Seppur nel 2021, l’86% delle aziende intervistate da PwC definiscono l’AI come la tecnologia su cui investiranno maggiormente nel 2021, ancora oggi sono pochi i casi di successo di soluzioni AI based integrate in prodotti, servizi e processi reali.
Parlando con dipartimenti IT di grandi aziende ho avuto modo di ricercare le cause che limitano fortemente l’adozione di algoritmi di intelligenza artificiale nei prodotti, servizi e processi aziendali:
Identificazioni di casi d’uso reali → Nonostante l’hype di cui gode l’AI, meno del 30% delle aziende nella Global 500 adotta tale tecnologia, laddove per adozione si intende l’uso di AI in qualsiasi forma e secondo un sondaggio di KPMG solo il 17% delle aziende stanno implementando la tecnologia in processi di produzione. Nel 2021, ancora molti dipartimenti business faticano a comprendere i vantaggi derivanti dall’utilizzo dell’AI e i dipartimenti IT, concentrati maggiormente sull’implementare tecnica di un modello che risolva uno specifico task (e.g. classificare il testo, riconoscere un oggetto in un’immagine, etc.) non trasmettono al business le giuste informazioni che possano rendere l’AI applicabile in casi d’uso reali.
Mancanza di competenze tecniche adeguate → Sviluppare un modello di AI che possa giungere in produzione richiede la presenza di un team con competenze variegate che difficilmente risiedono tutte nello stesso profilo professionale ma che si dividono tra Data Scientist, Data Analyst, DevOps, Backend developer. “C’è stata una primo momento storico in cui le organizzazioni pensavano all’IA come una proof of concept”, ha detto Mark Esposito, professore di business presso Harvard. “Il problema ora è che la maggior parte delle aziende fatica nel deploy della soluzione che spesso resta relegata allo status di Proof of Concept”. Tra la selezione di aziende Global 500 intervistate da KPMG, le cinque aziende con le capacità di AI più avanzate hanno, in media, 375 dipendenti a tempo pieno dedicati all’AI che costano ad ognuna di loro circa 75 milioni di dollari. Inutile dire che questo livello di investimento non è accessibile dalla maggior parte delle aziende, specie se si guarda a mercati come quello italiano dove c’è una carenza sistemica di figure IT ben più pronunciata rispetto agli Stati Uniti.
Disponibilità di dati → Sono stati spesso additati come l’oro del 21 secolo, i dati sono alla base dei modelli di Artificial Intelligence e spesso determinano il successo del progetto di AI, tuttavia, la stragrande maggioranza delle aziende non dispone di dati strutturati correttamente o dispone di una quantità di dati non sufficiente al training dei modelli di AI. E’ così che il grosso dei data scientist prima ancora di partire con lo studio e la soluzione del problema, passano la maggior parte del loro tempo a raccogliere i dati, consolidarli tra le fonti più disparate, formattarli e pulirli. Il reperimento, la comprensione, l’organizzazione e la pulizia dei dati sono la parte più difficile della maggior parte dei progetti di IA e uno dei principali motivi per cui i modelli di AI non arrivano allo stadio di produzione. Molte aziende hanno raccolto dati per anni ma quando iniziano i progetti di AI a volte scoprono che mancano alcune colonne di informazioni cruciali. “Non importa quanto siano grandi i dati o da quanto tempo siano stati raccolti, i dati raccolti possono non essere quelli corretti per addestrare un modello di AI. Le aziende non devono solo assicurarsi di avere i dati giusti e abbastanza, i dati devono anche essere strutturati correttamente.”. Spesso, infatti, prima del processo di training si rende necessaria l’integrazione del database sul quale verrà effettuato il training, l’armonizzazione dei database esterni con i dati interni e il labeling manuale dei dati (una delle attività più time consuming dell’intero processo di addestramento di un algoritmo di AI.
Scalabilità → Esistono diversi motivi per cui soluzioni basate su algoritmo di Artificial Intelligence non riescono a vedere lo stadio della produzione, prima di tutto vi è un tema di performance. Molto spesso soltanto all’atto della messa in produzione ci si rende conto che i tempi che un algoritmo necessità (sia per l’addestramento che per l’inferenza) non sono compatibili con i volumi di dati e la velocità del prodotto / processo di produzione (e.g. un sistema AI che ha come obiettivo quello di segnalare istantaneamente possibili transazioni fraudolente in tempo reale sarebbe inutilizzabile se richiedesse minuti per effettuare la sua predizione sui dati reali). Spesso i modelli di AI richiedono l’adattamento della struttura dei dati e dell’infrastruttura su cui i modelli girano a tecnologie maggiormente innovative (e.g. No-SQL database, ottimizzazione del codice per la GPU e la parallelizzazione, etc.)
Investimento e payback period → Tutte le cose buone richiedono tempo, ma gli investitori, sia essi esterni o interni all’azienda, sono sempre alla ricerca di ritorni rapidi. Anche se l’IA promette un aumento delle entrate con un migliore processo decisionale, non fornisce garanzie su quanto tempo ci vorrà prima che tali guadagni si materializzino. È importante, per non scoraggiare gli investitori o in generali i beneficiari dei modelli di AI, scomporre il problema in pezzi e iniziare a selezionare quello che produrrà il miglior risultato nel breve termine. Questo è il modo in cui le organizzazioni diventano più alfabetizzate sull’AI. Iniziano a capire cosa l’AI può e non può fare, e riescono in breve tempo a vedere alcuni dei vantaggi dell’AI, materializzarsi. Al contrario, puntare ad un obiettivo troppo ambizioso fin da subito può scoraggiare gli investitori / beneficiari interni all’azienda dell’algoritmo di AI e rallentare se non bloccare del tutto la messa in produzione di soluzioni basate sull’AI.
Anche Socialbeat, nello sviluppo dei suoi algoritmi di NLP, che oggi vengono applicati quotidianamente a oltre 50.000 news in Inglese, Francese, Tedesco, Spagnolo e Italiano, ha dovuto confrontarsi con i problemi sopra descritti e nel corso del processo ha sviluppato una propria piattaforma per l’ottimizzazione del processo di labelling, training e deploy di un modello di AI. In questo processo abbiamo notato che tali problemi sono così comuni da decidere di razionalizzare quanto creato per uso interno e sviluppare una piattaforma proprietaria che, attraverso alcune standardizzazioni e ottimizzazioni, possa supportare aziende non-tech all’adozione profittevole di soluzioni basate sull’Intelligenza Artificiale.