Ogni azienda deve usare l’intelligenza artificiale (AI) per avere successo. O almeno così sembra, dato l’hype che la circonda. In effetti l’AI può fornire valore, ma non risolve tutti i problemi della vostra azienda. Inserita in una strategia di medio periodo, l’intelligenza artificiale può migliorare i sistemi aziendali e quindi le operazioni. Per capire dove il team IT può sfruttare in modo significativo l’AI oggi, abbiamo intervistato gli analisti specializzati Kjell Carlsson di Forrester Research, Charley Rich di Gartner e Mickey North Rizza di IDC.

Non confondere l’automazione con l’intelligenza artificiale

Spesso i vendor offrono prodotti con funzioni basate sull’intelligenza artificiale che promettono di rivoluzionare il vostro business. “Siate sospettosi verso le offerte che promettono miracoli”, afferma Carlsson.

“Ciò che offre la maggior parte dei vendor sono sistemi basati su regole”, spiega North Rizza di IDC. “Algoritmi o logiche sofisticati nel loro software gestiscono molti casi d’uso comuni e lo fanno in modo più rapido e preciso rispetto a un essere umano”. Questa è automazione, tuttavia, non intelligenza artificiale.

L’automazione va bene, ma l’automazione basata sull’intelligenza artificiale è probabilmente falsa o problematica. Nella vera intelligenza artificiale il sistema decide autonomamente cosa fare, e probabilmente non è questo che si desidera nella maggior parte dei casi aziendali. Pensate a cosa succederebbe se gestione finanziaria, assunzioni, pianificazione del prodotto, gestione della rete e così via fossero gestiti da una intelligenza indipendente che non possiamo controllare completamente.

L’AI per le analisi applicate e il rilevamento delle anomalie

Le tecnologie di intelligenza artificiale sono utili per identificare andamenti anomali e supportare il processo decisionale umano. I modelli noti possono essere gestiti attraverso l’automazione, ma per scoprire modelli sconosciuti, le tecnologie a cui rivolgersi sono l’apprendimento automatico e forme come il deep learning e l’intelligenza artificiale generale.

Le analisi basate sull’intelligenza artificiale, sotto forma di rilevamento di anomalie, possono identificare modelli sconosciuti molto più rapidamente di quanto possa fare un essere umano. Possono anche suggerire azioni basate su modelli simili, dove esistono. Ma la decisione su quali azioni intraprendere è lasciata all’intelligenza umana, che può essere verificata da altre persone e trarre vantaggio da competenze che vanno oltre l’analisi.

L’automazione, o i software, possono quindi eseguire le decisioni usando le regole base e altre logiche codificate. Tecnologie come la robotic process automation (RPA) sono buoni esempi dei progressi nell’automazione oggi disponibili. Non sono AI, in quanto non “pensano” in modo autonomo, ma gestiscono flussi di lavoro sempre più sofisticati grazie ai loro algoritmi sempre più sofisticati. Il software può sembrare “intelligente”, ma si tratta dell’intelligenza integrata degli sviluppatori umani, non di un’intelligenza artificiale innata nel sistema.

L’analisi, quindi, soprattutto per il rilevamento di anomalie, rappresenta oggi gran parte dell’intelligenza artificiale implementata nei sistemi aziendali. Tale integrazione viene in genere eseguita da software basati su casi d’uso e processi aziendali noti.

“Per i sistemi sviluppati in casa, non è così facile integrare l’AI nelle analisi”, afferma Carlsson di Forrester. “La data science è il dominio dove si fondono intelligenza artificiale e analytics, ma spesso i data scientist non sono addestrati sul processo decisionale e sull’analisi aziendale, quindi possono offrire un’ottima previsione su un certo scenario, ma poi non sanno come agire”.

Idealmente, “il lato AI costruisce un modello predittivo migliore per input migliori nel motore di ottimizzazione classico. Sono complementari l’uno all’altro”, aggiunge Carlsson. “Il problema è che spesso i responsabili dell’ottimizzazione non sanno come parlare con i data scientist e viceversa”.

Fortunatamente le cose stanno migliorando, secondo Carlsson: gli ingegneri stanno iniziando ad accedere all’apprendimento automatico tramite AutoML, framework che elimina la necessità di creare modelli di apprendimento automatico da zero. E gli strumenti stanno diventando abbastanza facili da sfruttare per gli utenti business esperti di dati, portando sul tavolo le competenze in materia su cui spesso i data scientist non sono formati. I team interfunzionali che si occupano di migliorare processi specializzati, con approcci come Six Sigma e Lean, sono particolarmente adatti per integrare l’AI negli analytics. “Hanno il DNA per gestire gli aspetti di gestione del cambiamento”, afferma Carlsson. “La sfida oggi è ottenere i dati e razionalizzarli”.

Queste forme più esplorative di intelligenza artificiale – che Carlsson chiama “intelligenza aumentata” – hanno casi d’uso legittimi e utili in una varietà di sistemi aziendali: marketing, logistica, elaborazione dei documenti e sistemi IT stessi, nonché per interfacce utente dei sistemi.

L’AI applicata ai sistemi aziendali

La forma di intelligenza artificiale applicata alle analisi si trova comunemente nei sistemi aziendali che gestiscono grandi quantità di dati, ambienti mutevoli o incerti e dove è necessario adattare rapidamente i processi.

I casi d’uso classici includono logistica, routing dei veicoli, gestione degli inventari in tempo reale, stime come il punteggio del credito e il suggerimento di prodotti. Le aree più recenti includono la gestione della reputazione, il punteggio del curriculum e la gestione del rischio in diverse aree.

