La potenza dei dati al servizio dei dipendenti: come l’intelligenza artificiale deve essere applicata in azienda

(Getty Images)
Share

a cura di Valerio Rizzo, Emea AI head di Lenovo

“Sebbene le aziende provino un senso di trepidazione all’idea di trasformare le loro infrastrutture e piattaforme dati, la via per ottenere l’adozione diffusa in azienda sta nel trovare la semplicità. In questo articolo condividiamo il nostro punto di vista su come un sistema correttamente progettato e architettato possa beneficiare tutta l’organizzazione”.

C’è sempre stata una stretta relazione tra intelligenza umana e intelligenza artificiale (AI), che infatti prende origine dalla ricerca sul funzionamento del cervello umano. Sebbene in precedenza l’AI cercasse di spiegare come funziona il cervello, oggi il suo scopo è aumentare ed elevare le capacità umane, ad esempio facendo un uso migliore dei dati, di cui la maggior parte delle aziende dispone in abbondanza, oppure eseguendo compiti banali e tediosi, lasciando che le persone concentrino la loro energia e creatività sui problemi che richiedono attitudine umana.

Sentiamo spesso punti di vista negativi o pessimistici sull’applicazione dell’AI nei luoghi di lavoro. La falsa dicotomia tra uomo e macchina rappresenta un disservizio per entrambe le parti; esiste invece una complementarità che facilita l’intelligenza umana piuttosto che sostituirla. Le attività che un tempo richiedevano molto tempo e lavoro possono essere ridotte al minimo input umano e tuttavia produrre risultati su una scala e un livello di complessità ben oltre ciò che un singolo individuo o team potrebbe mai sperare di ottenere. Pensiamo all’uso che facciamo di una calcolatrice: il dispositivo è utilizzato per risolvere calcoli matematici specifici in base alle cifre fornite, ma il risultato in sé non è l’obiettivo finale, bensì il dato che un essere umano utilizzerà per prendere una decisione informata.

Questa combinazione di intelligenza umana e artificiale ha infinite applicazioni e apre innumerevoli opportunità, prima fra tutte la rimozione della complessità di utilizzo, che consente alle persone di concentrarsi su problemi specifici rimanendo al centro dei processi.

Incarichi complessi, impossibili da realizzare

L’obiettivo di qualsiasi azienda è controllare e allocare risorse in modo che forniscano ai clienti un risultato desiderabile, che sia un servizio o un prodotto. L’offerta globale di beni e servizi è più sofisticata che mai e il ruolo sempre più importante della digitalizzazione ha modificato radicalmente le aspettative delle imprese e dei consumatori. Velocità, precisione e disponibilità 24 ore su 24, 7 giorni su 7 non sono più opzioni, ma una necessità e questo accresce la necessità di automatizzare le attività ripetitive sia nei processi interni che nei servizi esterni.

Quando parliamo di AI, dobbiamo inserirla nel contesto di settori particolari, poiché le potenziali applicazioni sono illimitate. Nell’elettronica, ad esempio, può essere usata sotto forma di Robotic process automation (Rpa) nella micro-produzione di dispositivi elettrici, con un livello di precisione molto maggiore e tempi più rapidi rispetto alle capacità di un essere umano. Può anche assumere la forma di Computer vision (CV) per scopi quali il controllo qualità o il rilevamento di frodi in aree come i servizi finanziari, identificando situazioni problematiche molto prima che diventino critiche.

In casi come questi, i requisiti vanno oltre le capacità umane, ma ciò non significa che le persone siano estranee al processo. Come nell’esempio precedente della calcolatrice, spetta all’essere umano comprendere i problemi che le macchine possono risolvere e progettare i sistemi in modo che soddisfino i requisiti previsti. Quindi, sulla base dei dati prodotti durante il processo, concentrare la loro attenzione sulla possibilità di introdurre ulteriori efficienze. Il ruolo dell’utente passa da uno di “esecutore” a uno risolutore di problemi, utilizzando le proprie capacità analitiche per migliorare la qualità del proprio output.

