Intelligenza artificiale, previsioni per il 2019: le ricerche di PwC

Il successo dall’utilizzo dell’intelligenza artificiale dipenderà dalle strategie adottate per l’organizzazione e la forza lavoro, dalla creazione di intelligenza artificiale responsabile e dal trattamento di dati predisposti per l’IA, dalla capacità di reinventare il business e dall’integrazione dell’intelligenza artificiale con altre tecnologie emergenti come analytics, ERP, Internet of Things (IoT), blockchain e quantum computing

Pubblicato il 06 Mar 2019

intelligenza artificiale

L’intelligenza artificiale potrebbe apportare, entro il 2030, un contributo di circa 15,7 miliardi di dollari all’economia globale e generare un incremento del PIL fino al 26% per le economie locali. Questo secondo le stime tratte dallo studio di PwC Global Artificial Intelligence Sizing the prize. What’s the real value of AI for your business and how can you capitalise?

L’intelligenza artificiale possiede il giusto potenziale per trasformare quasi tutto ciò che riguarda l’attività e i mercati cambiando definitivamente e drasticamente il modo in cui si fanno affari. Ne è convinta la maggior parte dei dirigenti aziendali che però ancora non sa come dislocare al meglio questa tecnologia emergente in tutte le funzioni organizzative, generando il massimo valore.

Definire la strategia di implementazione per ottenere risultati di business, ricercare personale esperto in IA ma anche addestrare i dipendenti a utilizzare sistemi di questo tipo, gestire consapevolmente i dati e garantire l’affidabilità di questa tecnologia. Queste sono alcune delle complicazioni che sorgono e a cui si aggiungono, la natura delle strategie risolutive che spesso varia da un’azienda a quella successiva e l’ambiente in continua evoluzione. Per di più, l’adozione dell’IA subirà un’accelerazione nel 2019.

Il successo derivante dall’utilizzo dell’intelligenza artificiale dipenderà dalle strategie adottate per l’organizzazione e la forza lavoro, dalla creazione di intelligenza artificiale responsabile e dal trattamento di dati predisposti per l’IA, dalla capacità di reinventare il business e dall’integrazione dell’intelligenza artificiale con altre tecnologie emergenti come analytics, ERP, Internet of Things (IoT), blockchain e quantum computing.

Le 6 priorità secondo PwC

PwC (PricewaterhouseCoopers), network internazionale che fornisce servizi di consulenza, direzione e strategica, revisione di bilancio e consulenza legale e fiscale, ha intervistato più di 1.000 dirigenti aziendali statunitensi a capo di aziende che stanno studiando o implementando l’intelligenza artificiale e raccolto le loro previsioni all’interno del rapporto PwC 2019 AI predictions.
Il 20% dei business executive dichiara che le loro organizzazioni pianificano di implementare l’IA a livello di impresa (enterprise-wide) nel 2019 distribuendola in tutte le aree operative con il risultato di operazioni di business potenziate.

Inoltre, si aspettano che il loro investimento nell’IA, spesso parte di iniziative di automazione intelligenti di alcuni compiti o ruoli, vada oltre l’aumento della produttività e la riduzione i costi, interpretandolo come un percorso verso profitti e ricavi in ​​crescita. La ricerca Global Artificial Intelligence mostra che il 45% dei guadagni economici totali entro il 2030 verrà dai miglioramenti del prodotto, stimolando la domanda dei consumatori. Questo perché l’intelligenza artificiale guiderà una maggiore varietà di prodotti, con maggiore personalizzazione, attrattività e convenienza nel tempo.

Le tendenze identificate sullo sviluppo dell’IA nel 2018 (consultabili a questo link) – compreso il reale impatto sulla forza lavoro, l’invito a tutte le aziende a concentrarsi su una IA responsabile e le minacce emergenti sulla sicurezza informatica e sulla competitività nazionale – sono ancora più rilevanti oggi. Ma con l’AI che passa sempre di più dal laboratorio agli uffici, alle fabbriche, agli ospedali, ai cantieri e alle vite dei consumatori, è necessario un approccio diverso. La previsione per il 2019? Le aziende che si concentreranno su sei aree chiave diventeranno leader in questo mercato.

