Quantum computing e AI, è necessario colmare il talent gap

L’AI sfrutta grandi set di dati per addestrare modelli e renderli sempre più utili. Tuttavia, poiché questi set di dati stanno diventando limitati, i ricercatori stanno esplorando altre modalità per migliorare gli algoritmi di AI. Uno di questi è il quantum computing (i.e.: calcolo quantistico).

Quantum computing e AI: binomio vincente

I computer quantistici sono dei supercomputer basati sulla meccanica quantistica in grado di analizzare una più ampia quantità di dati ed elaborare le informazioni in modo diverso rispetto ai computer classici.

L’AI sta sempre più sfruttando i computer quantistici a tal punto che si parla oramai di AI quantistica e si ritiene che l’integrazione tra le due tecnologie costituirà la rivoluzione tecnologica del secolo, permettendo di raggiungere traguardi tecnologici impensabili, sino a qualche anno fa, e potenziare gli sforzi di innovazione in numerosi campi.

I sistemi di AI dei computer quantistici avrebbero un vantaggio naturale rispetto all’informatica classica grazie alla loro capacità unica di applicare ai calcoli i principi della meccanica quantistica. In primo luogo, questi principi includono la sovrapposizione e l’entanglement e, precisamente:

• sovrapposizione, i.e. la capacità dei bit quantistici, o qubit, di trovarsi apparentemente in più posizioni contemporaneamente, invece che solo nelle posizioni binarie 1 o 0 di un bit standard. Ovvero, i qubit possono creare spazi computazionali complessi e multidimensionali in cui possono essere rappresentati dei problemi complessi secondo modalità diverse.
• entanglement – i.e. il potenziale di correlazioni tra qubit, ovvero, la capacità di mettere in relazione il comportamento di due cose distinte, ovvero: quando due qubit sono in uno stato di entanglement, i cambiamenti di un qubit hanno un impatto diretto sull’altro, permettendo agli algoritmi quantistici di sfruttare queste relazioni per trovare soluzioni a problemi complessi.

Pertanto, il quantum computing è destinato a velocizzare considerevolmente e rendere più accurato il processo di machine learning in modo tale che l’AI possa utilizzare una quantità di dati inimmaginabili.

Inoltre, il quantum computing – essendo in grado di elaborare grandi quantità di dati in sequenza 1 e 0 oltre alla loro combinazione – consentirà ai computer quantistici di giungere a conclusioni più accurate rispetto ai computer tradizionali. In altre parole, grazie a set di dati più grandi a disposizione per addestrare i modelli di AI si riuscirà a:

• identificare quali attività sono più adatte per un computer quantistico e, così facendo, ottimizzare tali attività per ottenere risultati migliori.
• identificare nuove modalità per risolvere i problemi più velocemente.
• definire il tempo di esecuzione dei programmi, aiutando gli sviluppatori a fare un uso efficace delle capacità di quantum computing.

Pertanto, si può ritenere che l’integrazione del quantum con l’AI produrrà una tecnologia molto più potente che consentirà alle macchine:

• migliore apprendimento oltre che di acquisire la capacità di auto-evolversi.
• risoluzione migliore di problemi complessi in meno tempo e consumare meno energia.
• migliore sviluppo di algoritmi di machine learning che contribuiranno a rendere maggiormente efficienti numerosi settori.

Di fatto, La convergenza del computer quantistico con l’AI renderà la tecnologia più sostenibile e più rispettosa dell’ambiente in vari settori.

McKinsey: AAA – talenti di Quantum computing cercasi

Secondo un articolo di McKinsey – pubblicato lo scorso dicembre 2022 – dal titolo “Five lessons from AI on closing quantum’s talent gap—before it’s too late“ , per affrontare le sfide del quantum computing, le organizzazioni dovranno – proprio come hanno fatto per l’AI – essere in grado di:

• disporre di personale specializzato.
• migliorare le competenze dei lavoratori
• creare percorsi formativi per nuovi talenti
• far tesoro delle lezioni apprese, che possono essere applicate anche per il quantum computing.

Al momento attuale, come si evince dall’articolo di McKinsey, la mancanza di talenti minaccia di bloccare i progressi nei casi d’uso della tecnologia quantistica, mettendo a repentaglio la creazione di una enorme quantità di valore aziendale.

