chi dovesse fare cosa. 

Siamo intervenuti cercando di assumere o affiancare il project manager dell’azienda in modo tale da fargli capire bene che un progetto di Intelligenza Artificiale ha un paradigma diverso dal solito dove non è possibile definire al 100% tutto prima e poi partire a sviluppare a testa bassa.

È necessario andare per step, cioè fare rilasci intermedi e aggiustare la mira durante il percorso.

Per cui siamo intervenuti cercando di portare il nostro know-how anche nella parte di gestione del progetto e non solo nella parte mera di sviluppo del progetto.

Facendo un altro esempio, ci è capitato di raccogliere dati e di sviluppare in parallelo il modello di Intelligenza Artificiale, partendo da una base dati ristretta e poi ampliata nel tempo.

La produzione dei dati per il training continuo del nuovo modello di Intelligenza Artificiale non era così performante come avevamo stabilito in fase di progettazione.

Quindi, questa situazione ha creato un rallentamento della fase di affinamento del modello per cui – rispetto alla progettazione e ai calcoli che erano stati fatti all’inizio – il risultato è stato raggiunto mesi dopo quello che era stato definito con il cliente.

Naturalmente questo è dovuto a varie situazioni interne aziendali, nonché la difficoltà nel fornire dei dati all’Intelligenza Artificiale che diano un contributo per la sua crescita e miglioramento.