Analytics e intelligenza artificiale sono ormai una delle priorità di investimento delle imprese italiane, ma per mettere in piedi un’organizzazione realmente data driven occorre avere gli strumenti giusti a disposizione, che semplifichino e automatizzino il più possibile tutto l’immenso lavoro che sta nel mezzo tra la produzione del dato e la sua trasformazione in informazione di valore. Questo il principale insegnamento che si ricava dal terzo e ultimo appuntamento di IBM AI School, dedicato all’Intelligenza Artificiale e alle soluzioni Watson Machine Learning. Come ha raccontato Alessandro Piva, Direttore dell’Osservatorio Artificial Intelligence del Politecnico di Milano, è indubbio che gli analytics costituiscano ormai un mercato di tutto rispetto: nel 2019 il fatturato del settore aveva raggiunto un giro d’affari di oltre 1,7 miliardi di euro, viaggiando a tassi di crescita del +21% annuo nell’ultimo quinquennio. Un’ascesa che sarà molto probabilmente bruscamente interrotta nel 2020 dalle conseguenze della pandemia, ma che non può smentire l’assunto iniziale: quando si parla di nuove tecnologie digitali, il tema degli analytics è sempre il primo o il secondo tema a essere preso in considerazione dalle aziende. Anche perché oggi esiste la grande possibilità di sfruttare anche i cosiddetti dati non strutturati (ad esempio le immagini) grazie alle tecniche di Ai e alle reti neurali.
Una Data Science Actionable
Il problema principale per le imprese, piuttosto, è oggi far sì che i progetti analytics diventino actionable, ovvero che all’adozione di queste soluzioni ne corrisponda un utilizzo e concreto. Una conseguenza che non è per nulla scorretta: secondo Piva, affinchè questo scenario si verifichi, è necessario che informazioni e insight arrivino alle persone corrette in azienda; inoltre alcuni passaggi delle decisioni devono essere automatizzati, così da rendere possibile il dispiegarsi di una serie ragionata di azioni e conseguenze. In quest’ottica un passaggio importante dovrà essere svolto dalla collaborative data science: tutte le figure all’interno di un’organizzazione che si occupano di dati devono parlarsi, così anche da rendere possibile un dialogo continuativo con le linee di business. Allo stesso tempo, la cultura del dato e del fallimento sono fondamentali in azienda: soltanto così si riesce a sperimentare in maniera veloce, affrontando con coraggio nuovi progetti di innovazione legati al mondo dei dati.
Il Paradigma AI LAD di IBM
L’obiettivo, insomma, dovrebbe essere sempre di più quello di dare vita a una data science strategica, che passa dall’integrazione di diverse competenze e che oltre – ai classici data scientist – preveda l’esistenza di figure di transizione capaci di svolgere un importante ruolo di raccordo con il mondo del business. Tutto questo è ancora più vero per i progetti adavnced analytics, in cui tecnologie come machine learning e intelligenza artificiale svolgono un ruolo cruciale: in questo contesto si muove un operatore come IBM, che da alcuni anni a questa parte si è imposto come uno dei principali protagonisti del mercato Ai, forte di brand riconosciuti sul mercato (come Watson) e di una precisa strategia composta di quattro step, ribattezzata AI LAD.
1) Collect: occorre innanzitutto raccogliere e avere a disposizione dati, che sono la base imprescindibile per portare a termine le progettualità
2) Organize: per avere risultati è indispensabile mettere a punto un controllo della qualità del dato, nonché lavorare alla loro governance e gestione,
3) Analize: solo a questo punto è possibile costruire dei modelli di intelligenza artificiale
4) Infuse: rappresenta il passaggio più importante, ossia come prendere questi modelli e inserirli effettivamente nei processi di business
Tutta questa strategia si concretizza nella piattaforma IBM Cloud Pak for data, che ha il vantaggio di essere accessibile ovunque (ovvero su cloud IBM o su qualsiasi altro cloud) e di essere caratterizzata da una notevole agilità – grazie a uno sviluppo applicativo basato su Red Hat open shift – mettendo però sul piatto servizi di livello enterprise, anche per quanto riguarda la sicurezza. E che, soprattutto, è basata sulla metodologia CRISP-DM, acronimo di Cross-industry standard process for data mining, che spiega i passaggi chiave da affrontare in una progettualità analytics. Evidenziando che, per mettere in piedi un progetto di successo occorre aver chiaro quale debba essere il punto di arrivo, quali siano le esigenze da business a cui rispondere e, naturalmente, verificare se i dati sono sufficienti e di qualità, per lo scopo che si sono prefissi. A queste esigenze rispondono diversi prodotti che fanno parte della piattaforma Cloud Pak for Data: IBM Watson Studio, ad esempio, rende possibile lavorare sulla costruzione flessibile di modelli di machine learning. Watson Machine learning, invece, consente di assicurare il rilascio di questi modelli, nonché di assicurarne la gestione operative, anche attraverso opportuni e tempestivi retraining. Infine Watson Open Scale permette di mettere in atto un monitoraggio continuo delle performance dei modelli implementati. Gli insht possono essere resi disponibili da applicazioni come Watson Assistant e Discovery, che aiutano le aziende a eliminare il rischio di creare applicazioni perfettamente funzionati ma però incapaci di comunicare il proprio valore.
