Per identificare il percorso ottimale nel portare l’intelligenza artificiale in azienda la prima domanda da porsi, come sempre quando si introduce una nuova tecnologia, è: make or buy? “Né l’uno né l’altro”, è la risposta di Alberto Messina, Coordinatore Area di Ricerca su AI di RAI, durante il convegno di presentazione dei dati dell’Osservatorio Artificial Intelligence del Politecnico di Milano, che spiega come sia velleitario sviluppare una soluzione totalmente in casa senza tener conto del fatto che la ricerca importante venga condotta nei grandi laboratori internazionali. Tuttavia, un approccio totalmente buy presenta altri tipi di criticità. “Nella nostra esperienza concreta abbiamo visto che i grandi player tendono a forzare i clienti a lavorare secondo le loro logiche anziché rispondere al processo aziendale”, spiega. Il suggerimento è di rivolgersi al mercato ma avere, al tempo stesso, il coraggio di costruire competenze interne di carattere tecnico per poter conoscere meglio il dominio di applicabilità. Importante anche valorizzare il patrimonio di dati aziendali senza doverlo cedere ad aziende esterne.
Sul tema dei dati e sulla loro valorizzazione, riferiti ai processi chimici e di raffinazione, torna Francesco Gallo, Operations Director di Itelyum Regeneration: “Abbiamo avviato un percorso di digital transformation che ha come obiettivo di realizzare un modello di business data driven, a partire dalla grande quantità di dati, resa disponibile dal nostro sistema di controllo delle raffinerie”. L’AI entra in gioco per generare, a partire dai big data generati, una dashboard che metta a disposizione di tutte le funzioni aziendali i KPI real time. Anche in questo caso la scelta è stata esternalizzare il progetto ma creare un know how interno.
Anche Simone Zanotti , Sales & Marketing Director di E4 Computer Engineering, insiste sull’importanza del dato come asset di per sé. “Partire da un dato di qualità anche se non strutturato e organizzato è fondamentale. I primi passi di pianificazione, strutturazione logica, pulizia del dato… sono possibili solo se gli strati più bassi sono orientati al risultato”, suggerisce sottolineando la necessaria attenzione alla componete infrastrutturale.
Nel percorso accidentato un ruolo importante può essere svolto dalla consulenza, che può incoraggiare l’innovazione mettendo a fattor comune esperienze fatte, suggerire percorsi già noti, evitare errori già fatti, come suggerisce Alessio Biasiutti Azure & AI Practice Leader di Altitudo, concentrando l’attenzione sulle applicazioni più mature e che possono dare risultati concreti a breve.
I settori e le aree di impiego più promettente
È il caso della computer vision che presenta diversi esempi come riconoscimento parti meccaniche per aiutare il montaggio, dell’analisi testo attraverso tecniche NLP per creare chatbot, estrarre informazioni e concetti, analizzare documenti, classificarli, estrarre correlazioni a partire da documenti digitali o scansioni. Importante anche sviluppare il concetto di efficienza delle persone che possono trarne il maggior vantaggio in una logica di collaborazione positiva fra persone e AI.
Anche Maurizio Zaggia, AI Business Development di Noovle, conferma la maturità dell’AI per virtual assitent e chatbot, “non solo risponditori automatici ma capaci di comunicare in linguaggio sempre più fluido e naturale, acquisendo il con il tone of voice aziendale”. Altre applicazioni mature si trovano nel campo industria 4.0, sia in progetti di analisi predittiva sia per migliorare il processo produttivo e nella gestione delle IT operation, con applicazioni alle reti molto estese dove il dato va analizzato sia per garantire la sicurezza sia per prevenire inefficienze.
Un’area, forse ancora immatura ma attorno al quale si concentrano grandi aspettative, è quella dell’AI nelle piattaforme di smart procurement 4.0 a cui fa riferimento Giampiero Volpi, Strategic Business Analyst di Niuma. “I responsabili degli acquisti lo considerano un fattore di grande impatto per i nuovi modelli operativi, da cui si aspettano maggior visibilità sui processi di acquisto e sulle tendenze del mercato, miglior comprensione del rischio di acquisto, soprattutto per gli acquisti innovativi, e capacità di prendere decisioni strategiche competitive e consolidate”.
Non chiedere all’AI quello che non può dare
Nonostante le molte possibili applicazioni dell’AI in azienda, Stefano Dalla Palma, AI Business Developer di Oròbix, ricorda che 9 progetti su 10, molti dei quali considerati di successo, restano in fase di PoC e non raggiungono uno stadio in cui riescono a generare valore. “Mentre una soluzione una tradizionale si può dire se funziona o no, per una soluzione AI si può dire che funziona con una determinata affidabilità; può, ad esempio, essere corretta nel 97% dei casi, un numero tanto accurato quanto è buona la soluzione di validazione”, spiega sottolineando che una validazione professionale deve accertare che la variabilità dei dati durante i test sia effettivamente rappresentativa di quella che si va a riscontrare in produzione.
L’aspetto critico per consentire l’impiego dell’AI in azienda nelle aree core è la fiducia nei modelli: si deve essere sicuri che la performance sia in linea con le aspettative del business. “Il nostro approccio prevede di generare Kpi sia per gli algoritmi sia al loro impatto in termini di business e trovare potenziali deviazioni”, ricorda Dalla Palma.
In conclusione, come suggerisce Piero Poccianti, Presidente, Associazione Italiana per l’Intelligenza Artificiale, “Siamo ancora molto lontani da una general AI, ma nel campo ristretto dell’AI stiamo facendo passi da gigante su importanti capacità”, dice, elencandone alcune come:
- percepire, che si traduce in visione, uso e comprensione del linguaggio naturale, pattern recognition;
- imparare, anche se le macchine sono ancora lente; “nessuno penserebbe di mostrare a un bambino milioni di immagini per consentirgli di riconoscere un gatto – commenta Poccianti – Ciò accade perché le macchine sono lente nella capacità di astrarre e di fare analogie;
- ragionare e esprimere capacità creative come già accade nella narrow AI.
“Ora stiamo cercando di connettere la parte percettiva e intuitiva con la parte razionale, affrontando ciò che Daniel Kahneman, Nobel per l’economia 2002, indicava come pensiero lento e pensiero veloce che anche noi umani spesso teniamo separati – spiega infine Poccianti che si chiede cosa manchi per fare il salto – Per riuscirci si deve puntare sulla ricerca di base, finanziata a pioggia, non solo sulla ricerca a breve e medio periodo. I risultati spesso infatti arrivano spesso dove non ce li aspettiamo”.
