Qual è la concreta applicazione dell’intelligenza artificiale nelle aziende? Quale il modello di riferimento e il percorso da seguire per implementare un progetto di AI?
Al di là del fascino che il tema dell’AI può assumere, sono queste le domande che, molto pragmaticamente, si pongono le aziende quando pensano alle opportunità che questo nuovo mondo può offrire. Uno degli obiettivi dell’Osservatorio Artificial Intelligence del Politecnico di Milano è proprio quello di trovare una risposta a queste domande e la prima riflessione parte dal livello di maturità delle tecnologie oggi disponibili.
“La figura sintetizza molto bene la situazione” afferma Nicola Gatti, Direttore, insieme a Giovanni Miragliotta e Alessandro Piva, dell’Osservatorio, che prosegue: “Il parco di tecnologie già pronte, a scaffale, che le aziende possono scaricarsi e utilizzare immediatamente è molto limitato: rimaniamo sostanzialmente nell’ambito della Computer Vision e del Natural Language Processing. C’è poi una classe di tecnologie, definite ibride, dove le tecnologie in sé sono già a disposizione, ma non lo sono i dati per alimentarle e quindi c’è un problema di preparazione di questi dati. Per la maggior parte – prosegue Gatti – ci troviamo però nel terzo scenario, dove modelli e algoritmi devono essere sviluppati ad hoc, con i dati dell’azienda”.
E qui viene il punto: a quali modelli fare riferimento? Su quali algoritmi concentrarsi? QUali step seguire?
Un framework per definire le fasi di un progetto AI
L’Osservatorio, per supportare le aziende nella definizione di un modello a supporto dello sviluppo di un progetto di AI, ha definito un framework denominato AI Project Value Chain (figura 2) che sintetizza le principali attività da affrontare.
L’Osservatorio identifica 8 principali attività, alle quali vengono correlate le figure professionali di riferimento:
- Ideation & Target Definition: definizione dei confini di analisi, prototipazione concettuale della proposta di sviluppo, individuazione degli obiettivi di performance che si intendono raggiungere e possibili implicazioni interne ed esterne all’organizzazione che la nuova progettualità potrà generare. A supporto di questa attività emergono prevalentemente le figure del Business Consultant e del Legal Consultant;
- Data Source Selection: selezione delle fonti di dati (IT e OT) necessarie all’addestramento e al funzionamento del modello di intelligenza artificiale. In questa attività, come in quella successiva, le figure professionali di riferimento sono AI Engineer, System Integrator e Vertical Solution Provider.
- Physical Device Selection: parallelamente alla precedente fase, per via della mutua correlazione che le lega, deve essere condotta l’attività di selezione dell’eventuale hardware sul quale il modello sarà eseguito e di tutti quei dispositivi che ne possano garantire la corretta interazione con l’ambiente.
- Data Ingestion/Data Supplement: attività delicatissima e fondamentale è quella che raggruppa acquisizione, pulizia, validazione dei dati e la loro messa in relazione; attività che va a costituire una fonte di dati attendibile che servirà ad alimentare il modello. Qui intervengono il Business Consultant e il System Integrator;
- Model Selection: in funzione degli obiettivi, dei dati disponibili e dei vincoli progettuali definiti nelle precedenti fasi, si procede alla selezione e all’eventuale personalizzazione del modello di intelligenza artificiale: quello che l’Osservatorio definisce il cervello della soluzione. A seconda delle specifiche caratteristiche del progetto, in questa fase ci si potrà avvalere di AI Engineer, Vertical Solution Provider e (Cloud) Platform Provider.
- Training & Testing: può avere inizio l’addestramento. Attività per la quale Gatti sottolinea che “la disponibilità di dati di qualità e profondità sufficiente costituisce un elemento critico per il corretto approccio a questa fase in assenza del quale si rischierebbe di compromettere le performance a regime”. Le figure a supporto sono le medesime della fase precedente.
- Deployment & Integration: in questa fase la soluzione deve essere integrata con i sistemi esistenti e naturalmente l’attore principale di questa attività è il System Integrator.
