Pubblicato in precedenza su LSE Business Review.
L'apprendimento automatico è pronto a spianare la strada a molte opportunità interessanti per le aziende, ma ci sono molti ostacoli da superare prima di arrivare al traguardo. Molte organizzazioni sono ancora alle prese con sistemi legacy e sono lente a investire in tecnologie più avanzate. Ma la questione più urgente, che rappresenta un problema costante per il settore tecnologico, è la scarsità di talenti qualificati per un settore in rapida evoluzione ed esigente.
Un territorio inesplorato
Per sua natura, l'apprendimento automatico è sperimentale e spesso imprevedibile: sono necessarie molte esplorazioni prima che le organizzazioni possano iniziare a dare un senso ai dati e a quali algoritmi di apprendimento automatico funzioneranno meglio. Sebbene la natura imprevedibile dell'apprendimento automatico sia comprensibilmente scoraggiante, molte organizzazioni non hanno ancora compreso appieno ciò che è necessario per implementarlo e gestirlo in modo efficace.
Accesso ai dati
L'accesso ai dati è fondamentale per qualsiasi forma di apprendimento automatico, ma praticamente tutte le aziende hanno politiche che limitano l'accesso a determinate informazioni e dati. Ciò che devono capire è che l'apprendimento automatico è, in ultima analisi, alimentato da tutti i tipi di dati. Pertanto, fornire un accesso coerente e continuo a tali dati, pur rispettando la sicurezza e altri mandati di governance dei dati, è essenziale per l'efficacia degli algoritmi. Anche se le organizzazioni dispongono di politiche che consentono un facile accesso ai dati in tempo reale, devono considerare come riunire i numerosi set di dati per garantire un flusso costante di dati. I modelli di apprendimento automatico non devono essere addestrati su una serie fissa di dati una tantum, poiché l'efficacia dei modelli decade, ma devono essere addestrati continuamente su dati in continua evoluzione, in modo che i modelli possano evolvere con il comportamento mutevole dei dati e dei sistemi.
Tecnologia obsoleta
Un'altra barriera all'adozione del machine learning è la tecnologia obsoleta. Molte organizzazioni si affidano ancora a tecnologie legacy e a sistemi di dati on-premises, il che rende incredibilmente difficile elaborare e gestire efficacemente il crescente volume e la varietà di dati generati. Di conseguenza, i professionisti dell'IT dedicano troppo tempo alla codifica manuale per risolvere il disordine dei dati e alla creazione di pipeline di dati, e non abbastanza alle attività di maggior valore.
Fuori il vecchio, dentro il nuovo
Le aziende si trovano di fronte a due opzioni quando si tratta di tecnologia: essere all'avanguardia rispetto alla concorrenza o rischiare di diventare obsolete. Le organizzazioni non solo devono migliorare l'esperienza dell'utente e garantire un uso efficace delle risorse, ma devono anche essere in grado di anticipare e prevedere le azioni e le aspettative degli utenti per fornire raccomandazioni accurate o intuizioni attuabili. Per affrontare le questioni tecniche, le aziende dovrebbero investire non solo nelle tecnologie emergenti di cloud , ma anche in quelle in grado di fornire un livello di automazione intelligente e di richiedere una codifica minima per alleggerire il carico dei professionisti IT.
Gli investimenti non riguardano solo la tecnologia, ma anche la formazione e l'aggiornamento dei dipendenti. Le organizzazioni devono assicurarsi che i loro dipendenti, sia nell'IT che nelle varie linee di business, siano ben equipaggiati per utilizzare appieno queste nuove tecnologie e che vengano regolarmente formati per aggiornare e ampliare le loro competenze.
Colmare il divario di competenze
Un altro problema importante che le organizzazioni devono affrontare da tempo è la mancanza di talenti qualificati. La diffusione delle tecnologie di apprendimento automatico e di cloud ha portato a un corrispondente aumento della domanda di talenti qualificati che siano in grado di utilizzare questi strumenti in modo efficace. Il numero di data scientist e specialisti di machine learning è in crescita, ma la realtà è che queste competenze specialistiche richiedono tempo per essere sviluppate. Di conseguenza, l'offerta attuale non è al passo con la domanda.
Il problema della carenza di talenti non deve ricadere solo sulle imprese: anche le università hanno un ruolo da svolgere. È incoraggiante vedere che le università stanno aggiungendo ogni giorno più corsi di machine learning e data science, e alcune di esse hanno inserito queste nuove discipline nei curricula di base di alcune lauree. Ma non ci si deve fermare qui: mentre il mondo accademico fornisce agli studenti una formazione teorica, le imprese possono fornire approfondimenti ed esperienze basate su problemi aziendali reali. Le imprese dovrebbero intervenire collaborando con le università per aiutare gli studenti a fare esperienza pratica sul posto di lavoro. Un modo per farlo è rendere l'esperienza lavorativa un requisito del corso. Le università più avanzate rendono obbligatorio per gli studenti che frequentano questi corsi trascorrere un semestre di lavoro presso un'azienda in un settore rilevante. Questo non solo offre agli studenti l'opportunità di lavorare con una varietà di aziende diverse, ma accorcia notevolmente il processo di reclutamento per le aziende quando arriva il momento di assumere la prossima ondata di dipendenti a tempo pieno.
Inoltre, le aziende devono guardare oltre l'assunzione di laureati per le posizioni di machine learning e data science. In un settore in cui i talenti qualificati scarseggiano, la formazione dei dipendenti esistenti che hanno altre competenze rilevanti aiuterà a colmare il gap di competenze. È sorprendente vedere quante risorse e materiali preziosi e a basso costo siano disponibili per aiutare le persone ad autoformarsi, in modo che possano imparare a codificare e ad aggiornarsi sulle nuove tecnologie.
Una tendenza interessante che stiamo iniziando a vedere è che i professionisti, come gli analisti aziendali senior e gli ingegneri del software, stanno ampliando la loro conoscenza della scienza dei dati e dell'apprendimento automatico. Molti ingegneri del software, ad esempio, hanno una certa familiarità con l'apprendimento automatico, in quanto si tratta effettivamente di software. Mentre gli analisti aziendali IT potrebbero non avere esperienza di programmazione software, la loro conoscenza del dominio, la loro esperienza nella gestione di dati e analisi e una serie emergente di strumenti tecnologici intuitivi e self-service consentono loro di trarre vantaggio dall'apprendimento automatico. Guardare oltre gli scienziati dei dati e investire in persone con altre competenze utili in questo modo non solo aiuterà ad alleviare la carenza di talenti, ma consentirà anche a una gamma più ampia di utenti di impegnarsi con l'apprendimento automatico e fornire valore all'azienda.
Come sfruttare al meglio l'apprendimento automatico
L'apprendimento automatico e l'intelligenza artificiale finiranno per permeare tutti gli aspetti delle applicazioni e dei sistemi, non solo l'analisi predittiva. Ma c'è ancora molta strada da fare prima che questo diventi realtà. Le aziende devono liberarsi con decisione dei sistemi preesistenti e investire in tecnologie e risorse che permettano loro di essere all'avanguardia. Ma sarà una causa persa se le imprese non si assicureranno che i loro dipendenti siano attrezzati per sfruttare al meglio queste tecnologie. La collaborazione con le università e le scuole di formazione professionale è essenziale non solo per inserire nuovi talenti, ma anche per garantire ai dipendenti un costante ampliamento delle loro competenze e conoscenze.
Tutti questi sviluppi lasciano presagire un futuro brillante, che vedrà l'adozione diffusa dell'apprendimento automatico per risolvere alcune delle pressanti sfide aziendali di domani.