1. Structure: approccio adattivo e team eterogeneo

Dataset e modelli riutilizzabili

Al posto di applicare l’intelligenza artificiale ad un processo completo, occorre concentrarsi su attività specifiche comuni a tutta l’azienda e sviluppare soluzioni di IA riutilizzabili.

Non esistono molti algoritmi di intelligenza artificiale: gli stessi sono in grado di risolvere la maggior parte dei problemi aziendali, quindi un’applicazione corretta e di successo di un modello IA in un’area specifica è probabile che possa essere replicata, integrata e adattata in un insieme più ampio di attività.

Ciò genera sia un rapido ritorno sugli investimenti (ROI) che uno slancio su scala (momentum to scale). I dirigenti del sondaggio stanno adottando questa strategia: hanno classificato i modelli di IA e i set di dati che possono essere utilizzati in tutta l’organizzazione come la più importante capacità su cui si concentreranno nel 2019.

Un team eterogeneo per gestire l’intelligenza artificiale

Rilevante è riunire personale con competenze di IA, IT e specializzate (core business) e quindi costituire un team eterogeneo che rappresenta tutte le parti dell’organizzazione. Un centro di eccellenza (CoE) è spesso il modo migliore per costruire una chiara strategia e un modello di intelligenza artificiale secondo il 24% dei dirigenti. Dovrebbe stabilire e supervisionare le politiche dei dati a livello aziendale e determinare gli standard tecnologici, compresi l’architettura, gli strumenti, le tecniche, la gestione dei fornitori e della proprietà intellettuale e quanto devono essere intelligenti i sistemi di intelligenza artificiale.

Inoltre, il team IA dovrebbe creare e gestire una piattaforma digitale per la collaborazione, il supporto e la gestione delle risorse. Un ambiente virtuale con strumenti self-service collegabili, in cui professionisti delle imprese e della tecnologia possono condividere le risorse (come set di dati, metodologie e componenti riutilizzabili) e collaborare alle iniziative.

2. Workforce: train, coach e collaborate

L’upskilling e il training dei non-AI professionals per imparare a lavorare con l’intelligenza artificiale è diventato una fase cruciale della strategia di forza lavoro. Con il dilagare di una nuova classe di strumenti che ottimizzano e automatizzano parte del processo per la creazione di modelli di intelligenza artificiale, l’intelligenza artificiale si sta democratizzando. Il 38% dei dirigenti concentrerà gli sforzi sugli strumenti di intelligenza artificiale pensati per gli uomini d’affari, la capacità (seconda in graduatoria) che intendono coltivare dopo dataset e modelli riutilizzabili.

Tuttavia, anche con la formazione di base, gli uomini d’affari potrebbero non comprendere appieno i diversi parametri e i livelli di prestazione degli algoritmi di intelligenza artificiale. Potrebbero accidentalmente applicare gli algoritmi sbagliati, con risultati non intenzionali. La risposta è una workforce strategy che crea tre livelli di dipendenti esperti di intelligenza artificiale e che offre la possibilità a tutti e tre di collaborare con successo.

Citizen users, citizen developers, data scientists

Con il diffondersi dell’IA, la maggior parte dei dipendenti di un’azienda necessita di formazione per diventare AI citizen users: imparare ad utilizzare le applicazioni potenziate dall’intelligenza artificiale dell’azienda, supportare una buona governance dei dati e ottenere l’aiuto di esperti quando necessario.

Un gruppo più specializzato, dal 5% al ​​10% della forza lavoro, dovrebbe ricevere ulteriore formazione per diventare citizen developers: utenti esperti e in grado di identificare casi d’uso e dataset e lavorare a stretto contatto con gli specialisti di intelligenza artificiale per sviluppare nuove applicazioni IA.