Semplificare i processi aziendali quotidiani 

A un primo sguardo, l’utilità dell’AI dal punto di vista dell’utente sembra chiara. Perché allora gli atteggiamenti nei confronti dei sistemi intelligenti sono spesso ambivalenti o, in certi casi, ostili? Dalle nostre osservazioni, il motivo è solitamente da ricercare nella complessità. Affinché un sistema possa essere adottato, dev’essere utilizzabile non solo da chi ha avanzate competenze tecniche o di analisi dei dati, ma letteralmente da chiunque. Che si tratti dell’interfaccia utente delle dashboard sulle piattaforme di analisi, della semplicità di utilizzo del software di machine learning o dei processi per l’accesso e l’interazione con i sistemi di gestione dei dati, la priorità deve essere la semplicità.

È dunque incoraggiante constatare che questo obiettivo sta diventando sempre più raggiungibile. Le sempre più ampie librerie di framework, modelli e piattaforme di intelligenza artificiale disponibili consentono alle aziende di identificare, testare e adottare soluzioni in base a ciò che si adatta al loro caso d’uso previsto: non è necessario reinventare ogni volta la ruota quando è possibile sfruttare il lavoro dell’open source. Inoltre, i progressi nel software utilizzato per gestire le applicazioni AI consentono un’esperienza d’uso fluida e intuitiva come mai in precedenza. Ci sono anche intersezioni con altre tecnologie avanzate quali la realtà aumentata, che viene utilizzata per manipolare ed esplorare oggetti 3D per applicazioni che vanno dai prodotti di consumo ai progetti automobilistici fino ai dispositivi intelligenti che rendono disponibile agli utenti finali la potenza dell’intelligenza artificiale. Poiché richiedono solo una formazione tecnica di base, queste soluzioni ampliano l’attrattiva delle applicazioni di intelligenza artificiale per le persone che ricoprono ruoli convenzionalmente non tecnici e offrono strumenti potenti per aiutarli a migliorare il modo in cui lavorano e apprendono.

Emergono chiaramente due questioni: da un lato, spetta ai tecnici assicurarsi che il principio di semplicità sia applicato a tutta l’infrastruttura e agli strumenti a disposizione degli utenti. Dall’altro, c’è una necessità culturale da parte delle divisioni aziendali di investire tempo e attenzione sulla creazione di nuove competenze in aree che in precedenza sarebbero state ritenute “troppo tecniche” per i loro incarichi. Perché i sistemi di AI possano essere implementati e resi accessibili a tutte le line of business, queste due esigenze devono incontrarsi a metà strada.

È quindi importante definire le aspettative. I vantaggi nell’utilizzo di un modello di intelligenza artificiale non arrivano dall’oggi al domani, ma si ottengono nel tempo: gli utenti diventano più abili nell’uso dei sistemi e nella gestione degli output, mentre i sistemi stessi sono continuamente riconfigurati e personalizzati per supportare casi d’uso specifici. È un circolo virtuoso che cresce di pari passo con la confidenza e la competenza dell’operatore nell’utilizzo dei sistemi. I manager hanno un ruolo importante da svolgere nel mantenere alti i livelli di entusiasmo ed evitare il rischio di scoraggiamento se le iniziative non producono risultati immediati.

Soluzioni specifiche per problemi specifici

Oltre alla semplicità emerge un’esigenza di “specificità”. Questo problema trascende qualsiasi applicazione particolare e arriva al cuore dell’AI intesa come un aiuto per il business. Molte attività basate su dati generano complessità, e di conseguenza esercitano ulteriori pressioni sugli individui, quando ingenerano la falsa aspettativa che l’AI possa agire come una panacea in grado di risolvere qualsiasi problema solo il fatto di esistere. L’intelligenza artificiale è uno strumento generico per servire gli obiettivi delle persone, quindi il suo potenziale deve essere indirizzato verso la soluzione di problemi specifici. Dal punto di vista aziendale, questo di solito non significa eliminare i processi e i flussi di lavoro esistenti, ma piuttosto trovare modi per potenziarli con un nuovo livello di intelligenza.

