McKinsey Technology Trends Outlook 2022: i dati su AI e machine learning

L’intelligenza artificiale applicata è il trend tecnologico con maggiore tasso di innovazione tra i quattordici individuati dal “McKinsey Technology Trends Outlook 2022”, il report della multinazionale di consulenza direzionale strategica.

Dal 2020 al 2021 gli investimenti privati nelle società collegate all’AI sono raddoppiati, con un numero di brevetti depositati di 30 volte superiore al 2015. L’automazione abilitata dall’AI rappresenta quindi una vera opportunità per l’ottimizzazione del business.

Applicazione dell’AI: dove e quanto è cresciuta

L’intelligenza artificiale può risolvere problemi di classificazione e controllo delle diverse fasi industriali.

Dal 2018 al 2021, l’applicazione dell’AI è cresciuta di continuo in tutte le aree geografiche, con un aumento medio di 6 punti percentuali tra il 2020 e il 2021.

In particolare, secondo i dati McKinsey Technology Trend Outlook, nello stesso biennio l’aumento maggiore è stato stimato nei mercati in espansione come Cina, Medio Oriente e Nord Africa (dal 45% al 57%), seguiti dall’India (dal 57% al 65%) e dall’America Latina (dal 41% al 47%).

La maggiore percentuale di applicazione si è registrata invece nell’Sud-est asiatico con una percentuale del 64% (rispetto al 60% nel 2020).

Le maggiori tipologie di AI sul mercato

Tra le tecnologie di intelligenza artificiale più promettenti, il report McKinsey Technology Trends Outlook segnala:

• il machine learning, cioè l’apprendimento automatico, basato su algoritmi che “imparano” a riconoscere determinate correlazioni tra i dati e le usano per fare previsioni;
• la computer vision, o visione computerizzata, che lavora con dati visivi, immagini, video e segnali in 3D;
• l’apprendimento profondo per rinforzo (o deep reinforcement learning) che usa reti neurali artificiali e un sistema di apprendimento degli algoritmi basato su ricompense e penalità;
• l’elaborazione del linguaggio naturale (NLP), cioè algoritmi capaci di analizzare, scomporre, rappresentare e comprendere il linguaggio umano;
• il grafico della conoscenza, una sorta di grande enciclopedia organizzata come una rete che mostra le relazioni tra i vari dati inseriti.

I benefici del machine learning nel McKinsey Technology Trends Outlook

Gli strumenti di machine learning possono aiutare le industrie dalla progettazione al prodotto finito: il report McKinsey riporta che l’utilizzo del ML può ridurre del 90% i tempi di produzione grazie alla standardizzazione dei processi e fino al 40% delle risorse di sviluppo attraverso il miglioramento dell’automazione.

Il machine learning abilita la transizione:

• da un massiccio sforzo manuale in cui non c’è controllo sulla qualità e in cui il difetto di un unico componente può danneggiare o invalidare l’intera produzione, ad una gestione automatizzata e di alta qualità in cui il controllo è maggiore e i dati possono essere usati in centinaia di soluzioni;
• da una sperimentazione individualistica e artigianale a uno sviluppo strutturato e collaborativo in cui i componenti precostruiti vengono assemblati con un alto grado di automazione;
• da uno scarso controllo su ciò che va in produzione al controllo deciso e alla piena trasparenza, con monitoraggio completo in ogni fase che consente di intervenire in caso di anomalie in modo tempestivo ed efficace.

Applicazioni dell’AI: esempi

I possibili utilizzi dell’intelligenza artificiale nelle industrie e nelle aziende sono molteplici.

Tra gli esempi:

