Quali sfide porta il progetto di intelligenza artificiale? | AI nel business #65

Come integrare efficacemente un progetto di intelligenza artificiale nella strategia aziendale?

La ricerca di Gartner afferma che entro il 2030, l’80% delle attività di gestione dei progetti sarà gestito dall’IA. Come sarà la percentuale di progetti che utilizzano l’IA per completare le attività – resta da vedere. Tuttavia, vale già la pena considerare come integrare l’IA nella strategia operativa di un’azienda.

Il primo passo è comprendere il potenziale e i limiti di questa tecnologia. L’intelligenza artificiale è brava ad analizzare tendenze e modelli, ma fallisce in cose come il ragionamento a più passaggi e la presa di decisioni morali. Crea visualizzazioni sensazionali, ma farla generare costantemente materiali che corrispondano all’immagine di un marchio richiede notevole abilità. Ecco perché, quando iniziamo a lavorare su un progetto di IA, non possiamo assumere con una probabilità comparabile ad altri progetti se produrrà risultati concreti e misurabili.

Un buon punto di partenza, quindi, è analizzare i pro e i contro:

• Qual è il costo totale delle varie fasi di implementazione del progetto di IA?
• Quali KPI dovrebbero essere definiti per valutare l’impatto aziendale di un progetto di IA?

Per ottenere una risposta credibile a queste domande, è meglio selezionare progetti di IA semplici che portano un valore considerevole, sono facilmente misurabili e si adattano alla strategia dell’azienda. Una startup che offre servizi di corriere può servire come esempio. Il suo obiettivo è migliorare il servizio clienti e aumentare la flessibilità della catena di approvvigionamento. Un progetto di IA semplice ma prezioso, ad esempio, è l’implementazione di un chatbot che gestisce le richieste dei clienti. Un tale assistente virtuale gestirà più richieste di un call center tradizionale, aumentando la soddisfazione del cliente attraverso risposte rapide alle richieste e una qualità di comunicazione costante. Al contrario, un sistema avanzato che ottimizza i percorsi dei corrieri si adatta all’obiettivo di migliorare la flessibilità delle consegne, ma è complesso e presenta rischi molto più elevati.

Una volta determinati i progetti iniziali di IA, la startup dovrebbe valutarne la fattibilità, ad esempio, in termini di budget entro il quale il progetto di IA dovrebbe rientrare.

Budgeting del progetto di IA. Sfide chiave

Implementare una soluzione SaaS pronta all’uso o IA come servizio (AIaaS), o così chiamata “IA pronta all’uso”, ha molti vantaggi. Uno è il costo prevedibile dell’utilizzo dello strumento e il costo relativamente facile da stimare per l’implementazione di un progetto di IA. Puoi scegliere tra soluzioni come:

• chatbot per il servizio clienti – come Intercom Fin, LiveChat di Chatbot.com, Drift o FreshChat,
• analisi dei social media per aumentare la portata dei messaggi di marketing – con Cortex, Buffer o Lately, oppure
• analisi dei dati aziendali con Microsoft Power BI, Tableau, o per compiti meno complessi – Google Bard, che si integra con i documenti Google.

Per progetti di IA su larga scala, i loro costi possono spesso essere sottovalutati. Soprattutto quando si tratta delle risorse e del tempo necessari per la raccolta e la preparazione dei dati. Ad esempio, secondo Arvind Krishna di IBM, la fase di preparazione dei dati per l’apprendimento dell’IA può rappresentare fino all’80% della durata di un progetto.

Fonte: DALL-E 3, prompt: Marta M. Kania (https://www.linkedin.com/in/martamatyldakania/)

Inoltre, più richiediamo modelli di IA personalizzati per un progetto, più dati qualitativi dobbiamo raccogliere. Ad esempio, le reti neurali profonde per l’apprendimento richiedono centinaia di migliaia di esempi. Questo aumenta il costo di acquisizione e pulizia di tali enormi set di dati. Fortunatamente, lo sviluppo rapido dell’intelligenza artificiale significa che sempre più progetti di IA possono essere implementati senza la necessità di un costoso apprendimento di un modello personalizzato.

Tuttavia, un’azienda che pianifica un progetto di IA dovrebbe considerare non solo la fase di sviluppo della soluzione, ma anche la preparazione dei dati e il funzionamento continuato del sistema, inclusi i costi di manutenzione, aggiornamento o raccolta di nuovi dati. Solo allora si può valutare il reale ritorno sull’investimento nell’IA.

Problemi di gestione dei dati nei progetti di IA. Cosa dovresti sapere

Una sfida chiave nei progetti di IA è rappresentata dai dati – la loro disponibilità, quantità e qualità. Quindi, cosa fare? Prima di avviare un progetto di IA, è necessario:

• esaminare attentamente quali dati ha l’azienda – in quale forma sono memorizzati e da dove provengono,
• prendersi cura dell’infrastruttura e sviluppare processi interni di acquisizione dei dati,
• considerare l’acquisto di set di dati esterni o il crowdsourcing se sono scarsi.

