Pubblicato originariamente su data-economy.com.
L'intelligenza artificiale esiste da decenni, ma solo negli ultimi dieci anni è penetrata profondamente nel livello aziendale con un'ondata di nuove applicazioni.
João Marques Lima parla con il Dr. Greg Benson, professore di informatica e Chief Scientist di SnapLogic, per scoprire come l'IA, e in particolare l'apprendimento automatico, stia cambiando le aziende in tutto il mondo.
Secondo Zion Market Research, il mercato globale del Machine Learning (ML) è stato valutato a circa 1,58 miliardi di dollari nel 2017 e si prevede che raggiungerà circa 20,83 miliardi di dollari nel 2024, con una crescita del 44,06% tra il 2017 e il 2024.
L'apprendimento automatico è un'applicazione dell'intelligenza artificiale che consente alle applicazioni software di essere più precise nel prevedere i risultati senza essere programmate in modo definitivo.
Molti esperti di intelligenza artificiale hanno ipotizzato che entro il 2050 tutti i compiti intellettuali svolti dagli esseri umani potranno essere svolti dalla tecnologia dell'intelligenza artificiale.
Le applicazioni più comuni della tecnologia di apprendimento automatico sono i servizi finanziari, la sanità, la pubblica amministrazione, il marketing e le vendite, i trasporti, il petrolio e il gas, la produzione, la bioinformatica, l'anatomia computazionale e altro ancora.
La diffusione sul mercato di questa tecnologia sta suscitando tanto timori quanto opportunità, e anche i governi si stanno rapidamente attivando per prendere decisioni unitarie e collaborative su come utilizzare l'IA nella società di oggi e di domani.
L'esempio più recente è la creazione della Global Partnership for AI, fondata dal presidente francese Emmanuel Macron e dal primo ministro canadese Justin Trudeau.
Mentre il mondo si sveglia per le opportunità e le possibili difficoltà che si prospettano, il Dr. Benson di SnapLogic discute l'impatto sulle aziende.
Quali sono le barriere per le aziende quando si tratta di adottare il ML?
Ci sono diversi ostacoli importanti che le aziende devono affrontare quando si tratta di adottare il Machine Learning, non ultimo il fatto che il processo di Machine Learning può sembrare scoraggiante per molte organizzazioni a causa della sua natura imprevedibile e sperimentale. Molte organizzazioni faticano a capire cosa sia necessario per intraprendere il Machine Learning.
Quando i team IT iniziano a esaminare i dati per implementare gli algoritmi di Machine Learning, la maggior parte di essi probabilmente non conosce il tipo di dati necessari, per cui è necessario effettuare molte esplorazioni prima che i responsabili delle decisioni IT e aziendali abbiano un'idea di quali dati saranno utili e di quali algoritmi di Machine Learning funzioneranno meglio per risolvere un particolare problema.
Ad esempio, quasi tutte le aziende hanno politiche che limitano l'accesso a determinate informazioni da parte di specifici reparti o dipendenti, ma ciò che devono capire è che il Machine Learning è alimentato da tutti i tipi di dati.
Pertanto, fornire l'accesso a tali dati per l'utilizzo da parte degli algoritmi può essere un passo cruciale per eseguire qualsiasi forma di apprendimento automatico.
Altre sfide tecniche riguardano la possibilità di automatizzare l'accesso ai dati. Quando le organizzazioni hanno formulato politiche chiare che consentono un facile accesso ai dati in tempo reale, devono considerare come impostare un canale o una pipeline per accedere ai dati.
Le organizzazioni devono anche garantire la disponibilità di dati costanti in tempo reale. I modelli di Machine Learning non devono essere addestrati su un singolo set fisso di dati, quindi le organizzazioni devono impostarli in modo da poter riqualificare i loro modelli per adattarli al comportamento mutevole dei dati e dei sistemi con cui stanno lavorando. Inoltre, c'è ovviamente un problema di carenza di talenti.
Come si possono superare queste barriere?
L'accesso a determinati tipi di dati è fonte di preoccupazione, in particolare quando gruppi diversi di dipendenti o altre parti interessate vengono a lavorare su progetti in tempi diversi.
Le organizzazioni dovrebbero quindi considerare di filtrare prima qualsiasi informazione potenzialmente sensibile dai dati, in modo che il resto possa essere utilizzato per implementare gli algoritmi di Machine Learning.
Un altro problema da superare è come soddisfare la domanda di data scientist.
Se da un lato è positivo che un maggior numero di data scientist si affacci sul mondo del lavoro, dall'altro è necessario dedicare molto tempo alla loro formazione, per cui l'offerta non è ancora al passo con la crescente domanda.
Ma quello che stiamo iniziando a vedere è che sempre più persone che hanno ricevuto una formazione in altri settori, come analisti aziendali senior e ingegneri del software, stanno ampliando la loro conoscenza della scienza dei dati e del Machine Learning, che può aiutare a colmare questo divario.
