Introdurre l’AI in un’azienda (azienda AI-driven) richiede anche di evolvere le strutture organizzative per adattarle alle nuove sfide e alle specificità dei processi basati sui dati. Da un lato, è necessaria una specializzazione sempre maggiore delle figure professionali coinvolte, sia dal punto di vista dei diversi domini applicativi presenti in azienda che dal punto di vista delle varie fasi del ciclo di vita di un progetto di AI. Dall’altro, è necessaria la collaborazione trasversale tra diverse aree di business, che a seconda dei progetti assumono il ruolo di fornitori di dati, oppure che sono possesso del know-how per interpretare i risultati o ancora che sono in grado di trarre valore dalle soluzioni AI sviluppate.
I progetti AI richiedono collaborazione trasversale
Per fare un esempio, prendiamo il caso in cui si volesse sviluppare un sistema basato su AI in grado di individuare prodotti difettosi lungo una linea di produzione (problema noto come anomaly detection). In un progetto di questo tipo, è necessaria la stretta collaborazione dei reparti di produzione, in quanto responsabili del processo che genera i dati da analizzare (la linea di produzione), e del reparto IT, in quanto responsabile del flusso e dello storage dei dati. Inoltre, è di grande utilità anche la collaborazione del reparto di progettazione, che possiede l’esperienza necessaria ad interpretare i dati e a valutare l’accuratezza delle previsioni fatte dagli algoritmi.
Infine, bisogna tenere conto delle necessità del reparto di controllo qualità in quanto utente finale dell’applicazione e in grado di trarre valore dall’informazione estratta dal sistema, in questo caso sotto forma di riduzione dei costi di ispezione o di riduzione del numero di reclami dei clienti. Tutto questo in aggiunta, ovviamente, alla collaborazione con il core team di AI, responsabile della modellizzazione del problema e dello sviluppo della soluzione, nonché di gestire in maniera coerente il flusso di informazioni tra tutte le diverse aree di business coinvolte e di far sì che il sistema sia in grado di evolvere per rispondere ai cambiamenti che possono interessare ciascuna di esse (per esempio, la sostituzione di alcuni macchinari lungo la linea di produzione, oppure la commercializzazione di una nuova versione del prodotto).
Il modello organizzativo ibrido
In questo contesto, ai modelli organizzativi classici – come ad esempio il modello centralizzato, che prevede un unico grosso dipartimento di data analisi responsabile di tutti i progetti, o quello completamente decentralizzato, composto da team dislocati all’interno di ciascuna business unit – si vanno ad affiancare modelli più evoluti ed efficaci nel lavorare in maniera trasversale a progetti di AI.
Un esempio ne è il modello ibrido, che prevede l’accentramento di competenze ed expertise in un’unica struttura centrale, responsabile di supportare in maniera verticale tutti gli sforzi volti a potenziare la presenza dell’AI in azienda, a cui vengono però affiancati dei team più piccoli dedicati alle varie aree di business. Tali team operano all’interno della business unit di riferimento ma in coordinamento con la struttura centrale (con una linea di riporto indiretta), così da permettere al tempo stesso di costruire know-how ed esperienza sia sulle tecniche e sulle tecnologie proprie dell’AI che sugli use case specifici dei vari dipartimenti aziendali.
Fonte: Osservatorio Big Data Analytics del Politecnico di Milano
Strutturare un’azienda AI-driven: competenze fondamentali
Nell’ottica di realizzare questi modelli organizzativi evoluti, è necessario introdurre in azienda alcune competenze fondamentali – sia di natura manageriale che di natura tecnica – che possano fare da terreno comune per abilitare le collaborazioni tra diverse aree di business, nonché da interfaccia per una comunicazione efficace. Queste competenze sono proprie di figure professionali diverse, a volte anche molto distanti tra loro; è però di estremo valore che le basi minime siano conoscenza condivisa e radicata a fondo nella cultura aziendale, perché contribuiscono a mantenere l’intera azienda allineata su temi e obiettivi strategici comuni.
