Con il livello raggiunto dall’entusiasmo per l’intelligenza artificiale generativa (AI generativa), le aziende rischiano di trascurare un elemento cruciale: l’importanza di sviluppare un approccio olistico e basato sui dati per realizzare iniziative strategiche che migliorino realmente le performance di business. Diventare un’organizzazione ad alte prestazioni basata su dati e AI richiede non solo l’adozione di nuove tecnologie, ma anche un cambiamento culturale che ponga i dati al centro di ogni decisione aziendale.
La tendenza riscontrata in più occasioni, e riferita anche ad altri cambiamenti tecnologici avvenuti in passato, è che le decisioni circa il percorso di innovazione tecnologica siano sempre più spesso eterodirette. Ovvero, l’adozione di nuove tecnologie (robotica, automazione, ma anche cloud e AI, come in questo caso) può essere spinta dall’emulazione della concorrenza, alimentata dal desiderio, comprensibile, di “non rimanere indietro”, e vede nella tecnologia adottata lo strumento unico e sufficiente per ridurre il gap. In realtà la nostra esperienza ci dice che una tecnologia senza strategia, ma potremmo anche dire senza una reale finalità di utilizzo, non è efficace e nemmeno sufficiente a mantenere viva e competitiva l’azienda che l’adotta.
Vi sono luoghi in cui questa riflessione e questo approccio si stanno facendo concreti. Luoghi di studio, pensiero e condivisione di esperienze come ISVI, Istituto per i Valori di Impresa, che possono condividere best practice e fungere da facilitatori del cambiamento culturale di cui le imprese hanno bisogno.
Il ruolo cruciale del cloud: abilitare
Il cloud rappresenta un elemento fondamentale in questo contesto, permettendo alle aziende di tutte le dimensioni di sfruttare infrastrutture tecnologiche avanzate. Non deve essere visto semplicemente come una sostituzione dell’infrastruttura fisica, ma come un abilitatore di progetti innovativi, tra i quali quelli data-driven, che consente di realizzare progetti che prima non era possibile implementare.
Facciamo un esempio: grazie ai servizi cloud, le aziende manifatturiere possono sviluppare soluzioni IoT per raccogliere e analizzare dati generati dai macchinari. Sempre attraverso i servizi cloud, le stesse aziende possono utilizzare i dati raccolti per implementare algoritmi di manutenzione predittiva che ottimizzano le operazioni e riducono i costi.
Il cloud permette alle aziende di addestrare efficientemente modelli di AI e gestire l’intero processo end-to-end, dal data sourcing all’estrazione del valore. Consente di stoccare grandi quantità di dati in modo centralizzato, mantenendo bassi i costi e migliorando le performance. Questo è fondamentale per addestrare l’AI in modo efficace: più dati storici si hanno, migliore sarà l’addestramento dell’intelligenza artificiale (lo vedremo più avanti con un caso studio concreto, che proprio su uno storage a “doppia temperatura” ha basato il successo di questo approccio).
Il cloud non è solo per le grandi aziende; le piccole e medie imprese (PMI) possono trarne enormi vantaggi dall’adozione. Il cloud offre a queste imprese la flessibilità di scalare le loro operazioni in base alle necessità, pagando solo per i servizi utilizzati. Ancor più, permette alle aziende di tutte le dimensioni di abbassare l’investimento necessario per sperimentare e sviluppare nuove soluzioni, riducendo il tempo necessario per passare dalla ricerca e sviluppo alla produzione.
![AI Cloud](https://img.ai4business.it/wp-content/uploads/2023/03/16033720/Cloud-computing-1620x1080.jpg)
Un approccio end-to-end per la gestione dei dati
Quale dunque dovrebbe essere l’approccio corretto e guidato da una cultura data-driven che sia funzionale a valutazioni strategiche di lungo periodo?
È necessario adottare un approccio omnicomprensivo ai progetti data-driven, ponendo la giusta attenzione alle sfide e alle criticità di ciascuna delle tre fasi fondamentali:
- Acquisizione del dato (data sourcing): che si tratti di dati provenienti da reti di sensori come device wearable, applicazioni web o integrando sorgenti e database di terze parti, è fondamentale utilizzare strumenti specifici per garantire che i dati acquisiti siano di alta qualità e pertinenti. “Garbage in, garbage out” è un principio fondamentale: se i dati in entrata sono di scarsa qualità, tutti gli sforzi successivi saranno vanificati, portando a decisioni sbagliate. È quindi essenziale utilizzare strumenti ad hoc per assicurare che i dati acquisiti siano accurati e rilevanti.
- Gestione del dato (data management): è essenziale che i dati siano conservati in modo appropriato e sicuro. Un sistema di data management efficace deve garantire che le giuste persone possano accedere in maniera puntuale al giusto dato nella maniera più corretta, utilizzando meccanismi di controllo degli accessi e di cifratura avanzati per proteggere le informazioni sensibili. Inoltre, è importante evitare la duplicazione dei dati, che può portare a incoerenze e aumentare i costi di storage.
- Estrazione di valore dal dato (data value extraction): in questa fase, sulla quale si concentrano tutte le attenzioni di chi ha l’obiettivo di sfruttare i dati per prendere decisioni informate e strategiche, spesso viene sottovalutata la complessità che comporta il gestire l’elevata potenza di calcolo, con conseguenti impatti economici significativi.