• nell’informatica ed elettronica, per la creazione di software, hardware e componenti elettronici (anche di visualizzatori 3D per software di simulatori);
• nelle telecomunicazioni, per identificare le preoccupazioni ricorrenti dei clienti e apportare soluzioni prima che insorgano lamentele;
• nei prodotti medici e farmaceutici, per valutare le relazioni tra i vari trattamenti medici e i risultati delle loro combinazioni e creare nuovi medicinali;
• nell’aerospaziale, per aiutare i produttori nel processo creativo, ad esempio attraverso la simulazione visiva della resa degli aerei in disparate condizioni, oppure nei processi di valutazione e riduzione dei rischi;
• nell’assistenza sanitaria, per l’autodiagnosi delle patologie e il supporto diagnostico decisionale;
• nella finanza, nel rilevamento delle frodi e per ridurre l’incidenza delle perdite economiche;
• nella vendita al dettaglio di beni confezionati, per incrementare le vendite attraverso l’analisi dei dati e la personalizzazione degli acquisti;
• nell’istruzione, per personalizzare e migliorare l’apprendimento del singolo studente;
• in aviazione, viaggi e logistica, per combinare impulsi provenienti da vari sensori e creare veicoli autonomi;
• nell’agricoltura, per stimare la produttività e intervenire in modo mirato sull’azienda agricola;
• nell’industria automobilistica, per lo sviluppo di veicoli autonomi, per i processi di montaggio, per automatizzare i test di controllo qualità;
• nell’industria chimica, per ottimizzare produzione e sviluppo dei processi attraverso il riconoscimento di molecole, la generazione di formule di composti chimici e l’analisi delle miscele. Automatizzando questi processi, si possono ridurre al minimo i rifiuti;
• nell’industria energetica e di gas naturale, per ottimizzare la produzione e ridurre i difetti dell’apparecchiatura e i tempi di inattività;
• nella metallurgica, per ottimizzare l’efficienza dei cantieri e aiutare nello sviluppo di “gemelli digitali”;
• nella petrolchimica, per prevedere la domanda e ottimizzare i piani di perforazione;
• nel settore pubblico e sociale,  per incrementare la distribuzione di servizi chiave e per ricevere aiuto nei meccanismi di controllo;
• immobiliare, per consigli di acquisto mirati e analisi di mercato che aiutino a gestire i rischi e ottimizzare i profitti.

I software di automazione ML

Occorrono diversi tipi di software a seconda delle varie fasi dei flussi di lavoro del ML:

• di gestione dati, per migliorare la qualità e disponibilità dei dati e il controllo dell’alimentazione del sistema del ML;
• di sviluppo del modello, cioè gli strumenti usati per costruire modelli di ML e per uniformare i processi;
• di distribuzione del modello, ovvero di messa in produzione e standardizzazione del processo;
• di funzionamento del modello dal vivo, per mantenere o migliorare la performance dei modelli in produzione.

McKinsey Technology Trends Outlook: chi utilizza di più il machine learning 

Secondo i dati McKinsey Technology Trends Outlook, i settori che attualmente traggono i maggiori benefici dal machine learning sono:

• l’industria farmaceutica globale che, usando software per sviluppo, distribuzione e operazioni sul modello dal vivo, ha ridotto i tempi: di mercato da quattro a un mese; di verifica della compatibilità del codice da due settimane a due ore; di installazione tecnica, da tre giorni a quindici minuti.
• Le banche digitali asiatiche, che hanno industrializzato e classificato i casi d’uso dell’AI abilitandone annualmente più di 150. Usando software e hardware in ogni step hanno: ridotto i tempi di produzione da 18 mesi a tre mesi; calcolato un incremento del riutilizzo dei beni, da meno del 10% a più del 50%; stimato una copertura del rischio d’impresa dallo 0% al 100%.
• I rivenditori nord-americani, che attraverso software per lo sviluppo e hardware per le operazioni sul modello dal vivo, hanno: trasformato il processo di distribuzione da manuale ad automatizzato; ridotto i tempi di consegna da due settimane a un giorno; ridotto i tempi di distribuzione da più di otto ore a meno di 15 minuti.

Vantaggi e rischi dell’utilizzo dell’AI

L’impatto finanziario, e quindi la diminuzione delle spese, è certamente il primo beneficio apportato dall’applicazione dell’AI.

Dai dati McKinsey Technology Trends Outlook, si evince che il 67% degli intervistati riporta un aumento delle entrate (il 27% lo quantifica nel 5% lordo) e il 79% afferma di avere riscontrato una riduzione dei costi nel tempo. La percentuale sale al 90% se si fa riferimento al 2020.

Altro vantaggio è l’aumento del bacino di utilizzo dell’AI, con lo sblocco di nuove opportunità aziendali e un aumento dell’accessibilità delle tecnologie.

Ma anche se il rendimento stimato totale degli azionisti a 5 anni è di 2,5 volte, il 72% delle organizzazioni intervistate da McKinsey non ha adottato e scalato con successo i modelli AI per la difficile transizione dai progetti-pilota ai prodotti, il blocco della produttività del team, le limitazioni nella protezione contro potenziali rischi da variabili sconosciute.

Da non sottovalutare inoltre:

• l’ammontare dell’investimento iniziale per la formazione e le risorse;
• la tutela della privacy e la sicurezza dei dati sul web. Non a caso, il 55% degli intervistati indica la cybersecurity come rischio principale per i propri affari e sottolinea la necessità di un impegno costante e crescente per mitigare questo aspetto.

In conclusione, affinché valga davvero la pena investire nell’utilizzo dell’AI, è necessario valutarne:

• affidabilità, e proporzionalità ai rischi;
• decifrabilità, ovvero la facilità con cui un modello di AI può essere compreso;
• priorità, cioè stabilire quale tipo di applicazione dell’AI apporta maggiori benefici per la propria azienda.