I potenziali casi d’uso in alcuni settori che potrebbero trarre i maggiori benefici a breve termine dalla tecnologia quantistica sono i prodotti farmaceutici, chimici, automobilistici e finanziari.

È doveroso sottolineare che il valore in gioco riferito a questi settori, prudenzialmente, si aggira intorno ai 300 miliardi-700 miliardi di dollari.

L’articolo di McKinsey rivela, altresì, che a fronte di tre posizioni aperte nel settore quantistico, risulta disponibile un solo candidato specializzato in quantum computing. Tuttavia, si prevede che, entro il 2025, a meno che non si attuino interventi significativi, meno del 50% delle richieste di posizioni con specializzazione in informatica quantistica sarà soddisfatto.

Le start-up quantistiche e le maggiori società tecnologiche nel mercato dell’hardware – dove, attualmente, si concentra più della metà degli investimenti quantistici – si sono trovate ad affrontare per prime la mancanza di talenti, nel tentativo di risolvere questioni fondamentali sul campo e fornire sistemi quantistici tolleranti ai guasti, necessari per sbloccare il pieno potenziale della tecnologia. Inoltre, si ritiene che, con il progredire della tecnologia quantistica, anche le società di software e le organizzazioni che utilizzeranno il quantum computing sono destinate a confrontarsi con questa problematica.

Ne consegue che, si assisterà a uno sviluppo di corsi di laurea nel settore per garantire una solida pipeline di talenti dato che, attualmente, non sono ancora ampiamente disponibili corsi di laurea quantistici e, a livello globale, solo 29 dei 176 programmi di ricerca quantistica (soprattutto concentrati in USA) sono in grado di fornire diplomi di livello universitario.

Le 5 lezioni di McKinsey per l’AI quantistica

Ancora, secondo McKinsey, le organizzazioni possono fare tesoro di cinque lezioni scaturite dal processo di ricerca di talenti di AI quantistica e, precisamente:

Lezione 1 – Definire le esigenze in termini di talento

Le organizzazioni – anche se le esigenze in termini di talenti quantistici, al momento, sono ancora in fase di evoluzione – si troveranno a ricercare esperti di strategia e di business quantistico in termini di:

• ingegneria del software quantistico – Le organizzazioni necessiteranno sempre più di ingegneri di software quantistico in grado di creare nuovi algoritmi quantistici, nonché figure che possano migliorare gli algoritmi quantistici esistenti o condurre ricerche esplorative su potenziali applicazioni quantistiche. Alcune posizioni, come quelle di responsabili dello sviluppo di algoritmi quantistici ex-novo, richiederanno la creazione di dottorati di ricerca; mentre altre posizioni richiederanno il miglioramento delle competenze tramite una formazione quantistica generale di base. Ne consegue che le figure di architetti di sistemi, sviluppatori di algoritmi di intelligenza artificiale e di apprendimento automatico e altri con competenze di codifica e AI tradizionali possono essere aggiornati in appena sei mesi ed essere in grado di codificare e migliorare gli algoritmi quantistici e comprendere come il quantum computing potrebbe fornire loro un vantaggio.
• Ingegneria dell’hardware quantistico – Le aziende avranno bisogno di esperti in grado di supervisionare i sistemi basati su processi fisici completamente diversi da quelli dei computer convenzionali. Inoltre, man mano che le aziende stringono partnership con fornitori quantistici, per eseguire le loro applicazioni su computer quantistici, avranno bisogno di esperti di hardware quantistico – in grado di configurare e gestire questi sistemi e che risultino in possesso di un dottorato di ricerca – fino a quando non saranno disponibili sistemi quantistici in formato plug and play. Ancora, si ritiene che solo a lungo termine si potranno ricoprire ruoli di esperti di hardware con una conoscenza di base dei concetti quantistici – come qubit, algoritmi e crittografia- e che hanno completato corsi o formazione di perfezionamento in argomenti specifici come l‘assemblaggio e il collaudo di computer quantistici.

Lezione 2 – Investire in quantum analytics translator

Nell’ambito dell’AI è risultato di fondamentale importanza il ruolo dell’analytics translator, quale punto di congiunzione tra il business e le figure di data science, in grado sia di comprendere i requisiti di business e di riformularli in termini analitici sia di interpretare i risultati delle analisi svolte.