Progetti interfunzionali e proof of concept
Per trarre il massimo vantaggio dai dati, le aziende devono sviluppare proof-of-concept agili che coinvolgano vari dipartimenti, dal marketing alle vendite, dal supporto clienti al settore finanziario. Questo approccio interfunzionale aiuta a identificare e affrontare sfide aziendali reali, estraendo valore dai dati per risolvere problemi concreti.
Un esempio concreto
Un esempio concreto di successo è quello di un cliente industriale di beSharp che ha iniziato con una piccola proof-of-concept per la raccolta e l’analisi dei dati provenienti da macchinari industriali. Questo progetto è poi cresciuto fino a diventare un’iniziativa IoT su scala globale, dimostrando come una visione strategica possa trasformare sperimentazioni iniziali in soluzioni di grande impatto. L’esigenza iniziale era meramente esplorativa, ma l’approccio adottato è andato oltre la contingenza iniziale. Un aspetto cruciale del cloud come abilitatore dell’innovazione è, come abbiamo già detto, l’abbassare il costo della sperimentazione, aprendo la possibilità ad ulteriori sviluppi in una logica di miglioramento continuo e incrementale.
In questo caso, ad esempio, lo storage del dato è stato suddiviso in due differenti building blocks: una parte “calda” (di memoria a breve termine, potremmo dire) in cui venivano raccolti i dati degli ultimi 30 giorni, e una parte “fredda” per archiviare tutto lo storico dei dati generati, in grado di garantire un’elevata durabilità del dato con costi di esercizio estremamente bassi. Ed è proprio sulla base dello storico dei dati conservati in questo storage “freddo” che è stato possibile implementare tempestivamente algoritmi di manutenzione predittiva.
Chiediamoci ora cosa sarebbe successo se l’azienda si fosse limitata a implementare questo progetto senza aver valutato nella loro interezza le implicazioni strategiche del paradigma cloud, ma semplicemente per emulazione della concorrenza, senza conservare i dati storici dei quali non si capiva immediatamente l’utilità, in una logica miope di sola minimizzazione dei costi. Nel momento stesso in cui si fosse voluto implementare algoritmi di manutenzione predittiva, l’azienda semplicemente non avrebbe avuto uno storico di dati sufficiente per addestrarli, come è invece stato possibile grazie alla strategia della doppia temperatura e della gestione del dato in due archivi distinti. Costruire una base di dati solida per un’efficace manutenzione predittiva può richiedere anche fino a tre anni. L’azienda avrebbe quindi subito un ritardo notevole (con conseguenti ricadute economiche) se alla base della scelta di adottare il cloud non ci fosse stato un ragionamento strategico ampio e preventivo, limitandosi a conservare solo i dati degli ultimi 30 giorni.
Secondo esempio: AI generativa per semplificare l’esperienza utente
Un altro esempio notevole è quello di una azienda innovativa operante nel settore della distribuzione di kit ricette e piatti pronti, che ha implementato un sistema di AI generativa che semplifica l’esperienza utente dell’ordinazione online. Interpretando quanto scritto in linguaggio naturale dal cliente, il sistema è in grado di creare una pianificazione personalizzata dei pasti che rispetti i gusti e le preferenze alimentari indicate, migliorando la propria precisione di interazione in interazione. È stato così possibile ridurre il tempo impiegato dagli utenti per ordinare, e di suggerire dei menù precompilati a chi rischia di non completare l’ordine in tempo utile per trovarsi nella finestra di consegna. Questo progetto ha non solo migliorato le performance aziendali aumentando il numero di ordini totali e permettendo ai clienti di ampliare la varietà degli elementi usualmente acquistati, dimostrando il valore strategico dell’AI generativa quando viene integrata correttamente nei processi aziendali.
L’AI generativa si scontra con la mancanza di competenze interne
Sebbene l’AI generativa rappresenti un’area di grande interesse, tanto da far sembrare quasi “fuori moda” tanti discorsi sull’analisi dei dati e sull’intelligenza artificiale in generale, è importante considerarla come parte di un ecosistema più ampio. Inoltre, le sperimentazioni con l’AI generativa dovrebbero essere sempre viste come opportunità per apprendere e preparare l’azienda a sfruttare queste tecnologie come un vero vantaggio competitivo, una volta identificati chiari casi d’uso aziendali.
Nonostante l’enorme potenziale dell’AI e dei Large Language Model in generale, le aziende devono affrontare diverse sfide nella loro implementazione. Una delle principali difficoltà è la mancanza di competenze interne. Per superare questo ostacolo, sempre più aziende si affidano a partner esterni che forniscono training on-the-job e supporto durante tutto il processo di implementazione e che possono affiancarle nella coprogettazione di una strategia chiara che delinei gli obiettivi specifici dell’analisi dei dati, dell’intelligenza artificiale in generale e dell’AI generativa in particolare, e come questi si integrano con la visione complessiva dell’azienda.
Implementare un approccio data-driven per arrivare a sfruttare appieno il potenziale dell’AI generativa richiede un cambiamento significativo nella cultura aziendale e una strategia ben definita. Il cloud rappresenta un elemento abilitante fondamentale, offrendo le risorse necessarie per gestire grandi quantità di dati e addestrare algoritmi complessi. Le aziende che riescono a combinare queste tecnologie con una visione strategica chiara saranno quelle che potranno sfruttare al massimo le opportunità offerte dalla rivoluzione digitale portata dall’AI generativa.