Intelligenza artificiale, i risultati della prima ondata nelle aziende

L' intelligenza artificiale è un argomento caldissimo. Spinte dal timore di perdere terreno, le aziende di molti settori hanno annunciato iniziative incentrate sull'Intelligenza artificiale. Purtroppo secondo alcuni la maggior parte di questi sforzi falliranno.

È la sentenza, per esempio, dell’Harvard business review. L'autorevole rivista è convinta che i fallimenti non ci saranno perché l’intelligenza artificiale è inutile, ma perché le imprese si avvicinano all'innovazione guidata dall'intelligenza artificiale in modo scorretto. E questa non è la prima volta che le aziende commettono questo tipo di errore.

Alla fine degli anni 90, Internet era la grande tendenza. La maggior parte delle aziende ha aperto divisioni online. Ma i sucessi sono stati pochissimi. Una volta spenta la bolla delle .com molte aziende hanno interrotto o notevolmente ridimensionato i loro sforzi online. E qualche anno dopo sono ripartite dopo avere visto gli effetti della rete su musica, viaggi, notizie e video.

I problemi dell'intelligenza artificiale

A metà degli anni 2000, la buzzword era il cloud computing. Diverse aziende hanno deciso di testare la nuova tecnologia. C’erano ancora però diversi problemi che andavano dalla conformità normativa alla sicurezza. Così, molte organizzazioni hanno rinunciato allo spostamento di dati e applicazioni nel cloud.

Quelli che hanno insistito sono oggi ben posizionati, avendo trasformato i loro processi aziendali e permesso un livello di agilità che i concorrenti non possono facilmente imitare. La stragrande maggioranza continua a recuperare il ritardo.

L’impressione è che una storia simile di fallimenti precoci che portano a ritiri irrazionali si verificherà con l’intelligenza artificiale. Già, le prove suggeriscono che i primi pilot non sono in grado di produrre i risultati che gli appassionati di tecnologia prevedono.

Ad esempio i primi sforzi delle aziende che sviluppano chatbot per la piattaforma Messenger di Facebook hanno visto tassi di problemi del 70% nella gestione delle richieste degli utenti.

Tuttavia, un'inversione di tendenza su queste iniziative tra le grandi imprese sarebbe un errore. Il potenziale dell'Ia di trasformare le industrie è davvero enorme.

Recenti ricerche del McKinsey Global Institute hanno dimostrato che il 45% delle attività lavorative potrebbe essere potenzialmente automatizzato dalle tecnologie odierne, e l'80% di ciò è reso possibile dall'apprendimento automatico.

La relazione ha inoltre evidenziato che le imprese di molti settori, come l'industria manifatturiera e l'assistenza sanitaria, hanno sfruttato meno del 30% del potenziale derivante dai loro investimenti in dati e analisi. I primi fallimenti sono spesso utilizzati per rallentare o porre fine a questi investimenti.

L'intelligenza artificiale è un cambiamento di paradigma per le organizzazioni che non hanno ancora completamente abbracciato e vedere i risultati anche dall' analisi di base. Quindi creare l'apprendimento organizzativo nella nuova piattaforma è molto più importante che vedere un grande impatto nel breve periodo. Ma come giustifica un manager a continuare ad investire se le prime iniziative non producono risultati?

Il suggerimento è di adottare progetti che potrebbero generare risultati rapidi e progetti a lungo termine focalizzati sulla trasformazione del workflow end-to-end. Per i risultati veloci, ci si potrebbe concentrare sul cambiamento dei punti di contatto interni dei dipendenti, utilizzando i recenti progressi nel discorso, nella visione e nella comprensione del linguaggio.

Esempi di questi progetti potrebbero essere un'interfaccia vocale per aiutare i farmacisti a cercare farmaci sostitutivi o uno strumento per programmare riunioni interne.

Si tratta di aree in cui è possibile utilizzare strumenti già disponibili di recente, come l'Api cloud speech di Google e l'Api di riconoscimento vocale di Nuance, e non richiedono investimenti massicci nella formazione e nell'assunzione. Questi progetti aiutano le organizzazioni ad acquisire esperienza con la raccolta, l'elaborazione e l'etichettatura dei dati su larga scala, competenze che le aziende devono possedere prima di intraprendere progetti più ambiziosi.

Per i progetti a lungo termine, si potrebbe andare oltre l'ottimizzazione dei punti, per ripensare i processi end-to-end, che è l'area in cui le aziende probabilmente vedranno il maggiore impatto. Ad esempio, un assicuratore potrebbe prendere un processo aziendale come l'elaborazione dei sinistri e automatizzarlo completamente, utilizzando la comprensione vocale e visiva.

L’assicurazione auto Allstate già consente agli utenti di scattare foto di danni auto e risolvere i loro sinistri su un'applicazione mobile. La tecnologia che è stata addestrata sulle foto di reclami passati può stimare con precisione l'entità del danno e automatizzare l'intero processo.

Come hanno imparato aziende come Google, la costruzione di un'automazione del flusso di lavoro di così alto valore richiede non solo tecnologie pronte all'uso, ma anche competenze organizzative per la formazione degli algoritmi di apprendimento delle macchine.

L' obiettivo iniziale era di incorporare il machine learning in alcuni sottocomponenti di un sistema (ad esempio, il rilevamento dello spam in Gmail), ma ora l'azienda sta utilizzando il machine learning per sostituire interi insiemi di sistemi. Inoltre, per aumentare l'apprendimento organizzativo, l'azienda sta disperdendo gli esperti di machine learning in diversi gruppi di prodotti e sta formando migliaia di ingegneri software, in tutti i prodotti Google, nel campo dell'apprendimento di base.

 

Se questo articolo ti è piaciuto e vuoi rimanere sempre informato sulle novità tecnologiche iscriviti alla newsletter gratuita.

LASCIA UN COMMENTO

Please enter your comment!
Please enter your name here