Poiché l'apprendimento automatico è, di fatto, un software, si tratta di un'area con cui molti ingegneri informatici hanno già una certa familiarità. Inoltre, possono formarsi da soli grazie all'enorme quantità di materiale e risorse prontamente disponibili per aiutarli ad aggiornarsi.
Inoltre, le organizzazioni hanno analisti aziendali IT che hanno esperienza nella gestione dei database, anche se non sono programmatori hanno comunque una mentalità analitica, quindi possono trarre vantaggio dal Machine Learning anche attraverso l'autoformazione.
Tutti questi sviluppi seguono una tendenza davvero positiva, in quanto gli strumenti e le piattaforme stanno iniziando a consentire a una gamma più ampia di utenti di impegnarsi con il Machine Learning e renderlo utile per loro.
Quali sono le maggiori idee sbagliate che le aziende hanno in relazione al ML?
Vedo due principali idee sbagliate sul ML che riguardano la complessità e le capacità del ML. In primo luogo, le aziende spesso pensano che il ML sia molto complesso e che richieda dottorati di ricerca per ottenere valore da un'implementazione di ML.
La realtà è che esistono molti algoritmi di ML relativamente semplici che possono essere applicati ai dati aziendali per fornire previsioni o classificazioni.
D'altra parte, c'è una concezione irrealistica secondo cui il ML è una panacea per tutti i problemi aziendali. Il punto di forza è comprendere le capacità realistiche di diversi algoritmi di ML ben compresi e abbinarli ai giusti dati aziendali per ricavarne un valore reale.
Come possono le aziende proteggersi dal punto di vista informatico quando utilizzano il ML?
Si tratta di un'area attiva della ricerca sulla sicurezza e dello sviluppo di prodotti in cui il ML può essere utilizzato per identificare comportamenti anomali e indesiderati del sistema, come frodi, intrusioni e furti di dati. I fornitori di sicurezza offrono una serie di prodotti basati sul ML per rilevare gli attacchi al sistema.
A meno che non si tratti di una grande azienda con ampie risorse, è probabile che non sia conveniente sviluppare internamente implementazioni di ML per la protezione informatica.
Come possono le aziende affrontare il divario di competenze nella scienza dei dati?
Le aziende di tutte le dimensioni dovrebbero collaborare con le università o creare programmi di apprendistato per inserire nuovi talenti.
Un altro modo per contribuire a colmare il divario di competenze è che le aziende investano in una tecnologia che tolga il peso ai professionisti dell'IT. Disporre dei dati giusti per implementare gli algoritmi di Machine Learning è un processo che richiede molto tempo: molto tempo viene infatti speso per cercare di accedere e setacciare enormi volumi di dati disorganizzati con la codifica manuale, il che lascia ai professionisti IT poco tempo per concentrarsi su attività di maggior valore.
Le organizzazioni devono investire in una tecnologia in grado di automatizzare le pipeline di dati, fornendo a tutti i reparti un accesso regolare ai dati in tempo reale, e di rendere i processi di Machine Learning il più fluidi possibile, con una necessità di codifica minima o nulla.
In che modo le imprese potranno beneficiare di maggiori investimenti nelle tecnologie emergenti e nella formazione delle competenze?
Le aziende possono valutare come l'investimento nelle tecnologie emergenti possa essere vantaggioso in due modi: o per anticipare la concorrenza o per evitare che la loro organizzazione diventi obsoleta.
Le aziende devono seguire e addirittura anticipare le tendenze tecnologiche non solo per offrire un'esperienza migliore e un utilizzo più efficace delle proprie risorse, ma anche per continuare a fornire i servizi che i loro utenti e clienti si aspettano.
Ad esempio, molte organizzazioni hanno ancora difficoltà a elaborare enormi volumi di dati su larga scala a causa della dipendenza da una tecnologia obsoleta e da sistemi di dati on-premise.
È quindi necessario investire in strumenti come cloud e il Machine Learning, in grado di automatizzare l'elaborazione dei dati per renderla il più possibile omogenea, al fine di sfruttare appieno i propri dati.
Alla fine, in un modo o nell'altro, tutte le organizzazioni dovranno adottare il Machine Learning semplicemente perché diventerà un'aspettativa, in modo che le applicazioni e i servizi possano anticipare meglio ciò che i loro utenti stanno cercando di fare e fornire raccomandazioni o previsioni che consentano loro di raggiungere i loro obiettivi più rapidamente.
Questo non vale solo per gli investimenti nelle tecnologie, ma anche per la formazione delle competenze. Le aziende devono assicurarsi che le persone siano ben addestrate all'uso di queste tecnologie, ma anche continuare a contribuire all'espansione delle loro competenze per sfruttare appieno il potenziale di queste tecnologie emergenti.