Non sempre è semplice introdurre in azienda sensibilità e conoscenze di base su tutti questi temi, e diffonderle al punto tale da renderle il contesto condiviso su cui instaurare ogni conversazione. Tramite processi di formazione continua, e mediante il costante confronto tra persone appartenenti a team diversi e con funzioni aziendali diverse, si può però ambire a costruire quelle che potranno diventare delle basi molto solide per un’azienda che punti davvero a diventare AI-driven.
Competenze manageriali
Tra le competenze di natura manageriale più rilevanti per la governance di progetti di AI troviamo le seguenti:
- Agile Project Management, che deve diventare il fondamento di come l’azienda affronta i progetti AI e lo standard per l’interazione tra tutte le persone coinvolte;
- Performance Measurement e KPI, perché l’abitudine e l’attitudine a misurare tutto quantitativamente sono elementi di partenza ottimi per ogni progetto di AI, dato che permettono di valutarne il valore e l’impatto;
- Data management e Risk management, dal momento in cui la pervasività dell’utilizzo dei dati in azienda moltiplica esponenzialmente i rischi legati a una loro cattiva gestione, e obbliga a tenere in considerazione il loro ciclo di vita durante tutte le fasi progettuali;
- Compliance e privacy, imprescindibili al giorno d’oggi, sia che si usino dati personali sia che si usino dati sensibili aziendali;
- AI ethics, tema sempre più al centro del dibattito pubblico, e molto complesso da integrare in un progetto se non lo si è preso in considerazione fin dalle fasi iniziali (ben prima di affrontare le parti più tecniche del progetto).
Competenze tecniche
Le competenze di natura tecnica invece, i cui princìpi base devono essere conoscenza comune, includono le seguenti:
- Data engineering, che include tutte le tecnologie e le pratiche per una gestione del dato efficace ed efficiente, dalla raccolta fino allo storage, includendo tutte le trasformazioni intermedie;
- Data e Model lineage, intesi come la capacità di tracciare, in ogni istante, la provenienza di tutti i dati che si utilizzano, così come di tutti i modelli che sono stati sviluppati, per poter garantire la riproducibilità degli esperimenti fatti, nonché per semplificare i processi di governance e migliorare l’auditability dei sistemi AI;
- Code Collaboration Workflows, che sono alla base non solo di una cooperazione efficace tra figure professionali diverse ma anche della disseminazione della conoscenza all’interno dell’azienda, contrastando la nascita di silos tecnici di difficile gestione; temi collegati sono anche quelli dell’inner sourcing (utilizzo di processi ispirati al mondo dell’open source) e della collective code ownership, che permettono di aumentare la quantità di innovazione interna generata preservando però anche la qualità delle soluzioni sviluppate;
- DevOps, DataOps e MLOps, e in particolare la filosofia che vi sta alla base, fondata sulla riduzione degli attriti nella collaborazione tra team e figure professionali con specializzazioni diverse e sul concetto che la chiave per conciliare scalabilità del business e qualità dei risultati ottenuti stia nella sistematizzazione e nell’automazione dei processi.
Orizzonti futuri e impatto sui modelli organizzativi
Nel valutare la portata dei cambiamenti che l’AI può comportare sull’organizzazione aziendale, vanno tenuti in considerazione anche i trend futuri, che in un campo in rapida crescita e evoluzione come quello dell’AI possono acquisire rilevanza in tempi molto brevi. Focalizziamo l’attenzione in particolare su due tematiche, che più di altre potranno avere un impatto anche sulle strutture organizzative di un’azienda AI-driven: AutoML e Data-centric AI.
AutoML: AI applicata allo sviluppo di sistemi di Machine Learning
Con Automated Machine Learning (AutoML in breve) si intende l’insieme di processi e tecnologie atte ad automatizzare varie fasi dello sviluppo di un modello di machine learning. Da un certo punto di vista, lo si può pensare come l’utilizzo di tecniche e algoritmi di AI per affrontare il problema di applicare il machine learning a problemi reali. I benefici maggiori dell’AutoML sono la maggior velocità nello sviluppo di soluzioni, che permette di avere ritorni più rapidi degli investimenti fatti e di essere più reattivi ai cambiamenti del mercato, e la maggiore semplicità di utilizzo, che permette anche a persone senza expertise di machine learning di creare dei modelli predittivi. Dall’altro lato, automatizzare troppo il processo rischia però di ridurre la possibilità di customizzare le soluzioni e di rendere i sistemi AI meno trasparenti e meno interpretabili.
