Quando si parla di soluzioni di intelligenza artificiale, una volta comprese le opportunità offerte dall’AI – Artificial Intelligence e definito l’ambito di applicazione all’interno della propria azienda, una delle questioni più ricorrenti che si pongono è la difficile decisione tra Make or Buy.
Soluzioni di intelligenza artificiale da costruire/sviluppare o “pronte” da acquistare? Usando le parole tipiche dell’informatica, make or buy? In ambito AI – Artificial Intelligence la questione è più complessa del consueto in quanto alla domanda solitamente dicotomica si aggiungono una molteplicità di scelte intermedie che offrono l’opportunità di esternalizzare varie parti del progetto sia acquisendo prodotti plug&play sia commissionando servizi mirati. Per rispondere adeguatamente alla domanda “soluzioni di intelligenza artificiale, make or buy?” proviamo innanzitutto a capire il ventaglio delle possibili scelte per poi identificare gli aspetti più rilevanti da considerare.
Come scegliere se sviluppare o acquistare soluzioni di intelligenza artificiale
Un progetto basato su AI è composto da diverse componenti, le principali sono: la strategia di applicazione complessiva, l’impianto di raccolta dati (che include HW, SW e processi), il modello vero e proprio di AI, e infine l’integrazione con l’as-is (inteso sia da un punto di vista informatico che organizzativo).
Vediamo come su ciascuno di queste componenti si possano prendere decisioni diverse a seconda delle competenze presenti in azienda.
La strategia complessiva di applicazione dell’AI all’interno dell’azienda è senza dubbio la parte più delicata; qui spesso giace la differenza tra i progetti di successo e quelli con risultati discutibili. Come frequentemente accade in ambito di scelte strategiche, la difficoltà è amplificata dalla necessità di coniugare una visione di alto livello con competenze tecniche specialistiche e con le responsabilità decisionali chiave all’interno dell’azienda. La scelta più diffusa per gestire questo step è attualmente l’utilizzo di consulenti esterni a supporto di un team interno selezionato trasversalmente alla struttura gerarchica. Questo approccio riesce a coniugare le esigenze viste prima e contemporaneamente consente lo sviluppo graduale di expertise interne; l’utilizzo di team completamente interni è da preferirsi solo dopo aver maturato sufficiente competenza nel corso delle prime esperienze di ambito AI, mentre la scelta dell’esternalizzazione completa di questo step è solitamente sconsigliabile dato l’alto rischio di intraprendere una direzione incoerente con il resto della strategia aziendale.
L’impianto di raccolta dati, inteso sia come infrastruttura che come processo, può presentare diversi gradi di interazione con i processi aziendali preesistenti, spaziando da situazioni in cui l’obiettivo principale è minimizzare l’invasività creando sistemi di raccolta silenti e praticamente invisibili agli operatori, fino ad arrivare a rivoluzioni vere e proprie dell’operatività aziendale mirate a massimizzare qualità e quantità dei dati raccolti. Se nelle situazioni vicine al primo scenario descritto, la possibilità di esternalizzare l’attività è più che comprensibile (anche perché per raggiungere risultati così sfidanti è pressoché indispensabile un’expertise approfondita e consolidata), nelle situazioni diametralmente opposte è ben più consigliabile assegnare la maggior parte delle attività a risorse interne all’azienda. In questo contesto infatti è prioritario integrare quanto più possibile il processo di trasformazione con le strutture già presenti in modo tale da minimizzare l’inevitabile disruption sui servizi offerti agli utenti finali.
Il modello di intelligenza artificiale da applicare sui dati raccolti all’interno della propria azienda è solitamente frutto di una customizzazione più o meno radicale di un modello base reperito sul mercato. Questo perché non solo lo sviluppo ex-novo del modello può richiedere investimenti significativi e tempistiche non indifferenti, ma anche perché a parità di risorse investite si possono ottenere risultati incredibilmente migliori se si accetta di partire da un modello “on the edge” prefabbricato, e, con il supporto di consulenti esperti, è spesso possibile intraprendere questa strada senza dover scendere a compromessi in termini di specializzazione del modello finale. Nel caso in cui si ritenesse indispensabile ridisegnare un motore di AI partendo completamente da 0, è consigliabile investire del tempo aggiuntivo nella fase di disegno strategico per valutare con attenzione tutte le strade alternative.
Infine, per quanto riguarda l’integrazione del modello (e soprattutto l’utilizzo del suo output) all’interno dell’azienda, l’approccio più diffuso prevede di formare un team congiunto di risorse interne e consulenti esterni. Anche quando gli step precedenti siano principalmente “buy” o principalmente “make” infatti, in questa fase sia il contributo di un team interno che di uno esterno sono abbastanza fondamentali, il primo per garantire massima manutenibilità nei periodi successivi al rilascio e per garantire di massimizzare il valore estratto dal progetto, il secondo per fornire le conoscenze necessarie a evitare passi falsi a ridosso del traguardo che possano compromettere il duro lavoro svolto sino a quel momento.
In sintesi, per quanto ogni fase del processo presenti peculiarità diverse e per quanto ogni azienda disponga di talenti specifici, la raccomandazione è di avvalersi di esperti di settore quanto meno a supporto della governance di progetto per far sì che in ogni fase le decisioni siano con la massima competenza e attenzione possibile. Un domani forse, anche queste decisioni potranno essere delegate all’Intelligenza Artificiale, ma per il momento meglio affidarsi agli esperti!
![Alessandro Maserati](https://www.ai4business.it/wp-content/uploads/sites/11/2018/06/Alessandro-Masearti-150x150.jpg)
* Alessandro Maserati è un matematico, AI designer con un passato nella consulenza strategica, spinto dalla passione per tecnologia, innovazione e problemi complessi; indaga e incoraggia ogni cambiamento per un futuro migliore. Dal 2017 guida il team di #AI di Logol