Un problema comune è che i dati sono sparsi su più sistemi e formati. Può essere difficile fonderli, pulirli e prepararli per l’apprendimento dell’IA. Una buona pratica è che il team di IA lavori a stretto contatto con il dipartimento IT o gli analisti dei dati. Insieme, dovrebbero garantire che l’infrastruttura e i processi di acquisizione dei dati siano adeguati.

Sfide tecniche e di sicurezza nei progetti di IA

L’IA non è solo algoritmi di apprendimento automatico. Per farli funzionare nella pratica, è necessaria un’intera infrastruttura IT. Nel frattempo, integrare nuovi sistemi di IA con quelli esistenti di un’azienda può essere impegnativo. Spesso richiede l’adattamento di sistemi aziendali più vecchi, il che per molte aziende significa costi di aggiornamento considerevoli.

Inoltre, i progetti di IA richiedono competenze in scienza dei dati e ingegneria dei dati. Nel frattempo, il mondo sta vivendo una carenza di specialisti in questo campo. Secondo il rapporto “Technology Trends Outlook 2023” di McKinsey, il rapporto tra annunci di lavoro e specialisti disponibili è di 7 a 100, e la domanda è in costante crescita.

La questione della sicurezza dei dati non è nemmeno trascurabile. I sistemi di IA elaborano enormi quantità di informazioni sensibili, che devono essere adeguatamente protette contro le perdite. Nel frattempo, le violazioni dei dati sono aumentate significativamente negli ultimi anni. Questo è quindi un altro importante rischio da tenere a mente durante l’implementazione di progetti di IA.

Competenze chiave nell’IA per gli imprenditori. Quali difficoltà potresti incontrare?

Una barriera comune all’implementazione di un progetto di IA può essere la scarsa conoscenza dell’intelligenza artificiale tra i manager e i decisori aziendali. Senza una comprensione approfondita delle capacità della tecnologia, è difficile valutare la fattibilità di progetti specifici e prendere decisioni informate. Ecco perché è essenziale investire nel miglioramento della conoscenza dei manager nell’area delle nuove tecnologie.

Il riqualificare i dipendenti attuali può anche aiutare. Si parla sempre più di così detti “analisti di dati cittadini” (“Citizen data scientists”). Questi specialisti sfruttano tecnologie all’avanguardia per risolvere problemi aziendali specifici che affrontano quotidianamente. Sono altamente competenti nel settore in cui lavorano. Essendo parte del team che lavora su un progetto di IA, consentono agli specialisti di IA di concentrarsi sui problemi di implementazione rispondendo a domande specifiche del settore.

Oltre alle competenze tecniche, come valutare le raccomandazioni dell’IA e prendere decisioni, anche le competenze trasversali sono importanti, inclusi leadership e pensiero strategico. Questo è un altro modo per affrontare la carenza di competenze in IA nelle aziende.

Analizzare il successo del progetto di IA. Come evitare errori nella misurazione del ROI?

Circola su Internet una voce infondata (e probabilmente falsa) secondo cui fino all’87% dei progetti di IA non raggiunge mai la fase di produzione. Sebbene non siamo stati in grado di accedere a studi affidabili sui progetti di successo, una definizione precoce dei modi per misurare il successo è fondamentale per valutare il reale impatto dell’implementazione dell’IA.

Una buona pratica qui è un esperimento su piccola scala. Comporta il test delle prestazioni dell’IA, ad esempio, su un campione casuale di utenti e il confronto dei risultati con un gruppo di controllo che utilizza una soluzione standard. Un tale test A/B aiuta a verificare se il nuovo sistema di IA può portare i risultati attesi, come un aumento delle conversioni o della soddisfazione del cliente.

Fonte: DALL-E 3, prompt: Marta M. Kania (https://www.linkedin.com/in/martamatyldakania/)

Il test A/B vale la pena ripeterlo periodicamente anche dopo l’implementazione dell’IA, poiché i modelli possono perdere precisione e rilevanza nella risoluzione dei problemi. Questo ti permetterà di identificare rapidamente anomalie emergenti e la necessità di ricalibrare il sistema affinché continui a fornire i risultati aziendali attesi.

Riepilogo

Sebbene l’IA offra enormi opportunità, i progetti in questo campo comportano sfide significative. Per avere successo, è necessario valutare fattibilmente i costi e i benefici dell’IA, prendersi cura dell’acquisizione e della qualità dei dati, sviluppare competenze interne e puntare su un’implementazione graduale delle nuove tecnologie. È anche cruciale misurare l’impatto aziendale tangibile delle implementazioni e reagire rapidamente ai problemi emergenti. Solo allora l’IA diventerà un potenziamento piuttosto che una minaccia per l’azienda.

Se ti piace il nostro contenuto, unisciti alla nostra comunità di api operose su Facebook, Twitter, LinkedIn, Instagram, YouTube, Pinterest, TikTok.