Un recente rapporto del MIT – commissionato e redatto in collaborazione con JPMorgan – traccia gli aspetti fondamentali da considerare per abilitare l’implementazione dell’intelligenza artificiale e machine learning nelle aziende.
MIT Technology Review Insight – “Successfully deploying machine learning”
Intelligenza artificiale e machine learning stanno sempre più pervadendo le organizzazioni moderne – i.e. dai chatbot ai trattori, dai mercati finanziari alla ricerca medica, ecc. – che, tuttavia, stanno ancora incontrando difficoltà nel passare dai singoli casi d’uso all’adozione, a livello di organizzazione, a causa di: dati inadeguati o inappropriati, carenza di talenti, proposte di valore poco chiare e preoccupazioni in termini di rischio e di responsabilità.
Il recente report “Successfully deploying machine learning” – pubblicato da MIT Technology Insight in collaborazione con la banca JP Morgan – fornisce uno scenario sullo stato di integrazione di AI e machine learning all’interno delle organizzazioni. Vediamolo in dettaglio.
AI e ML nelle organizzazioni: a che punto siamo
Il 93% delle organizzazioni coinvolte nel sondaggio – secondo quanto si evince dal report – ha diversi progetti di AI e ML sperimentali o già in uso. La maggioranza (82%) afferma che gli investimenti in ML aumenteranno nei prossimi 18 mesi ed essi sono correlati agli obiettivi di fatturato. Tuttavia, permangono sfide da gestire quali: la scalabilità, l’assunzione di lavoratori qualificati, la ricerca di casi d’uso appropriati e la dimostrazione di valore.
Di fatto, il grado di influenza dell’AI sul business dipenderà dalla tipologia di funzionalità di questa tecnologia che saranno implementate nelle diverse aree di business.
Secondo il vice presidente della piattaforma AI di Microsoft, AI e ML – grazie alla capacità previsionale – possono essere impiegate sia in contesti ambientali e di salute pubblica (i.e. previsioni meteorologiche o ricerca sulle malattie infettive) sia in contesti quotidiani (i.e. anticipazione del comportamento dei clienti). Inoltre, grazie all’identificazione di anomalie in set di dati di grandi dimensioni che alimentano l’AI e ML, è possibile rilevare le frodi, l’insorgenza di cancro e i difetti di produzione.
Inoltre, nel settore finanziario AI e ML possono essere utilizzati per: ottimizzare portafogli investimenti; sottoscrivere prestiti; fornire assistenza clienti automatizzata; rilevare frodi, ecc.
Investimenti in AI e casi d’uso
Il futuro di AI e ML dipende da come le loro capacità possono essere adattate a diverse aree di business. Le organizzazioni, spesso, avviano progetti di AI e ML identificando casi d’uso e costruendo modelli che, dopo essere stati testati, sono utilizzati anche in altri reparti o funzioni, in modo da perfezionarli e, al contempo, assicurare il coinvolgimento dell’organizzazione. Inoltre, come si può evincere dalla immagine otto riportata, il 71% dei rispondenti utilizza ampiamente l’AI e ML o la utilizza in diversi progetti.
L’AI ha capacità simili a quelle dell’uomo
Il report MIT evidenzia come alcune capacità dell’AI risultino essere particolarmente simili a quelle di noi esseri umani e, precisamente:
- generare contenuti nuovi, coinvolgenti, realistici basati sui data riferiti a idee esistenti.
- consapevolezza e riconoscimento dell’ambiente circostante
- interpretazione e attribuzione di significato alle informazioni
- gestione di situazioni ambigue/interpretabili
- giudizio
- prendere decisioni anche in mancanza di informazioni complete.
