Intelligenza Artificiale (AI) e Machine Learning (ML) stanno avendo la loro fase di “Hype”. C’è molta aspettativa e la domanda del mercato è quindi sempre più in crescita.
Il cambio di passo per il Cliente che vuole trasformare la sua organizzazione in AI-Driven sarà di seguire un percorso di adeguamento e di crescita tecnologica, funzionale e organizzativa. Quindi, al di là dell’hype, come aiutare un Cliente a individuare il giusto percorso per le sue esigenze?
Il Mercato dell’AI e del ML secondo Gartner
Gartner prevede che il mercato globale del software di Intelligenza Artificiale e Machine Learning raggiungerà quest’anno i 62 miliardi di dollari, con la crescita più rapida nel settore della Gestione della Conoscenza. Secondo l’azienda, il 48% dei CIO intervistati ha già implementazioni di AI/ML e di apprendimento automatico o prevede di farlo entro i prossimi 12 mesi.
Ma cosa accade oggi quando il Cliente si affida a fornitori di servizi di ML?
L’immagine seguente ci mostra sinteticamente tre punti di vista (l’IT Manager, Il Business Manager e il Top Management) e la visione “distorta” che può generarsi quando il fornitore manca nel fornire il supporto necessario a far comprendere principi e processi con il giusto “linguaggio” a tutti i livelli del Cliente, e quando il Cliente, preso dall’Hype al quale si accennava in premessa, vuole una soluzione AI-Driven con immediatezza, senza affrontare un percorso corretto che lo guidi al cambiamento.
C’è in sostanza un rischio “latente” che è la perdita di credibilità nei Servizi di Machine Learning e nei benefici che si possono invece ottenere seguendo un percorso di innovazione.
Il supporto di Humanativa per intraprendere un percorso AI-driven
Humanativa si propone di supportare le organizzazioni che intendono intraprendere un percorso AI-driven a realizzare trasformazioni e innovazioni significative e si propone come catalizzatore della trasformazione digitale:
- abilitando la tecnologia
- gestendo il cambiamento dei processi
- e introducendo una cultura basata sui dati e sulla loro solidità e affidabilità.
Il nostro lavoro è di aiutare e accompagnare il Cliente ad avvicinarsi al mondo del ML al fine di dare al Cliente stesso autonomia operativa e decisionale e al contempo accompagnarlo con Servizi di Consulenza di ML per le componenti eventualmente più complesse.
Valorizzazione e governo delle soluzioni di ML
Alla base del supporto di Humanativa al Cliente c’è la Valorizzazione e Governo delle soluzioni di ML. Dare “valore” alle soluzioni di ML significa che i risultati dei nostri servizi di ML coprono diversi aspetti del cosiddetto “valore”:
- Il Valore del Cliente finale è forse il tema più caldo per le organizzazioni che vendono prodotti/servizi alle quali forniamo soluzioni. Conoscere il Cliente finale significa poter personalizzare servizi al Cliente finale stesso e attribuirgli un “valore economico”. Ad esempio, in Humanativa disponiamo di metodi, tecniche e algoritmi di Behaviour attraverso i quali raccogliere il “comportamento” del Cliente finale e darne la previsione comportamentale per dare infine un valore economico al Cliente finale.
- Il Valore delle Decisioni. Non bastano i prodotti di Business Intelligence per prendere decisioni, occorre dare previsioni “up to date” sempre aggiornate. Il nostro know-how su Advanced Analytics è nel saper interpretare il risultato di elaborazioni previsionali di ML che oggi permettono rapidità decisionale sia per prevenzione, rischio che per innovazione.
- Il Valore delle Indicazioni per l’Organizzazione. Spesso gli strumenti di ML servono per capire come una organizzazione fa fronte ad un servizio anche nei suoi processi interni. In Humanativa forniamo indicazioni a supporto di una azienda attraverso il monitoraggio continuo dei risultati dei Modelli di ML, dando sostanzialmente supporto per riprogettare o riqualificare un certo modello di business e fornendo indicazioni di previsione anche nelle attività di pianificazione delle risorse.
- Il Valore del Governo dei Costi del ML. Per una azienda che intraprende un percorso di valorizzazione dei propri dati, processi e servizi attraverso i servizi di AI & ML, un punto chiave è governarne il costo. Se ad es. pensiamo ai servizi in Cloud, i maggiori fornitori come Google, Amazon e Microsoft aiutano i Clienti a scegliere tecnologie e servizi e le relative opportune modalità di servizio, ma il punto chiave è che: nessun fornitore di tali servizi può rispondere alla domanda: quanto costa alla “vostra” azienda il servizio di ML da mettere in Cloud.I costi, in questo caso, non sono soltanto di “inizializzazione” di un servizio di ML in Cloud, ma soprattutto di “monitoraggio” durante la vita del servizio stesso. In questo campo, Humanativa ha esperienza e strumenti per monitorare il costo del servizio di ML e dare costantemente indicazioni sul costo dei vari moduli componenti del workflow di servizio, in moda da poter dare indicazioni sulla ottimizzazione e/o riduzione dei costi del processo stesso di ML per un certo servizio in erogazione.Inoltre, il concetto dei Costi del ML è talmente permeato nella nostra struttura Humanativa che per primi i Data Scientist, in fase di progettazione di un certo servizio di ML, hanno il compito di raccogliere informazioni sui driver del servizio attuale e desiderato, sul principio di “aggiornamento” continuo dei Modelli, sui tempi di re-training di un modello, sul “peso” dei falsi positivi dei risultati, per poter aiutare il Cliente a trovare la “giusta” funzione di costo. Di questo aspetto ne parleremo più diffusamente nell’articolo dedicato ai 3 problemi chiave che un Cliente deve risolvere per diventare un’azienda AI-driven.
- Il Valore del Know-how. Nel “mondo” Ai e ML non si parla quasi mai di “trasferimento” di know-how al Cliente ma di “condivisione” con il Cliente. Le tecnologie e gli algoritmi di ML sono sempre in continuo cambiamento e riadattamento, servono quindi:
- Know-how di base: Training, Consulenza, Best Practice per rendere il Cliente “consapevole” e con un grado di autonomia sempre maggiore
- AutoML. Oltre al know-how, servono anche automatismi per rendere autonome le BU e i cosiddetti “esperti del dominio”, a cui è destinato un servizio di ML, a sperimentare con i meccanismi di AutoML.
- Monitoraggio dei Servizi. Oltre al know-how, oltre all’AutoML, oggi le “regole”, i procedimenti di MLOps devono permeare nel team di DevOps del Cliente che gestisce i prodotti in erogazione.