Intelligenza artificiale in azienda: perché è importante eliminare gli ostacoli

pittogramma Zerouno

Focus on

Intelligenza artificiale in azienda: perché è importante eliminare gli ostacoli

Soluzioni per automatizzare la preparazione dei dati e ottimizzare i modelli, fra le condizioni per diffondere l’intelligenza artificiale in azienda

16 Dic 2019

di Redazione Data Science & Machine Learning

La maggioranza dei responsabili delle diverse aree aziendali, in molteplici settori industriali, è convinta che introdurre l’intelligenza artificiale in azienda possa portare vantaggi al business. Tuttavia, ci si sta rendendo conto degli ostacoli che si frappongono a un utilizzo esteso. Ad oggi sembra che la domanda e le aspettative di intelligenza artificiale (AI) superino la capacità di risposta e si possa correre addirittura il rischio che gli investimenti superino i ritorni.

Quali ostacoli per l’intelligenza artificiale in azienda?

Uno dei problemi è lo stato ancora sperimentale di molti progetti di AI all’interno delle aziende, che dunque assorbono tempo ed energie senza essere ancora in grado di assumere una logica “industriale”, condizione per garantire la conseguente economicità.

Si pongono poi, come per tutte le attività di innovazione dirompente, problemi di tipo organizzativo con la necessità di far dialogare tanti interlocutori diversi per capire cosa si voglia davvero estrarre dai dati, sapere fin dall’inizio gli obiettivi e il ritorno atteso, cosa davvero debbano imparare le macchine che in ogni caso necessitano di tempi di apprendimento lunghi.

La disponibilità dei big data è una premessa indispensabile per l’introduzione dell’intelligenza artificiale in azienda, in quanto grandi quantità di dati sono funzionali all’apprendimento automatico, in particolare il Deep Learning (DL), che si basa su algoritmi di tipo statistico, tanto più efficaci quanto più ampia è la base dei dati. Per sfruttare la ricchezza dei dati e sviluppare la capacità di estrarne valore, in modo da consentire all’azienda di rivoluzionare il modo in cui svolge le proprie attività e interagisce con i propri clienti, è però indispensabile modificare l’approccio ai dati. Il lavoro per la loro preparazione è attualmente il più impegnativo. È dunque naturale chiedersi se parte di questa attività non potrebbe essere automatizzata.

Un’ulteriore difficoltà riguarda la creazione dei modelli e il loro successivo allenamento. Da un lato non sono abbastanza numerose le professionalità in grado di ottimizzare i modelli, dall’altro l’ottimizzazione e il training dei modelli è un’attività che di per sé assorbe molta potenza elaborativa e richiede molti cicli di iterazione.

TopNetwork - Riconoscimento immagini e oggetti

Superare gli ostacoli per l’Intelligenza artificiale in azienda

Uno dei primi obiettivi è dunque migliorare il processo di preparazione dei dati per le applicazioni IA, costruire connessioni e integrare le varie fonti dati. Alcuni sono sotto il controllo dell’azienda, come ad esempio i dati che derivano dai comportamenti e dai desideri dei clienti, mentre altri sono esterni, come ad esempio le informazioni che arrivano dai social media.

Ci sono ampi margini di miglioramento nella gestione dei dati, visto che i data scientist utilizzano mediamente l’80% del loro tempo per cercare, raccogliere, etichettare e preparare i dati per l’input nel modello DL.

Suggerimenti per accelerare l’Intelligenza artificiale in azienda

Per ridurre i tempi e le risorse dedicate alla preparazione dei dati, l’ideale sarebbe trovare un’infrastruttura in grado di convogliare e rendere omogenei i dati provenienti da diverse fonti che alimentano il modello DL.

La vita degli esperti sarebbe inoltre semplificata se si potesse utilizzare e istallare facilmente un framework per la formazione del DL, facile da usare, in modo che un responsabile dei dati potesse evitare di perdere tempo anche nella fase di messa a punto del sistema.

Sarebbe infine utile la disponibilità di sistemi che, sulla base delle best practices, fossero in grado di aiutare il processo di selezione del modello, di ottimizzare il tuning (hyper-parameters selection) e fornire raccomandazioni per realizzare più rapidamente e in modo accurato modelli addestrati, ricordando che si tratta di un processo ciclico senza fine. I modelli, una volta operativi, devono infatti rimanere aggiornati e diventare sempre più intelligenti sulla base dei nuovi dati raccolti.

WHITEPAPER L’intelligenza artificiale e i data scientist: trend, scenari e applicazioni Scarica il white paper

D

Redazione Data Science & Machine Learning

Argomenti trattati

Approfondimenti

I
Intelligenza Artificiale

Articolo 1 di 4