- Continuous Learning & Lifecycle Assessment: con la distribuzione e l’integrazione della soluzione, il progetto non è concluso perché una caratteristica peculiare, connaturata alla loro stessa natura, delle soluzioni di intelligenza artificiale è la loro capacità di adattarsi ai cambiamenti dell’ambiente nel quale sono poste ad operare, grazie all’utilizzo di nuovi dati provenienti dalle fonti selezionate e integrate in precedenza. Ma questa “autonomia” della soluzione va gestita con attenzione, monitorando costantemente la validità del modello sulla base dei nuovi dati che lo vanno ad alimentare e che potrebbero avere implicazioni non considerate nella fase iniziale. In funzione delle evidenze di questa fase ci si può avvalere di un Consultant o di un Provider di soluzioni, nelle loro varie accezioni e dell’AI Engineer.
L’Osservatorio fornisce un’ultima raccomandazione, riguardo alle professionalità necessarie: “Il numero di soggetti che possono contribuire alla buona riuscita di un progetto di intelligenza artificiale è consistente e variegato per know-how disponibile. Emerge quindi con forza la necessità di istituire una figura di governance, interna o esterna, del progetto, denominata AI Application Architect, in grado di comunicare con tutte le parti coinvolte e di orchestrarle grazie alla visione di insieme che il suo ruolo gli concede”.
Il modello di riferimento per un progetto di intelligenza artificiale
“Lo scorso anno – ricorda Manuel Roveri, Responsabile della Ricerca dell’Osservatorio – in concomitanza con la prima edizione dell’Osservatorio, è stato proposto un modello a quattro livelli con l’obiettivo di organizzare in modo gerarchico il know how tecnico nell’ambito dell’Artificial Intelligence (figura 4). Attraverso questo modello è possibile, a partire da una specifica Soluzione, definire l’insieme di Capacità richieste per supportare tale soluzione, caratterizzare l’insieme di Metodologie che implementano tali capacità e, infine, identificare le Tecnologie più appropriate per rendere operative tali Metodologie. Tramite questo modello è dunque possibile rappresentare in modo sistematico la conoscenza necessaria per lo sviluppo di applicazioni di intelligenza artificiale”.
Il modello, che di sé offre una vista statica della struttura di un progetto, “prende vita” con l’identificazione delle Soluzioni, Capacità, Metodologie e Tecnologie da utilizzare per una specifica applicazione che, in molti casi, può essere fatta solo in modo interattivo durante lo stesso sviluppo del progetto.
“A partire dal modello a quattro livelli – prosegue Roveri – è stato studiato il percorso di messa in opera di progetti aziendali in ambito AI (figura 4), il cui punto di partenza è rappresentato dall’identificazione, da parte dell’AI Engineer, della Soluzione che meglio risolve il problema applicativo dell’azienda. Una volta definita la Soluzione, la scelta delle Capacità e delle Metodologie appropriate viene effettuata in base ai vincoli applicativi e funzionali (per esempio se una valutazione/decisione deve essere presa in real-time oppure in un tempo differito oppure se i dati su cui operare arrivano in modalità streaming oppure sono già a disposizione) che sono propri del problema applicativo e delle caratteristiche operative aziendali”.
A questo punto, passando nel livello Tecnologie, non bisogna dimenticare che la combinazione di Capacità e Metodologie può portare a diverse configurazioni che dovranno essere misurate, dall’AI Engineeer, con i vincoli tecnologici dell’azienda.
Come abbiamo visto nel capitolo precedente, il modello viene quindi alimentato con i dati resi attendibili e, da modello generico, si trasforma in modello specifico, adatto ai dati di training forniti. Segue la validazione che potrebbe portare a una revisione dei parametri iniziali e, quindi, a una iterazione delle fasi di scelta di Tecnologie, Metodologie e Capacità o alla necessità di richiedere un maggior numero di dati di training. Una volta validata, come abbiamo visto, la soluzione passa in modalità operativa, attività che produce un continuo apprendimento, ma non solo: “In alcune situazioni, durante la vita operativa del sistema, i vincoli applicativi, funzionali e tecnologici definiti inizialmente dall’azienda potrebbero cambiare o evolvere. In questo caso – precisa Roveri – sarà necessario ripercorrere e rivedere le scelte di Capacità/ Metodologie/Tecnologie per capire se, a valle dei nuovi vincoli, tali scelte siano ancora valide oppure se si possono identificare configurazioni più promettenti. Modificare le Capacità/Metodologie/Tecnologie di un sistema porterebbe a un nuovo modello di sistema e a una successiva fase di addestramento e validazione prima della nuova messa in opera”.