Nel campo del quantum sarà necessario poter disporre di traduttori con formazione ingegneristica, sia applicativa sia scientifica, che possano supportare le organizzazioni a individuare sia gli attori del settore più idonei sia le opportunità scaturite dal nuovo ecosistema. Inoltre, sebbene l’aggiornamento del talento quantistico con conoscenza del dominio sarebbe l’ideale per questo ruolo – dato che il talento quantistico è scarso – le aziende possono anche cercare di migliorare le competenze di ruoli similari (i.e. ingegneri informatici, sviluppatori di applicazioni e ricercatori chimici) che possiedono una formazione quantistica generale, potendo disporre così di un quantum analytics translator in solo tre-sei mesi.

I quantum analytics translator possono risultare altresì fondamentali nel supportare le organizzazioni nella creazione di partnership strategiche con aziende di software e hardware quantistico in modo tale di: identificare e negoziare partnership in termini di software con organizzazioni che svolgono ricerche sulle applicazioni quantistiche nello stesso settore e includere nei casi di test i vari problemi aziendali; identificare i software quantistici più adatti per la costruzione di algoritmi in fase iniziale.

Lezione 3: Creare percorsi per una pipeline di talenti diversificata

È risaputo che i modelli di AI (e i dati che li alimentano) hanno generato numerosi casi di pregiudizi e discriminazioni non intenzionali e dovuti, almeno in parte, alla mancanza di coinvolgimento di prospettive ed esperienze diverse nella fase di costruzione dei modelli di AI e relativi test. Pertanto, le organizzazioni, nonostante sia troppo presto per sapere quali rischi emergeranno dalle tecnologie quantistiche, dovranno prepararsi ad affrontare sfide similari, garantendo una rappresentanza diversificata in campi quantistici adiacenti, tra cui l’informatica, la matematica, la statistica, la fisica, la scienza dei materiali e la chimica.

Si tratterà di intervenire sia a livello universitario sia presso istituzioni di studi superiori attraverso la predisposizione di corsi di introduzione al calcolo quantistico in modo da poter influire sulla pipeline di talenti.

È doveroso sottolineare che i leader aziendali possono influenzare questo cambiamento in modo significativo, dato che le scuole spesso considerano il coinvolgimento delle aziende come una dimostrazione dell’importanza di sviluppo del settore.

Lezione 4 – Garantire un’alfabetizzazione tecnologica per tutti

È risaputo che le organizzazioni devono possedere una conoscenza di base del funzionamento della tecnologia AI in modo da prendere decisioni consapevoli e da favorire l’innovazione; a maggior ragione, per quanto riguarda la tecnologia quantistica. Ne consegue che il top management dovrà essere in grado di comprendere questa tecnologia per gestire in modo adeguato i necessari cambi di paradigma nell’organizzazione e individuare gli investimenti più idonei. Ancora, i lavoratori della supply chain, del marketing, dell’infrastruttura IT, della finanza e di altri domini e funzioni organizzative fondamentali dovranno altresì possedere un’adeguata conoscenza quantistica di base per interagire con esperti quantistici ed essere in grado di risolvere le complesse sfide aziendali.

Lezione 5: Strategie di sviluppo dei talenti

Una delle lesson learned scaturite dall’implementazione dell’AI è che risulta necessario e fondamentale progettare percorsi strutturati per lo sviluppo dei talenti in modo da garantire che il personale tecnico mantenga aggiornate le proprie competenze e non abbandoni l’organizzazione.

Conclusioni

Da quanto sopra descritto si evince che la continuità del business e la gestione delle sfide e dei rischi – che possono scaturire dall’adozione di una nuova tecnologia – presuppongono la conoscenza del contesto dell’organizzazione e soprattutto il possesso di conoscenze tecniche. Pertanto, lo sviluppo di una forza lavoro quantistica comporterà sia assicurare il miglioramento delle competenze dei lavoratori nelle discipline correlate sia investimenti per creare percorsi per talenti diversificati e garantire una solida pipeline di talenti. Ovvero, si tratta di anticipare le sfide e attuare i necessari cambi di paradigma.