Infine, a un gruppo piccolo ma cruciale di ingegneri informatici e scienziati informatici (data engineers e data scientists) spetta la creazione, la distribuzione e la gestione di applicazioni IA.

Per far funzionare questi tre gruppi, è necessario identificare sistematicamente nuove competenze e ruoli e incoraggiarli alla collaborazione. Molti dipendenti riusciranno a completare con successo questi nuovi ruoli, ma alcuni non saranno in grado di effettuare la transizione. Bisogna quindi aspettarsi un certo tasso di turnover.

La sfida ai posti di lavoro

Le stime dell’impatto dell’intelligenza artificiale sui posti di lavoro variano ampiamente, comprese quelle dello studio internazionale sull’automazione dei posti di lavoro di PwC intitolato Will robots really steal our jobs? An international analysis of the potential long term impact of automation in cui sono stati analizzati più di 200 mila lavori in 29 paesi per esplorare i benefici economici e le sfide potenziali poste dall’automazione. Sembra che solo il 3% dei posti di lavoro saranno a rischio potenziale di automazione entro il 2020, ma addirittura il 30% entro la metà degli anni ’30 e il 44% di lavoratori colpiti saranno quelli un basso livello di istruzione. 

I dirigenti del sondaggio PwC 2019 AI predictions concordano sul fatto che, per ora, l’intelligenza artificiale non sta eliminando posti di lavoro nelle organizzazioni. In effetti, come tanti dirigenti affermano che l’intelligenza artificiale porterà ad un aumento dell’organico (38%) tanti sono coloro che hanno dichiarato che l’IA porterà a tagli (19%).

In questo momento, la sfida è quella di riempire posti di lavoro che l’IA richiede: il 31% dei dirigenti è preoccupato per l’incapacità di soddisfare la domanda di competenze IA nei prossimi cinque anni. L’upskilling può creare citizen users e developers, ma probabilmente sarà necessario assumere programmatori altamente qualificati e data scientists, creare partenariati con college o avviare programmi di apprendistato sono un buon punto di partenza. Oltre al reclutamento e all’aggiornamento, è necessario identificare in che modo l’IA sta cambiando i ruoli e le competenze lavorative; evolvere strutture di riqualificazione, performance e compensazione e sviluppare nuovi processi collaborativi.

Un ultimo punto, riguarda il fatto che per attrarre e trattenere i talenti dell’IA, oltre ad utilizzare l’intelligenza artificiale in modo responsabile e offrire al meglio le risorse, bisogna coltivare una cultura accogliente: l’empowerment individuale e la cultura collaborativa consentono ai dipendenti di fare un ottimo lavoro in collaborazione con altre persone di talento.

“La realizzazione dei benefici dell’IA richiede una pianificazione tecnologica ponderata”, afferma Soumendra Mohanty, vicepresidente esecutivo e chief data officer di LTI, una società IT globale. “Le applicazioni di IA elevano il lavoro, consentendo agli esseri umani di eseguire un higher-order work“.

3. Trust: rendere l’intelligenza artificiale responsabile

Sono aumentate le preoccupazioni relative al come l’IA potrebbe impattare su dimensioni come privacy, sicurezza informatica, occupazione, disuguaglianza e ambiente. I clienti, i dipendenti, i consigli di amministrazione, i regolatori e i partner aziendali si pongono tutti la stessa domanda: possiamo fidarci dell’intelligenza artificiale?

