A cura di Andrea Bergonzi, Data Scientist di Dataskills

L’Intelligenza Artificiale non rappresenta, di per sé, una vera e propria novità. Si tratta infatti di una disciplina che esiste già dalla metà degli anni Cinquanta. Tuttavia, è solo grazie ai recenti sviluppi tecnologici che ha trovato ampia applicazione nel business, favorendo inoltre la nascita di software di riconoscimento facciale, assistenti vocali e chatbot, modelli di Machine Learning e aprendo la strada a numerosissime automazioni.

Specialmente a seguito dell’emergenza sanitaria causata dal COVID-19, l’Artificial Intelligence si è rivelata uno dei principali fattori trainanti della rivoluzione digitale, accelerando l’esigenza delle aziende di poter disporre dell’enorme potenziale garantito dalle piattaforme per la Data Analytics e l’impego di modelli di Machine Learning.

Si tratta di soluzioni che stanno senza dubbio subendo un’eccezionale diffusione (l’adozione di queste tecnologie è in aumento esponenziale dal 2019), ma che comunque non trascendono dalla presenza di numerose sfide, in particolar modo per le aziende. La barriera “zero” consiste nella difficoltà, da parte delle organizzazioni, a capire cosa si possa e cosa non si possa fare con l’Intelligenza Artificiale, e di riflesso nel valutarne l’effettivo rapporto tra costi e benefici per il business.

Bisogna inoltre considerare che nell’era attuale, sempre più orientata all’Intelligenza Artificiale e alla robotica (inclusa quella integrata con dispositivi mobili, cloud, sensori e analytics), vi è ormai una fortissima domanda di competenze scientifiche e digitali specialmente in ambiti come data science, big data, cloud, edge computing, IoT, sicurezza informatica, apprendimento automatico, deep learning e numerose altre aree. Molto spesso, si tratta di Skill e nuove figure professionali che non è sempre facile trovare né comprendere.

L’intelligenza artificiale e l’apprendimento automatico saranno l’elemento tecnologico chiave della prossima generazione grazie a capacità concretamente innovative come la computer vision, l’elaborazione del linguaggio naturale, l’advanced analytics che, in sinergia, permetteranno di creare soluzioni sempre più verticali e specifiche impattando inevitabilemente l’economia globale. Già ora gli effetti sinergici di queste tecnologie stanno accelerando la competitività delle imprese in modo esponenziale, sebbene manchi ancora la totale collaborazione tra macchine ed esseri umani.

Secondo Brian Manusama, Senior Director Analyist di Gartner, soltanto “entro il 2024 il 50% degli investimenti in AI sarà quantificato e collegato a specifici indicatori chiave di performance, così da misurare il ritorno dell’investimento.”

Da oggi al 2024, tuttavia, ci sono ancora diversi passi da compiere.

Secondo il colosso americano leader nella consulenza strategica, nella ricerca e nelle analisi nel settore IT, gli attuali ostacoli all’adozione dell’AI sono essenzialmente tre.

Il primo è legato alle competenze. Sebbene i manager delle aziende comprendano che siano necessari nuovi skill per implementare e utilizzare l’AI, è ancora necessario formarsi e aggiornarsi a un livello tale da sfruttare al massimo le potenzialità di questa tecnologia. Allo stesso tempo, è anche fondamentale operare i necessari shift di competenze: prendiamo come esempio il caso dell’utilizzo dell’AI in ambito radiologico. Ad oggi, questa tecnologia intelligente è in grado di analizzare i risultati di un esame come farebbe un radiologo umano. Pertanto, lo specialista medico dovrà nel prossimo futuro spostare (o meglio, ampliare) le proprie competenze verso la consulenza, la diagnosi, il trattamento della patologia, l’esecuzione di interventi medici guidati da immagini e verso un approccioche prevede la collaborazione e l’interfacciamento costanti con altri clinici.

La seconda barriera a un’ottimale adozione dell’Intelligenza Artificiale da parte delle aziende è la paura dell’ignoto. Secondo una ricerca condotta da Gartner nel 2019, ben il 42% degli intervistati ammetteva di non comprendere appieno i vantaggi dell’impiego dell’AI in ambito professionale e il 20% di loro riferiva anche timori legati alla sicurezza e alla tutela dei dati sensibili. Nel prossimo futuro sarà necessario disporre delle competenze necessarie a quantificare i vantaggi dei progetti di AI, siano essi l’incremento delle entrate, la riduzione dei tempi morti o il miglioramento della user experience. L’analisi dei dati giocherà quindi un ruolo centrale perché è proprio dai Big Data che è possibile estrarre informazioni strategiche rilevanti.

La terza e ultima sfida da vincere in ambito AI è legata alla qualità dei dati. Ricordiamo infatti che, per definire un progetto di Intelligenza Artificiale come di successo, bisognerebbe sempre valutare il volume di dati prodotti dalla tecnologia e le informazioni di valore che l’organizzazione può estrarre da essi. In questo senso, esiste da parte delle aziende la consapevolezza dell’importanza di ottenere un numero sufficiente di dati per raggiungere tale obiettivo, ma la carenza di adozione diffusa di questa tecnologia rappresenta ancora un limite da tenere in considerazione.

