Intelligenza artificiale per l’analisi dei dati nelle aziende

Lawrence S. Maisel, Robert J. Zwerling e Jesper H. Sorensen sostengono che l’intelligenza artificiale applicata all’analisi dei dati offre l’opportunità di creare strumenti, tecniche e processi aziendali che aiutano a comprendere modelli, relazioni e tendenze. Nel loro libro AI‐enabled analytics for business: A roadmap for becoming an analytics powerhouse hanno delineato un piano d’azione per promuovere e implementare l’intelligenza artificiale nell’analisi dei dati delle aziende.

L’intelligenza artificiale ha più di 75 anni di storia. Il matematico Alan Turing aveva già esplorato la possibilità matematica dell'IA e aveva suggerito che, se era vera la premessa secondo cui “gli esseri umani usano le informazioni disponibili e la ragione per risolvere i problemi e prendere decisioni”, anche le macchine potevano fare lo stesso. Questa è stata la base del suo articolo “Computing Machinery and Intelligence” che spiegava come costruire artefatti intelligenti e testare la loro conoscenza, già nel 1950.¹

Quindi, che cos’è l’intelligenza artificiale? A grandi linee, è la capacità di una macchina di prendere decisioni che, fino a quel momento, era riservata agli esseri umani. Ma questo cosa significa? Come si presenta l’IA e come trasformerà le nostre vite e la società?

Presto o tardi, l’IA farà parte di tutte le aziende. Tuttavia, il momento in cui verrà integrata in ogni azienda dipenderà interamente da ciò che ciascun dirigente conosce e comprende dell'IA e dell'analisi dei dati. Ecco il divario tra coloro che hanno già adottato questa tecnologia e gli altri.

Molti dirigenti non hanno una visione chiara e una strategia definita per implementare l’IA nella loro azienda, divisione, team o dipartimento

Le implementazioni dell’intelligenza artificiale sono agli inizi e, per il momento, i progetti sono rivolti solo ad alcune attività e aree specifiche delle aziende. Inoltre, sebbene la tendenza a incorporare l'analisi avanzata si stia muovendo nella giusta direzione, adesso come adesso ci sono più errori che successi. La buona notizia è che gli errori nell’IA e nell’analisi sono altamente evitabili.

Molti dirigenti non hanno una visione chiara e una strategia definita per implementare l’IA nella loro azienda, divisione, team o dipartimento. Altri pensano di averne compreso il potenziale, ma spesso lavorano con termini o concetti poco definiti sul significato di analisi. La loro reazione iniziale è quella di assumere consulenti e software alimentati dall'IA, anche se non capiscono come l'analisi verrà utilizzata nel processo decisionale.

Nelle sale dei consigli di amministrazione risuonano lamentele come “abbiamo bisogno di previsioni migliori”, “cosa sta guidando il nostro business?” o “dobbiamo essere più smart in quello che facciamo”. Ma tutto questo come si ottiene? Molti dirigenti hanno letto montagne di rapporti di consulenza su “cosa” deve essere realizzato, ma il “come” farlo non è chiaro. Questa è la ragione per cui molte aziende rimangono arretrate nell’adozione dell’IA e dell’analisi dei dati.

IA e machine learning: simili, anche se diversi

“Intelligenza artificiale” e “machine learning” sono concetti che vengono ripetuti più volte e si utilizzano indistintamente ma, anche se sono relazionati, non sono la stessa cosa. L’IA comprende un insieme di capacità che consentono a una macchina di prendere decisioni umane. Dall’altra parte, l’apprendimento automatico è uno dei modi in cui si può ottenerlo e, quindi, è contenuto nell’IA. Tutto il machine learning è IA, invece non tutta l’intelligenza artificiale è ML.

Il machine learning integra algoritmi ─modelli matematici─ utilizzati per i computer per realizzare compiti specifici senza ricevere istruzioni esplicite, spesso basandosi su modelli e deduzioni. Un’altra forma diffusa dell’IA è rappresentata dalle reti neuronali altamente avanzate, che imitano la struttura delle sinapsi del cervello.

Ultimi progressi nel machine learning

L’apprendimento automatico richiede abilità speciali per il suo utilizzo e la sua implementazione. Il machine learning è spesso combinato con altri strumenti per facilitare il processo decisionale. Per esempio, immaginiamo che una banca voglia aumentare il numero di prestiti senza incrementare il profilo di rischio del suo portafoglio. Potrebbe utilizzare il machine learning per fare predizioni, importare i risultati su fogli di calcolo e informare i nuovi clienti che la loro richiesta è stata approvata.

I grandi progetti di apprendimento automatico solitamente implicano la collaborazione di data scientist, programmatori, amministratori di database e sviluppatori di applicazioni. Inoltre, il machine learning ha bisogno di grandi volumi di dati di alta qualità per il suo addestramento. Questo requisito paralizza l’80% dei progetti relazionati a questa forma di IA.²

Anche se popolare e potente, applicare il machine learning non è facile. Moltissimi nuovi software stanno semplificando il suo utilizzo, ma è riservato, principalmente, ai data scientist.  Supponiamo, ad esempio, di voler prevedere quali clienti del nostro e-commerce completeranno l'acquisto rispetto a quelli che abbandonano il sito prima di pagare. Questo processo prevede diverse fasi, tra cui la raccolta dei dati, la loro preparazione, la selezione e la programmazione degli algoritmi, l'addestramento dei modelli, i test e infine l'implementazione. Qualsiasi fallimento in uno di questi punti richiede di riniziare di nuovo o di ritornare al punto precedente.

Nonostante sia complesso, il machine learning offre un grande valore commerciale in un’ampia gamma di applicazioni

Uno dei limiti dell'apprendimento automatico è che, nella maggior parte dei casi, i modelli non sono trasferibili a un'attività simile o a un altro dipartimento della stessa azienda. E, come è già stato detto, di solito richiedono altri strumenti in modo che i risultati siano utili per i dirigenti.

Sebbene sia complesso, il machine learning offre un grande valore commerciale con un'ampia gamma di applicazioni, come ad esempio la previsione della perdita dei clienti, quali operazioni di vendita si concluderanno nei prossimi 60 giorni, quali farmaci hanno maggiori probabilità di passare alla fase successiva di una sperimentazione, quanti consumatori acquisterebbero in più con uno sconto del 5% o la previsione della domanda.

Viviamo un momento di cambiamenti stimolanti. Le aziende si sforzano di migliorare la produttività e, con essa, la vita delle persone. L’invenzione dell’energia e del motore elettrico trasformò radicalmente la società e portò con sé immensi benefici per l’umanità a inizi del XX secolo. L’IA provocherà trasformazioni sempre più profonde che influenzeranno le prossime generazioni.