Non sorprende che il 37% dei dirigenti affermi che garantire sistemi di IA affidabili è la principale sfida per il 2019 e che dipende dall’aderenza a 5 aspetti:

  • Equità: stai minimizzando i pregiudizi nei dati e nei modelli di intelligenza artificiale? Stai affrontando i bias quando usi l’intelligenza artificiale?
  • Interpretabilità: puoi spiegare come un modello di intelligenza artificiale prende decisioni? Puoi assicurarti che quelle decisioni siano accurate?
  • Robustezza e sicurezza: puoi contare sulle prestazioni di un sistema IA? I tuoi sistemi di IA sono vulnerabili agli attacchi?
  • Governance: chi è responsabile per i sistemi di intelligenza artificiale? Avete i controlli adeguati in atto?
  • Etica del sistema: i tuoi sistemi IA sono conformi alle normative? In che modo influenzeranno i vostri dipendenti e clienti?

Un numero crescente di aziende supervisiona l’IA attraverso commissioni etiche o capi funzionari di etica per la tecnologia. È una tendenza incoraggiante, che si prevede accelererà. Potrebbe anche essere necessario creare ruoli di lavoro che uniscano l’esperienza tecnica ad una comprensione delle preoccupazioni normative, etiche e reputazionali.

Test, compromessi ed explainable AI

Per stabilire i controlli sui dati, gli algoritmi, i processi e i sistemi di reporting dell’IA, servono team specializzati di tecnici, esperti aziendali e revisori interni. Le migliori pratiche comprendono lo sviluppo di processi per riunire diverse parti interessate e testare continuamente i sistemi di intelligenza artificiale considerandone i compromessi in base al settore. Con l’interpretabilità, ad esempio, si desidera raggiungere il giusto equilibrio tra prestazioni, costi, criticità del caso d’uso e l’estensione delle competenze umane coinvolte. Un’auto a guida autonoma, una diagnosi di assistenza sanitaria AI e una campagna di marketing guidata dall’IA richiederebbero diversi livelli e tipi di interpretabilità e controlli correlati.

Altri modi per rendere l’IA più affidabile provengono dai progressi della tecnologia stessa, in particolare nell’area dell’explainable AI o XAI. Man mano che l’intelligenza artificiale diventa più sofisticata, sempre più processi decisionali vengono eseguiti da una “scatola nera” algoritmica. Per avere fiducia nei risultati, cementare la fiducia degli stakeholder e capitalizzare in ultima analisi le opportunità, potrebbe essere necessario conoscere le motivazioni su come l’algoritmo è arrivato alla sua raccomandazione o decisione. Il programma XAI della Defense Advanced Research Projects Agency (DARPA) sta lavorando su algoritmi più interpretabili con l’obiettivo di una soluzione IA in grado di spiegare la sua logica, i suoi punti di forza e debolezza e comunicare come agirà in futuro.

Nel 2019 un numero crescente di imprese vorrà rendere le decisioni IA più trasparenti, interpretabili e dimostrabili. Dovranno anche prevedere quando gli algoritmi richiederanno il controllo. In futuro, ci si aspetta che alcuni governi rendano un certo livello di interpretabilità un requisito normativo.

4. Data: localizzare ed etichettare

La principale priorità dei dati relativi all’IA per il 2019 è quella di integrare i sistemi di intelligenza artificiale e di analytics per ottenere business insights dai dati. L’intelligenza artificiale può essere utilizzata con dati e analisi per gestire meglio i rischi, aiutare i dipendenti a prendere decisioni migliori, automatizzare le operazioni dei clienti e altro ancora.

Il problema è che le aziende non stanno fornendo le basi che l’IA necessita per avere successo. Meno di un terzo dei dirigenti afferma che standardizzare, integrare ed etichettare i dati è una priorità per la loro attività nel 2019.

Infatti, affinché l’apprendimento automatico (machine learning) rilevi schemi significativi nel presente e preveda il futuro, ha bisogno di sufficienti dati storici sul comportamento del consumatore, il che consente di prevedere in che modo quel consumatore – e altri come lui – si comporteranno in futuro.

Ma per creare i dataset necessari all’addestramento dei sistemi, bisogna etichettare i dati e per farlo in modo coerente sono necessari standard aziendali. Un AI CoE può creare e monitorare standard di dati, nonché sviluppare sistemi e processi che rendano più facile per i dipendenti creare set di dati utilizzabili e etichettati per un uso futuro.