Sono numerosi gli esempi di organizzazioni che sono state indotte ad adottare a sproposito sistemi di intelligenza artificiale – ad esempio per paura di restare indietro rispetto ai concorrenti – senza una vera comprensione di quale problema l’AI doveva risolvere e per chi. I dipendenti poi scoprono che c’è una nuova soluzione a loro disposizione, ma non capiscono perché è stata implementata e quale sia il loro ruolo nel processo. La soluzione stessa può essere quella giusta, ma implementata in maniera incompleta oppure eseguita senza avere chiarezza sul problema materiale che sta cercando di risolvere. Le implementazioni di intelligenza artificiale delle migliori pratiche richiedono attenzione non solo sulla progettazione del sistema, ma anche sulle responsabilità relative al modo in cui i dati vengono raccolti ed elaborati. Questi sono dettagli di cui tenere conto fin da subito.

È infatti importante che il problema e i casi d’uso siano identificati nelle prime fasi del processo e mirati specificamente alle specifiche caratteristiche dell’azienda, dei dipendenti e dei clienti. Sarà quindi necessario fare considerazioni di natura ipotetica e pratica, trovando coesione tra il potenziale caso d’uso dell’AI che potrebbe esistere per l’azienda, e la sua applicazione a ipotesi reali, in modo da valutare se gli strumenti implementati sono in grado di svolgere il ruolo desiderato. L’analisi modellerà l’implementazione, in modo che l’implementazione risulti efficace. In ogni caso, è necessario porsi la domanda: “Stiamo risolvendo il problema che ci eravamo proposti di affrontare?”

Gli sviluppatori e i team di analisi dei dati devono avere la possibilità di sperimentare con ciò che è disponibile. La creazione di sandbox virtuali in cui vi sia la libertà e la discrezione di provare cose nuove, commettere errori e fare tesoro di ciò che si è appreso, porta la capacità di innovare con il minimo rischio.

I dati raccolti durante queste fasi iniziali dovrebbero essere considerati utili di per sé in quanto aiuteranno a costruire una base di conoscenza e maturità dell’AI in azienda. A sua volta, questa linea di base supporterà, modellerà e informerà i tuoi modelli operativi e fornirà una comprensione migliore e più completa di come l’AI possa aiutare l’azienda ad andare avanti. Anche se specifiche implementazioni dell’AI dovessero non avere successo, le lezioni apprese rappresenteranno un fattore di vantaggio rispetto ai concorrenti che non hanno trovato casi d’uso autentici dell’AI e di conseguenza sono ancora bloccati nella fase di Proof of Concept (POC).

AI per Data-Centered 

Quando in Lenovo parliamo di un approccio Data-Centered, ci riferiamo alle aziende che mettono i dati nelle mani dei propri dipendenti. Queste aziende sono in grado di creare cicli continui di miglioramento basati sui data set raccolti e in continua evoluzione che costruiranno strategie sempre più efficaci ed efficienti col passare del tempo. La priorità per le implementazioni di intelligenza artificiale di successo è inquadrare correttamente i problemi da affrontare e comprendere quali azioni o processi possono essere migliorati grazie alla raccolta di queste informazioni.

Perché questo approccio abbia successo, l’intelligenza artificiale deve essere applicabile a ogni team e funzione, non solo a quelli dei reparti IT. La diffusione di questa tecnologia e la sua integrazione nei flussi di lavoro a livello aziendale è un elemento fondamentale di successo. Integrando le funzioni organizzative attraverso una piattaforma dati olistica e assicurando che l’AI sia accessibile a tutti i livelli, le aziende possono promuovere l’innovazione in ogni divisione, e non solo in pochi reparti selezionati.

Il parametro che utilizziamo per misurare il successo di un’implementazione AI non può essere esclusivamente il ROI poiché i vantaggi dell’operare come azienda di dati e utilizzatore di dati come risorsa per il miglioramento continuo possono produrre enormi vantaggi a lungo termine. Il vero valore è dare il controllo alle persone, fornendo loro la licenza e le basi tecniche per lavorare in modo più intelligente ed esplorare nuovi territori, in collaborazione, non in concorrenza, con l’AI.