Affrontare il tema della formazione all’intelligenza artificiale (AI) è strategico per il successo delle iniziative nelle imprese che intendono superare l’esperienza dei progetti pilota ed entrare nella fase operativa, in una logica di sviluppo diffuso dell’intelligenza artificiale, quella che consente di realizzare maggior valore aziendale.
Superare lo skill gap: la formazione come chiave del successo
Secondo un’analisi di Boston Consulting Group, la maggior parte delle imprese impegnate in progetti di AI ha dovuto affrontare il tema della carenza di talenti nel campo dell’Intelligenza Artificiale. L’esistenza dello skill gap è confermato anche da un’indagine condotta da IBM nel 2018, in collaborazione con Oxford Economics, dove si evidenzia che il 63% degli executive delle imprese intervistate (5mila a livello globale) indicava nella carenza di skill la principale barriera per il successo delle iniziative di IA in azienda.
È dunque necessaria una forte focalizzazione sullo sviluppo di competenze attraverso la formazione all’intelligenza artificiale, per evitare ritardi eccessivi nel passare dalle fasi di proof of concept e dei piloti a quella realizzativa. La sfida è diffondere le competenze per ottenere i vantaggi e il valore che possono derivare da una organizzazione realmente data driven e non limitare le attività di formazione sull’intelligenza artificiale ai data scientist, ai tecnologi dell’AI e agli specialisti dell’IT.
Quali competenze sono necessarie?
Le diverse fasi di un progetto di adozione dell’intelligenza artificiale prevedono, dopo la definizione degli obiettivi, la raccolta dei dati, la loro preparazione, la scelta e l’ottimizzazione del modello, il suo training, la messa a punto dei parametri, il suo deployment e le successive riedizioni (versioning) in un’ottica di miglioramento continuo.
Per lo sviluppo del progetto risultano dunque indispensabili la presenza in azienda di una serie di competenze come quelle del data scientist, persona chiave per programmare l’AI, del data analyst, indispensabile per la pulizia e la preparazione dei dati, del data engineer, per gestire ed elaborare i dati, del designer, che deve avere una visione d’insieme del progetto e preferibilmente un approccio Design Thinking, e persone con competenze necessarie per realizzare una visualizzazione dei dati, per rappresentare i risultati in modo comprensibile.
Per entrare nel cuore della modellizzazione AI servirebbero, inoltre, machine learning engineer e tecnici in grado di maneggiare linguaggi di programmazione come Python, Java e R, generalmente utilizzati per la creazione degli algoritmi statistici e di AI.
Ma ancora non è sufficiente perché l’AI possa essere davvero utile al business. Si dovrebbe ragionare in un’ottica di team che, accanto alle diverse competenze tecniche specialistiche sopra elencate, dovrebbe includere persone competenti nel business e persone dell’IT, indispensabili per sviluppare questi progetti.
Automatizzare e distribuire le attività per ridurre la necessità di super-specialisti
Le attività di deep learning, machine learning e data science vengono svolte da pochi superesperti, che devono però dedicarsi anche a una gran quantità di attività time consuming, se ricorrono a metodi manuali che assorbono risorse preziose e realizzano prodotti artigianali che girano su infrastrutture non progettate per il training degli algoritmi AI.
La soluzione potrebbe rendere più facili e rapide le diverse fasi, coinvolgendo tutta l’organizzazione e lasciando solo quelle più delicate ai pochi super-specialisti, riducendo di conseguenza i tempi di messa in produzione.
Per fortuna non siamo più all’anno zero e il processo di deep learning e machine learning può essere in gran parte automatizzato. Grazie a sistemi automatici, infrastrutture ottimizzate per l’AI e interfacce user friendly gli utenti non esperti nella tecnologia ma nel business potrebbero contribuire sia nella preparazione dei dati sia nella costruzione dei modelli iniziali, in modo da consentire ai team tecnici di concentrarsi sul fine tuning dei modelli. I tempi lunghi per il training dei modelli si potrebbero a loro volta ridurre grazie all’automazione del sistema. Le competenze dei data scientist si potrebbe così concentrare su alcuni aspetti cruciali della modellizzazione e del suo miglioramento continuo. Il coinvolgimento delle persone dell’azienda fin dall’inizio faciliterebbe la diffusione dell’AI e la trasformazione dell’organizzazione in una logica data driven.