Anche con una migliore governance dei dati, permangono sfide di business poiché alcune soluzioni di IA richiedono dati di addestramento che le aziende potrebbero non avere a disposizione. Tuttavia, tecniche di machine learning nuove, lean e augmented possono consentire all’IA di produrre i propri dati basandosi su pochi campioni, come trasferire modelli da un’attività con molti dati ad un’altra che non dispone di dati. A volte l’intelligenza artificiale può sintetizzare i propri dati di training usando tecniche come l’apprendimento reinforcement learning, active learning, generative adversarial networks e digital twins.

Problemi normativi

Molti politici considerano questo momento l’inizio di una corsa agli armamenti per l’intelligenza artificiale che ha bisogno di finanziamenti pubblici e deregolamentazione. Altri chiedono linee guida esaustive che affrontino algoritmi etici, riqualificazione della forza lavoro, sicurezza pubblica, antitrust e trasparenza. Nel dicembre 2018, più di due dozzine di paesi avevano pubblicato strategie o erano in procinto di formularle.

Allo stesso tempo, le normative emergenti sulla privacy dei dati influenzeranno l’intelligenza artificiale e potrebbero limitare la sua crescita perché influiscono sul modo in cui le aziende che operano a livello globale possono utilizzare i dati generati tra territori. Il regolamento europeo sulla protezione dei dati generali è entrato in vigore nel maggio 2018 e il California Consumer Privacy Act è in arrivo nel 2020.  GDPR e CCPA presentano differenze, ma entrambe offrono alle persone il diritto di osservare e controllare il modo in cui le organizzazioni raccolgono e utilizzano i propri dati personali, nonché fare ricorso se dovessero subire danni a causa di pregiudizi o violazioni della sicurezza informatica.

Le aziende dovrebbero poi adottare un approccio globale ai problemi normativi allineando i team che stanno aiutando a definire le politiche in diverse giurisdizioni e ad affrontare la compliance applicando le migliori pratiche a livello globale.

5. Reinvention: monetizzare l’IA

Molte aziende stanno già utilizzando l’intelligenza artificiale per migliorare le operazioni e l’esperienza cliente. Ma nel 2019, alcune di loro pianificheranno o svilupperanno nuovi modelli di business basati sull’IA e indagheranno sulle nuove opportunità di guadagno.

In questo momento, i maggiori vantaggi dell’IA derivano dall’incremento della produttività, poiché le aziende utilizzano l’intelligenza artificiale per automatizzare i processi e aiutare i dipendenti a prendere decisioni migliori. Tuttavia, come rilevato dallo studio di PwC’s Global Artificial Intelligence, la maggior parte dell’impatto economico dell’IA entro il 2030 deriverà dal lato del consumatore, attraverso prodotti e servizi di maggiore qualità, più personalizzati e data-driven. Sanità, vendita al dettaglio e industria automobilistica potrebbero constatare i benefici più immediati, secondo l’analisi di oltre 300 casi d’uso di IA.

L’IA nell’assistenza sanitaria, ad esempio, potrebbe consentire nuovi modelli di business basati sul monitoraggio dei dati sullo stile di vita dei pazienti, fornire diagnosi più rapide e accurate del cancro e di altre malattie e generare un’assicurazione sanitaria personalizzata e adattabile.
I rivenditori stanno già utilizzando l’intelligenza artificiale per anticipare le tendenze e guidare l’azienda a soddisfarle. Il prossimo è il retail iper-personalizzato: IA e automazione rendono fattibile per i rivenditori offrire un numero crescente di prodotti o servizi creati appositamente per un singolo individuo.

Investing in AI startups

Gli affari consolidati non sono gli unici che cercano di monetizzare l’IA. Le start-up di IA stanno proliferando. A partire dal terzo trimestre del 2018, ci sono state 940 società IA identificate dal rapporto PwC / CB Insights MoneyTree. Gli investimenti di venture capital statunitensi in quelli privati ​​(circa 790 aziende) sono in pieno boom: 6,6 miliardi di dollari nei primi tre trimestri del 2018, rispetto a 3,9 miliardi di dollari nello stesso periodo del 2017.

