Perché chi aspetta ad adottare l’intelligenza artificiale rischia di non raggiungere più gli altri

Mentre alcune aziende stanno rapidamente adottando l’intelligenza artificiale, molte altre no, perché aspettano che la tecnologia maturi e che l’esperienza a riguardo sia più diffusa. Preferiscono essere dei follower – una strategia che ha funzionato con la maggior parte delle (precedenti) tecnologie – ma per il deep learning gli esperti pensano che questa non sia una buona idea.

Se è vero che alcune tecnologie necessitano di ulteriore sviluppo, altre (come il machine learning tradizionale) sono piuttosto mature e sono disponibili, in un modo o nell’altro, da decenni. Anche le tecnologie più recenti come il deep learning si basano su ricerche svolte negli anni ’80. Nuove ricerche vengono condotte in continuazione, ma i fondamenti matematici e statistici dell’IA attuale sono ben radicati e conosciuti. L’implementazione di un sistema basato su deep learning è legato ad una serie di fasi che come tali richiedeno tempo, un fattore che deve essere ponderato molto bene.

1. Tempo per lo sviluppo

Prima di tutto, i sistemi di intelligenza artificiale devono essere sviluppati. E siccome aggiungerebbero ben poco valore all’azienda se fossero completamente generici, è necessario del tempo per adattarli e configurarli alla propria attività e alla conoscenza specifica al suo interno. Se l’IA che si sta adottando impiega l’apprendimento automatico, si deve accumulare una quantità considerevole di dati per il suo addestramento, e se analizza immagini – come nelle applicazioni di visione artificiale – può essere ancora più difficile far funzionare i sistemi.

C’è molta tassonomia e conoscenza locale che deve essere incorporata nel sistema IA, simile alla vecchia attività di “ingegneria della conoscenza” per i sistemi esperti. L’intelligenza artificiale di questo tipo non è solo un problema di codifica software: è un problema di codifica della conoscenza. Ci vuole tempo per scoprire, disambiguare e diffondere la conoscenza.

2. Tempo per l’integrazione

Una volta predisposti i sistemi, questi devono essere integrati trasversalmente a partire dalla linea di produzione. L’adeguamento con i processi aziendali e l’architettura IT richiede pianificazione e tempi di adattamento significativi. La transizione da progetti pilota e prototipi a sistemi produttivi può essere difficile e dispendiosa in termini di tempo.

Anche quando si sia in grado di trasferire progetti pilota e prototipi verso la produzione, diventa necessario riprogettare i processi aziendali per avere un impatto completo sul proprio business e sul proprio settore. Nella maggior parte dei casi, l’intelligenza artificiale supporta attività individuali e non interi processi, pertanto questi ultimi devono essere riprogettati così come le nuove attività umane attorno ad essa.

3. Tempo per creare le interazioni uomo-macchina

Infine, ci sono da superare le sfide umane. Se in molti casi i sistemi basati su intelligenza artificiale sono completamente autonomi, in altri essi sono focalizzati sull’aumento delle capacità dei lavoratori umani. L’introduzione di applicazioni basate su intelligenza artificiale significa nuove abilità o addirittura nuovi ruoli per gli umani che lavorano al loro fianco, e in genere è richiesto un certo tempo per riqualificare i lavoratori sui nuovi processi.

Anche se l’obiettivo per un sistema di intelligenza artificiale è quello di essere completamente autonomo, è normalmente necessario un certo periodo di tempo per il training e per il suo affinamento. Durante questo periodo, una parte critica di apprendimento automatico avviene attraverso l’interazione tra il sistema e i suoi utenti e osservatori umani. Chiamato “apprendimento interattivo”, questo è un passo fondamentale per capire come il sistema interagisce con il suo ecosistema. Durante questo periodo si possono raccogliere nuovi set di dati per iniziare a trasformarli in algoritmi, un lavoro che spesso richiede mesi o anni, a seconda dei casi.

4. Tempo per la governance

Siccome i sistemi di intelligenza artificiale sono ottimizzati per fornire risultati su scala esponenziale, la loro governance richiede un approccio più ampio rispetto ai controlli tradizionali o all’approccio basato sui test. L’efficacia degli algoritmi può alterarsi nel tempo, perché essi sono basati su un mix di dati storici e conoscenze recenti. I sistemi possono essere aggiornati man mano che la macchina apprende dagli schemi presenti in dati nuovi, ma devono essere opportunamente monitorati per garantire che interpretino correttamente gli eventuali cambiamenti. Ad esempio, se un sistema viene addestrato per controllare la qualità di parti prodotte con un certo processo, e questo viene modificato pesantemente, ci si deve assicurare che l’aspetto delle stesse parti fabbricate con il nuovo processo non sia stato stravolto, almeno agli occhi del sistema di visione.

La governance deve inoltre contemplare la sorveglianza sui possibili imbrogli da parte degli utenti. Come la tecnologia diventa più intelligente, così lo diventano anche i loro utilizzatori, che potrebbero provare a bypassare i sistemi con dati e attività scorrette. Monitorare e prevenire tutto questo richiede le giuste precauzioni e un regolare monitoraggio umano.

Chi vince prende tutto

Lo sviluppo e l’implementazione di sistemi basati su intelligenza artificiale potrebbero quindi richiedere molto tempo, e ci sono poche scorciatoie per le varie fasi necessarie. Una volta che queste siano state intraprese con successo, il ridimensionamento può essere molto rapido, in particolare se si dispone di un’abbondante quantità di dati e si padroneggia adeguatamente l’ingegneria della conoscenza. Quando un follower ha completato tutta la preparazione necessaria, i primi utenti avranno assunto una quota di mercato considerevole: saranno in grado di operare a costi notevolmente inferiori con prestazioni migliori. In breve, i vincitori potrebbero “prendere tutto” e i follower potrebbero non raggiungerli mai.

Certo, alcuni passi potrebbero essere accelerati attendendo un’azienda disposta a cedere la sua conoscenza unica e le sue modalità di conduzione del business. Alcuni fornitori stanno sviluppando dei modelli di conoscenza “preconfezionata” per le applicazioni di visione artificiale. Se ne esiste uno per il proprio settore o per il proprio problema specifico, e si è disposti ad adottarlo con poche modifiche, si potrà forse accelerare il processo di adozione dell’IA. Ma si potrebbe anche perdere la propria competenza distintiva o il vantaggio competitivo se il sistema non viene modificato per adattarlo al proprio contesto.

L’ovvia conclusione è che se si vuole avere successo con l’intelligenza artificiale e si pensa che potrebbe esserci una minaccia da parte dei concorrenti o dei nuovi arrivati guidati dall’IA, si dovrebbe iniziare ora ad adottarla nella propria azienda.

, ,
Articolo precedente
Il Return on Investment (ROI) del deep learning
Articolo successivo
Cognex acquisisce SUALAB e raddoppia così la leadership nella visione artificiale basata su deep learning
Menu