In conclusione, un progetto di intelligenza artificiale è una “cosa viva” che per rimanere in ottima salute e soddisfare tutte le aspettative deve essere alimentata, accudita, in alcuni casi curata e mai abbandonata a se stessa.
Come sfruttare le miniere d’oro che le aziende nascondono
Durante la presentazione dei dati al convegno Artificial Intelligence: on your marks!, all’intervento di Roveri è seguita una tavola rotonda nella quale si sono confrontati Piero Poccianti, Presidente dell’Associazione Italiana per l’Intelligenza Artificiale, Claudio Arthur Alfieri, Associate Partner, Machine Learning Reply, e Michele Vaccaro, Solution Consultant Director France, Iberia, Italy, Switzerland and Austria di OpenText.
“Opentext fornisce tecnologie e soluzioni per gestire l’informazione a 360° e integrale nei processi di business. Questa area tradizionale – ha spiegato Vaccaro – nel tempo si è arricchita, fino a includere l’intelligenza artificiale all’interno di queste soluzioni e la nostra piattaforma Megellan offre oggi tutta una serie di funzionalità di AI. Il Natual language processing è, in ambito AI, la tecnologia più abilitante per i nostri clienti”. Si tratta di clienti che hanno lavorato sui propri dati, raggiungendo l’obiettivo della loro governance e integrazione nei processi aziendali: “Sono dati di qualità e i nostri clienti si sono resi conto di possedere una miniera d’oro, sfruttata solo parzialmente”, dice Vaccaro. Queste informazioni, infatti, vengono gestite in modo tradizionale, con la classificazione per tassonomie che sicuramente serve per l’utilizzo per cui sono state pensate: “Ma i clienti ci chiedono come estrarre maggior valore da queste basi dati di qualità, già ben strutturate e che contengono milioni di dati. Ecco quindi che possono nascere tantissimi casi d’uso dove l’AI consente di valorizzare questi dati. Pensiamo a una cartella clinica: se è stata creata con un buon sistema di information governance si trova facilmente l’informazione che si cerca anche all’interno di migliaia di dati, la maggior parte dei quali non strutturati; ma pensiamo al valore che ne potremmo estrarre se si potessero far uscire dalle nebbie queste informazioni e, grazie a strumenti di AI di analisi semantica, correlare tutte queste informazioni in relazioni, altrimenti invisibili, per identificare patologie, verificare cure ecc.”.
Alfieri spiega come la sua azienda affronta un progetto AI con i propri clienti: “Quello che cerchiamo di fare è presentare un approccio modulare e incrementale, invece del classico proof of concept cechiamo di proporre un proof of value e di far toccare con mano i vantaggi che queste soluzioni possono portare. Quello che cerchiamo di fare è comunque di inserire l’approccio modulare all’interno di una visione sistemica affinché il progetto non rimanga una sperimentazione fine a se stessa”. Il presupposto da cui parte Reply è che siano disponibili dati buoni per avviare la sperimentazione: “La qualità dei dati è fondamentale. Sulla quantità si può ragionare – specifica Alfieri – lavorando con tecniche innovative di transfer learning, ma il presupposto della qualità non deve mancare e soprattutto ci deve essere la volontà del cliente di mettersi in gioco e di essere disponibile a trasferire un po’ della conoscenza del dominio per poi andare a valutare insieme quella accuratezza che si ritiene necessaria al raggiungimento dell’obiettivo”. L’importante è anche ottenere in tempi rapidi dei risultati: “All’inizio del progetto definiamo con il cliente delle metriche, delle aree di saving o di incremento dell’efficienza che poi andiamo a valutare sulla base delle metriche condivise”.
Poccianti, infine, si sofferma sull’importanza di fare cultura in ambito AI: “Oggi le esigenze e i bisogni delle aziende sono molteplici per questo credo fermamente che sia necessario divulgare la cultura relativa agli strumenti di AI che possono essere adottati. Senza una conoscenza approfondita dell’azienda, dei dati e del loro significato e, almeno superficialmente, delle tecniche di IA, il progetto aziendale è destinato al fallimento. Cultura significa capire quali siano le opportunità ma anche e soprattutto i limiti di questo grande ombrello quale è l’AI, che al suo interno racchiude vari ambiti proprio come l’intelligenza umana. Per questa motivazione è fondamentale creare una connessione, una sinergia fattiva tra industria e ricerca e, inoltre, trovare un linguaggio comune per favorire la comunicazione tra questi due mondi.”