Considerare gli investimenti e le acquisizioni: con così tanta innovazione dell’IA che avviene attraverso le start-up, occorre guardare a potenziali mercati, tecnologie e talenti per accedere attraverso partnership, investimenti o acquisizioni.

6. Convergence: IA con analytics, IoT e blockchain

Al di sotto dell’esigenza di garantire la fiducia nell’intelligenza artificiale, il 36% dei dirigenti intervistati posiziona l’importanza dell’integrazione dell’IA con altre tecnologie come analytics, ERP, Internet of Things (IoT), blockchain e quantum computing, collocando questa sfida alla pari della riqualificazione dei dipendenti. Supportare le analisi avanzate, predittive e di streaming ad evolversi ulteriormente con l’intelligenza artificiale è una priorità comune. Questa convergenza può rendere più potenti i nuovi modelli di business basati sui dati.

L’intelligenza artificiale e le analytics giocheranno un ruolo fondamentale nella ricerca di pattern nella marea di dati ricavati da dispositivi aziendali e consumer per supportare le decisioni aziendali, dalla manutenzione dei sistemi alle intuizioni di marketing. L’intelligenza artificiale incorporata, che incorpora i chipset IA direttamente nei dispositivi IoT per creare intelligenza locale, aiuterà a rispondere a questa sfida.

Tutto parte dai dati e prosegue con lo sviluppo congiunto

L’integrazione di successo dell’IA con le altre tecnologie inizia dai dati. Solo le organizzazioni che hanno investito nell’individuazione, aggregazione, standardizzazione e etichettatura dei dati, con l’infrastruttura di dati e l’archiviazione a supporto, saranno in grado di effettuare questa combinazione.

Per integrare l’intelligenza artificiale con altri sistemi aziendali, anche diversi team di specialisti devono riunirsi. Al posto di avere un data scientist che completa un algoritmo, affidandolo poi ad uno specialista IT per codificare un’interfaccia di programmazione dell’applicazione (API) o inviarlo a qualcuno dell’azienda che lo applicherà, questi team dovrebbero collaborare fin dall’inizio.

Una parte della risposta riguarda le tecniche DevOps, che inseriscono i team di sviluppo e operativi in ​​un ciclo di feedback per una collaborazione costante e l’apporto di cambiamenti interattivi ai nuovi prodotti. Un’altra parte riguarda la creazione di nuovi ruoli per i dipendenti che fungeranno da traduttori e collegamenti tra i vari team.

Infine, è importante mantenersi allenati con nuovi dati: i sistemi aziendali e le reti IoT creano continuamente dati. Per evitare un calo delle prestazioni, è necessario allenare continuamente gli algoritmi di intelligenza artificiale con un flusso continuo di nuovi dati. In caso contrario, i modelli di intelligenza artificiale funzioneranno con dati obsoleti, che ne degraderanno le prestazioni. I modelli avranno anche bisogno di test, aggiornamenti e sostituzioni regolari.

Per concludere, le aziende dovranno

  • garantire che l’intelligenza artificiale abbia una propria struttura organizzativa e piani per l’addestramento della forza lavoro;
  • generare algoritmi IA affidabili e dati giusti per addestrare tali algoritmi;
  • creare un piano innovativo per reinventare il business aumentando entrate e profitti con l’intelligenza artificiale;
  • integrare l’intelligenza artificiale con altre tecnologie esistenti ed emergenti per estrarre il massimo valore.

È una lista ambiziosa di attività da portare a termine, ma le aziende che le seguiranno certamente si distingueranno dai competitor.

Valuta la qualità di questo articolo

La tua opinione è importante per noi!

Articoli correlati

Articolo 1 di 2