Oltre alle tre “macro-barriere” evidenziate da Gartner è importante fare il punto anche sugli ulteriori ostacoli che, almeno per il momento, tendono a frenare un’adozione diffusa, competente e consapevole dell’Intelligenza Artificiale.

Vediamo insieme i principali:

• Algoritmi AI distorti: legati all’attuale assenza di trasparenza in merito ai processi decisionali eseguiti in background. È molto difficile, se non impossibile, per ora, essere certi dell’equità “etica” dei risultati prodotti da alcuni algoritmi di AI (che potrebbero favorire un particolare gruppo sociale o etnico).
• Privacy: come già accennato, esistono preoccupazioni concrete in merito alle garanzie di privacy che l’Intelligenza Artificiale è in grado di offrire. Un esempio è rappresentato dagli algoritmi di riconoscimento facciale che, pur supportando ormai una quantità elevatissima di applicazioni e prodotti, raccolgono (e potenzialmente rivendono) enormi moli di dati degli utenti senza esplicito consenso.
• Assenza di trasparenza: è legata alla complessità di questa tecnologia, per sua natura difficile da comprendere o spiegare in modo trasversale. A questo limite va unita la segretezza degli algoritmi di molti prodotti o applicazioni basati sull’AI, necessaria a evitare violazioni della sicurezza o episodi di spionaggio industriale.
• Governance e Reponsabilità: chi si prende carico dell’errore eventualmente commesso da un sistema di intelligenza artificiale? Se in passato le funzioni di Governance si trovavano a gestire processi statici, l’AI è per sua natura iterativa, e necessita quindi un sistema di responsabilità che sappia adattarsi e mutare insieme a essa. Resta inoltre sempre vivo il tema dell’interpretabilità e spiegabilità delle decisioni, che non sempre è garantita.
• Scelte di architettura scadenti: un algoritmo di AI non dovrebbe solo garantire previsioni accurate ma anche prestazioni, scalabilità e gestione semplice. Una scelta di architettura scadente potrebbe riflettersi negativamente su soluzioni AIaaS che servono migliaia di utenti o, più semplicemente, riverberarsi in un’applicazione pachidermica e troppo costosa da mantenere per l’azienda.

Tutte quelle che abbiamo evidenziato sono sfide concrete che trovano riscontro anche nella produzione pratica di nuove soluzioni di Intelligenza Artificiale. Secondo Gartner, non a caso, soltanto il 53% dei progetti di AI passa dal prototipo alla produzione reale, sia per la presenza di una o più problematiche trattate in questo articolo sia perché oltre la metà delle aziende che tenta di implementare questa tecnologia non dispone dell’esperienza tecnica, della competenza e probabilmente neppure degli strumenti adeguati a realizzare sistemi intelligenti su larga scala.

Nel corso del tempo, questo problema potrebbe essere risolto con il fluido e costante trasferimento di informazioni e skill ma, almeno per il momento, la maggior parte delle organizzazioni continua ad affidarsi a fornitori di terze parti per realizzare i suoi progetti pilota di AI.

Fino a che le competenze a essi legate non si trasferiranno dal team esterno a quello interno all’azienda, questo stato di impasse quasi certamente continuerà a permanere.

Chiarite le barriere che ostacolano ancora in parte l’adozione su larga scala dell’Intelligenza Artificiale, come è dunque opportuno rapportarsi a questa tecnologia in modo da risolvere almeno in parte le sfide evidenziate?

Il primo passo consiste senza dubbio nell’affidarsi a un fornitore di soluzioni AI con competenze appurabili, reali e pertinenti. Contestualmente, l’azienda dovrebbe sempre collaborare gomito a gomito con un analista interno qualificato per determinare, già in fase preliminare, quali processi e sistemi potrebbero trarre un vantaggio reale dall’Artificial Intelligence – il tutto, valutando le eventuali questioni etiche che potrebbero precludere un utilizzo completo della tecnologia.

È poi opportuno creare un proof of concept che analizzi la reale fattibilità della soluzione, e ideare una roadmap dettagliata legata a tutti gli step di implementazione del progetto di AI: il suo sviluppo, l’integrazione della soluzione, e il suo ingresso “in produzione”.

A questo punto sarà possibile iniziare a costruire il sistema vero e proprio – e questa fase dovrebbe sempre prevedere uno scambio continuo di informazioni tra il fornitore di AI e l’azienda che ha commissionato il progetto.

Pazienza, formazione continua, curiosità verso nuovi approcci e direzioni, integrazione nel team aziendale di nuovi esperti in materia sono fattori altrettanto determinanti nell’ottenere una soluzione di intelligenza artificiale realmente utile e che, con il trascorrere del tempo, possa davvero prendersi carico di compiti critici in azienda.

Desideri parlare del tuo progetto di intelligenza artificiale oppure discutere dei vantaggi che l’AI potrebbe garantire alla tua organizzazione? Entra in contatto con gli esperti di Dataskills!