Applicazioni AI / ML nell’assistenza sanitaria
I progressi nelle tecnologie di AI, come il federated learning e lo swarm learning, stanno aprendo la strada a nuove applicazioni di AI in settori fortemente regolamentati e rispettosi della privacy come quello dell’assistenza sanitaria. Uno dei casi di utilizzo precoce più promettenti di AI/ML nell’assistenza sanitaria è la diagnostica medica. Uno studio del 2022 – condotto dal Government Accountability Office degli Stati Uniti – ha rivelato tre approcci emergenti per le tecnologie diagnostiche di AI e ML, i.e. esse devono essere autonome, adattive e orientate al consumatore. I progressi della tecnologia AI e ML in termini di rilevazione del cancro, previsione dei rischi di Alzheimer, per esempio, aiutano i medici a identificare e a interpretare i complessi modelli di dati diagnostici in modo più rapido e accurato per migliorare il trattamento del paziente.
Le tecnologie AI e ML stanno anche trasformando la ricerca medica, contribuendo, ad esempio, ad abbreviare le tempistiche di sviluppo dei farmaci da anni a settimane o giorni. Altri progressi includono:
- DeepMind e Meta di Alphabet hanno recentemente implementato modelli di previsione del ripiegamento proteico basati sull’AI, i.e. un traguardo mai raggiunto negli ultimi decenni dagli scienziati, creando ricadute profondamente positive in termini di attività di sviluppo di farmaci e delle scienze della vita.
- Applicazioni di AI generative come OpenAI’s text-to-image e DALL-E2 sono utilizzati dai ricercatori per la formulazione di proteine.
AI e ML: sfide
Il 28% dei dirigenti intervistati considera la scalabilità come la principale sfida di implementazione di AI e ML, in linea con quanto si evince da altri sondaggi. Ovvero: McKinsey ha rilevato che solo il 15% degli intervistati ha scalato con successo l’automazione in più aree delle proprie organizzazioni; i dati di Gartner mostrano che poco più della metà (53%) dei progetti passa dal prototipo AI alla produzione.
Inoltre, le organizzazioni devono affrontare altre sfide quali: l’assunzione di lavoratori qualificati; la ricerca di casi d’uso; la dimostrazione del valore economico; l’infrastruttura IT obsoleta.
Implementazione di AI/ML su larga scala
Le organizzazioni che desiderano implementare la tecnologia su larga scala – sebbene siano disponibili strumenti di AI e ML standard – tendono a svilupparla internamente. Da quanto si evince dal report, le organizzazioni con dimensioni più grandi e con AI e ML mature hanno maggiori probabilità di sviluppare AI e ML internamente, creando centri di eccellenza che svolgono un ruolo di facilitatori per scalare AI e ML. Si consiglia alle organizzazioni di iniziare a costituire un team centrale, tenendo in considerazione che ogni business unit ha bisogno di esperti di intelligenza artificiale in grado di comprendere i prodotti, il cliente, le preoccupazioni e quant’altro sarà necessario per operare in modo efficace.
Inoltre, dal report si evince che JPMorgan ha criteri per valutare se un progetto di ML è utile, ovvero:
- Riuso – Quando un progetto di ML è rilasciato, esso può essere riutilizzato da altre aree in modo che casi d’uso simili possano beneficiare rapidamente dell’investimento. “
- Costi e velocità – Il tempo tra il concepimento e la realizzazione di ogni progetto di ML è quantificabile mediamente in 120 giorni. Ciò garantisce che questi strumenti siano utili in tutte le funzioni, dal wholesale banking al retail. Ci sono alcuni modelli che JPMorgan costruisce per una tipologia di attività nei mercati del credito, ma personalizzandoli, essi possono essere utilizzati per la gestione delle azioni, tassi o altre attività.
Il report evidenzia, altresì, che molte aziende spesso non hanno la capacità di costruire AI e ML internamente e, di conseguenza, collaborano regolarmente con i fornitori per soddisfare le loro esigenze di AI e ML.
Microsoft, ad esempio, fornisce il motore per la famiglia di modelli ChatGPT e GPT di OpenAI; mentre la piattaforma Azure di Microsoft offre uno stack ML, i.e. un livello base di strumenti di sviluppo per il ciclo di vita ML, una suite di servizi cognitivi e AI applicata che analizza il comportamento dei clienti, oltre ad offrire test e controllo dei modelli per garantire uno sviluppo responsabile.