Un’area ancora da esplorare per l’AI è l’elaborazione automatizzata dei documenti. “Molti processi dipendono dall’elaborazione di documenti”, afferma Carlsson di Forrester. “Sebbene contratti, policy, referti medici e così via possano sembrare documenti standard e quindi facilmente analizzabili, rimane difficili estrarre informazioni”. Per esempio, variazioni apparentemente minori come stili di intestazione e bordi di una tabella possono confondere gli estrattori di documenti basati su regole.

Più difficile è estrarre un significato che non è stato esplicitamente definito nei moduli. “E’ il caso, per esempio, delle consulenze finanziarie per clienti interessati a una nuova parte del mercato. I consulenti devono esaminare profilo di investimento, risorse e modelli di marketing, e non possono utilizzare il metodo classico di proposta di investimento scelto da clienti simili”.

AI applicata ai sistemi IT: AIOps

Il campo delle AIOps (AI Operations) è promettente per l’identificazione e la diagnosi di problemi nelle reti, nei flussi dei processi aziendali e così via, consentendo all’automazione di suggerire o addirittura eseguire possibili riparazioni. Approcci simili possono aiutare la sicurezza, per esempio nel rilevamento delle intrusioni e il furto di dati interni.

“Il settore AIOps è molto meno maturo rispetto alle altre aree di applicazione dell’intelligenza artificiale in azienda”, osserva Rich di Gartner. In generale implica l’apprendimento automatico, sia supervisionato che non supervisionato, talvolta l’apprendimento profondo e l’analisi dei grafi per “applicare la matematica ai problemi”. Ciò significa cercare schemi e anomalie – di solito nei registri – che segnalano problemi che l’IT deve affrontare direttamente o tramite l’automazione.

La sfida è che “c’è troppo rumore di fondo, con conseguenti falsi allarmi”, spiega Rich. Ora che quasi tutto è digitalizzato, le difficoltà sono aumentate. L’analisi di correlazione degli eventi, la tecnica di base, esiste da decenni, ma “è basata su regole che richiedono un aggiornamento continuo. La qualità dei dati è varia, quindi le implementazioni sono in genere personalizzate”. Funzionano, ma comportano investimenti importanti. Al momento non sono disponibili sul mercato soluzioni per automatizzare questi carichi di lavoro, che richiedono l’intervento di un data scientist.

Un’altra sfida riguarda l’esecuzione di analisi di serie temporali per evidenziare anomalie basate su schemi temporali. “Gli algoritmi esistono dagli anni ’50, ma solo di recente abbiamo avuto la potenza di calcolo per eseguirli”, sottolinea Rich.

Un’altra area da affrontare per l’IA è l’analisi delle cause profonde, che comporta enormi quantità di analisi di correlazione e di serie temporali. “È una grande promessa dell’intelligenza artificiale, ma iniziamo a vedere i progressi con l’analisi dei grafi”.

Andando oltre c’è l’idea di automatizzare completamente le operazioni, ovvero il modello NoOps (No Operations). “Potremmo arrivarci, un giorno”, dice Rich. “Ciò che si può fare oggi è avviare azioni basate sulla logica condizionale per eseguire script. Negli ultimi 6-8 mesi i fornitori hanno reso disponibili basi di conoscenza di problemi comuni, con un kit di strumenti per aggiungere nuovi problemi”.

Secondo l’analista, tuttavia, non dobbiamo aspettarci che il modello AIOps possa gestire le operazioni IT da solo. Allo stato attuale AIOps può supportare il personale IT a identificare i problemi per risolverli o prevenirli più rapidamente.

AI applicata alle interfacce utente

Per anni abbiamo visto promesse sull’elaborazione del linguaggio naturale (NLP) volte a eliminare la necessità di personale di supporto umano. I chatbot sono un esempio della promessa e dei suoi limiti – queste interazioni “intelligenti” possono essere frustranti e inutili per il cliente? Le regole deterministiche che seguono a volte non riescono a rispondere alle esigenze di un cliente. Indipendentemente da ciò, “l’elaborazione del linguaggio naturale – sia testuale che parlato – è notevolmente migliorata nella sua capacità di comprendere il dialogo umano”, osserva Carlsson.

Per il riconoscimento vocale e la comprensione del testo non strutturato la NLP ha fatto passi da gigante negli ultimi 20 anni, facilitando le interazioni senza la necessità di una tastiera e aiutando a restringere il significato di una query prima che arrivi a un sistema umano o automatizzato. È in un certo senso una forma di analisi attorno al significato e alle modalità di espressione di un linguaggio.

Anche per la visione artificiale ci sono stati progressi significativi negli ultimi decenni. Mentre le auto a guida autonoma rimangono più promesse che realtà, le tecnologie di mitigazione degli incidenti dimostrano quanto sia utile la capacità di percepire le condizioni ambientali e apportare modifiche automatizzate basate su regole (per esempio per l’attivazione dei freni). Come per la NLP, è la visione artificiale che rappresenta l’AI, non la regolazione o la risposta automatizzata basata su regole.

Con il miglioramento dell’analisi dei modelli sottostanti, la visione artificiale e altre tecnologie di percezione sono sempre più utilizzate nei magazzini per identificare gli oggetti da imballare, in medicina per rilevare patologie e nel retail per comprendere il comportamento degli acquirenti.

La chiave è che l’AI in questi casi analizza correttamente gli input provenienti da persone e ambiente reale, riducendo la necessità di comprendere la sintassi specifica e i limiti delle interfacce utente e consentendo a più persone di interagire in modo più naturale con i sistemi tecnologici.