AutoML: cambiamenti organizzativi
Dal punto di vista organizzativo, introdurre tecnologie e approcci di AutoML in azienda riduce la necessità di avere specialisti nella progettazione e nello sviluppo di modelli di machine learning, spostando l’attenzione sui processi di business che possono trarre valore dall’utilizzo di modelli predittivi. Di conseguenza, l’azienda avrà bisogno di meno data scientist e di più business analyst, e il focus dei team core di AI si sposterà maggiormente sulla selezione e sull’operazionalizzazione di tools di AutoML rispetto all’implementazione di algoritmi e al training di modelli.
Data-centric AI: spostare il focus sui dati
Un altro trend molto interessante è quello di Data-centric AI, che è un movimento, originatosi a partire dalla comunità accademica, che si pone come obiettivo quello di spostare l’attenzione all’interno del mondo dell’AI dallo sviluppo di algoritmi e modelli più performanti verso il miglioramento continuo e iterativo delle fonti di dati su cui tali modelli sono allenati. L’idea al centro di questa tendenza è che la qualità di un sistema di AI dipenda tanto dalla scelta delle tecniche algoritmiche migliori e dal loro affinamento, quanto dalla qualità e dalla consistenza dei dati che gli vengono forniti.
Se il paradigma sottendente la stragrande maggior parte dei progressi degli ultimi decenni nel campo del machine learning è stato quello di fissare i dati e migliorare iterativamente i modelli, il movimento di data-centric AI si propone di sovvertirlo: fissato un modello, migliorare iterativamente la qualità dei dati fino a che non si raggiungono le performance desiderate. Con un assunto di fondo: se il dataset è sufficientemente ben fatto, diversi modelli avranno buone performance, e non è quindi necessario trovare quello perfetto per il task che si vuole svolgere, ma ne basterà uno sufficientemente adatto.
Data-centric AI: cambiamenti organizzativi
Visto attraverso la lente dell’organizzazione aziendale, il movimento di data-centric AI avrà un duplice effetto: da un lato, incentiverà la democratizzazione delle competenze di AI, in quanto non sarà più necessario avere persone con competenze molto avanzate e in grado di affinare i modelli usati e i loro parametri, ma sarà più utile avere un numero maggiore di persone con le conoscenze base sufficienti a gestire le principali famiglie di modelli, e che possano poi dedicarsi al miglioramento iterativo dei dati (che può essere un processo lungo ma che si presta bene ad essere parallelizzato, e spesso richiede più competenze di dominio che competenze tecniche).
Dall’altro lato, richiederà l’introduzione di tools specificatamente progettati per rendere sistematica l’attenzione alla qualità dei dati e, di conseguenza, di persone in grado di svilupparli, manutenerli e di promuoverne la diffusione e l’utilizzo in azienda.
Conclusioni
Sviluppare sistemi che utilizzino l’intelligenza artificiale è un lavoro di natura primariamente knowledge-intensive, e in quanto tale è fortemente impattato dalla qualità delle persone che ci lavorano, dalle loro competenze e dalle strutture organizzative entro le quali si trovano ad operare. Integrare l’AI nei prodotti e nei servizi di un’azienda è anche un lavoro intrinsecamente multidisciplinare, motivo per cui modelli che incentivano la collaborazione tra persone e team diversi possono avere un effetto significativo sulla riuscita di un progetto.
Per questi motivi, la transizione per diventare un’azienda AI-driven non può che passare anche per un’evoluzione dei modelli organizzativi, delle metodologie progettuali e delle conoscenze presenti in azienda. Solo una volta poste queste basi si potrà davvero cogliere il pieno potenziale della rivoluzione portata dall’AI.