Inoltre, è fondamentale evidenziare che AI e ML:
- influiscono sui flussi di lavoro, nonché sui ruoli e le responsabilità del personale
- rimuovono compiti noiosi, ripetitivi e pericolosi, liberando le persone per dedicarsi a un lavoro a maggior valore aggiunto e gratificante.
Il problema del reperimento dei talenti
L’implementazione di AI e machine learning richiede la disponibilità di talenti e competenze oltre che di talenti ibridi e “traduttori” per guidare la progettazione, la fase di test e la governance di AI e ML e di una strategia della forza lavoro in modo da garantire il coinvolgimento attivo di tutti gli utenti nello sviluppo tecnologico.
Il report evidenzia, altresì, che le aziende competitive dovrebbero offrire chiare opportunità, pianificazioni di carriere per i lavoratori, senza trascurare il miglioramento delle competenze e il commitment necessario per supportare le innovazioni AI e ML.
Un recente studio di Deloitte rivela che un’azienda su quattro con esperienza nell’AI ha un divario di competenze moderato, con un ulteriore 23% lo definisce importante o significativo. Inoltre, il report del MIT Technology Review mostra che assumere lavoratori qualificati è la sfida più grande per gli intervistati in tutte le aziende, tranne le più grandi. Il problema del reperimento dei talenti ha tre dimensioni, ovvero:
- trovare individui con competenze di base AI e ML
- coltivare competenze miste che combinano la scienza dei dati con la conoscenza del dominio
- produrre una forza lavoro alfabetizzata ai dati più ampia.
Inoltre, è ribadito il fatto che talenti ibridi e traduttori sono altrettanto necessari. In particolare, i “traduttori” dell’AI sono persone in grado di colmare il divario tra team aziendali e tecnici, essendo in grado di tradurre le esigenze aziendali in requisiti e interpretare i risultati dell’AI, guidare la gestione del cambiamento e l’integrazione dell’AI, oltre a fornire competenze nella progettazione dell’esperienza utente.
È doveroso evidenziare che, purtroppo, la maggior parte delle organizzazioni non sta adottando misure concrete in termini di formazione che deve essere continuamente aggiornata a causa del tasso di abbandono della forza lavoro.
AI e machine learning, è necessario un cambiamento culturale
La cultura è il più grande ostacolo al progresso dell’AI e ML. Le organizzazioni – secondo quanto rivela il report di MIT – devono adottare una cultura in grado di “abbracciare” una mentalità basata sui dati e sulla sperimentazione, propedeutica a garantire una cultura dell’AI simmetrica, armonica ed equilibrata che favorisce la collaborazione inter-organizzativa e l’ottimismo della forza lavoro.
È quanto mai fondamentale coinvolgere tutta la forza lavoro nello sviluppo tecnologico. Ovvero, quando si implementano AI e ML, non si tratta solo di ottenere fiducia tecnica nel sistema da parte del personale tecnico, ma anche degli utenti.
EGS e AI e ML
L’implementazione di AI e ML implica anche considerare questioni ambientali, sociali e di governance – i.e. principi ESG – che presuppongono un AI responsabile in termini di principi, politiche, strumenti e processi. Ovvero, si stratta di garantire che i sistemi di AI siano sviluppati e gestiti al servizio del bene degli individui e della società.
Pertanto, le organizzazioni dovranno stabilire una strategia di AI responsabile basata sulla provenienza completa dei dati, sulla valutazione del rischio, sui controlli oltre che implementare sistemi di segnalazione automatica di guasti o rischi del modello AI e ML, nonché riforme sociali, culturali e di altro tipo.
Conclusioni
AI e machine learning sono sempre più impiegati con successo nel mondo degli affari anche se risulta ancora difficile scalare tutta l’organizzazione dato che, ottenere e raccogliere i dati giusti, identificare chiare proposte di valore e reperire talenti e competenze, costituiscono sfide ricorrenti. Tuttavia, le organizzazioni possono superare tutte le sfide sia mettendo in atto le giuste strutture organizzative, le adeguate strategie per acquisire talenti intelligenti, sia sfruttando il crescente numero di strumenti tecnologici che possono guidare l’AI responsabile ed estendere i progetti AI e ML a livello di tutta l’organizzazione.
