Intelligenza Artificiale e Machine Learning: il tema è sempre molto caldo, soprattutto anche per quanto riguarda il loro utilizzo concreto. Alcune survey mostrano un divario tra la comprensione del valore dell'intelligenza artificiale (IA) e del machine learning (ML) come strumenti di trasformazione e la comprensione pratica di ciò che significano e come possono essere considerati prioritari. Per avere il punto di vista di un’azienda che è da tempo in prima linea su questi temi, ImpresaCity ne ha parlato con Alex Casalboni, Senior Developer Advocate di AWS, esaminando in particolare le attività dell’Amazon Machine Learning Solutions Labs, che affianca i clienti di Amazon Web Services con esperti di Machine Learning per aiutarli a identificare e progettare soluzioni di Machine Learning, permettendo di sfruttare al meglio le opportunità economiche date dall'investimento in questa tecnologia.



La prima domanda è in certo senso obbligata, e verte su quanto efficacemente le imprese hanno sfruttato gli strumenti messi a disposizione dall’Intelligenza Artificiale e dal Machine Learning. “In realtà, la maggior parte di noi utilizza sistemi basati su intelligenza artificiale e machine learning più volte nell’arco della giornata”, esordisce Casalboni, spiegando che “per esempio, quando si deposita un assegno scattandogli una foto, un modello di machine learning sviluppato dalla banca riconosce ciò che è scritto sull'assegno. La presenza costante di IA nella nostra vita quotidiana è la prova che le aziende stanno sperimentando i vantaggi di questa tecnologia innovativa, ma ciò non significa che non ci sia più lavoro da fare per colmare il divario tra la comprensione del suo valore e renderla una priorità e una risorsa aziendale. Amazon Machine Learning Solutions Lab ha aiutato innumerevoli clienti ad adottare il machine learning: questa tecnologia è importante e può diventare una priorità di business”.

I gap più comuni

È però noto come vi siano tuttora lacune nell'applicazione di questi strumenti. Insieme a AWS cerchiamo quindi di capire quali possono essere le barriere più comuni. “Fino a cinque anni fa, le barriere più comuni erano tecniche e legate principalmente ai costi”, prosegue Casalboni, spiegando che “solo le grandi aziende tecnicamente sofisticate potevano permettersi di acquisire l'infrastruttura tecnologica e il capitale umano per applicare il ML in modo anche solo limitato. Il cloud computing ha eliminato queste barriere. Ora, le aziende di qualsiasi dimensione e con qualsiasi livello di competenza possono usare il ML in modo pervasivo. Le barriere più comuni che vediamo oggi sono legate al business e alla cultura aziendale. Definire ed eseguire una visione ambiziosa per il ML è difficile e richiede tempo e sperimentazione”.  

Ma è anche un problema culturale: “se la cultura organizzativa non incoraggia la sperimentazione o se tratta il fallimento (detto anche apprendimento) come qualcosa da evitare a tutti i costi, allora questo sarà un ostacolo significativo all'applicazione efficace del ML. Più esperimenti si eseguono, più si impara. Quindi, seppur alcune tipologie di aziende o settori stanno adottando il ML più lentamente di altri, stiamo assistendo a una certa diffusione dell'uso di questa tecnologia”.

Alex Casalboni, Senior Developer Advocate di AWS

Ostacoli da superare

Proseguendo ulteriormente nell’analisi delle possibili barriere, chiediamo come possono le aziende affrontare al meglio gli aspetti relativi ai talenti, alle infrastrutture e all'uso dell'IA/ML. “Mentre il cloud computing ha risolto gran parte del problema dell'infrastruttura, è necessario adeguare il talento tecnico al giusto set di strumenti”, evidenzia Casalboni, sottolineando che “questo è il motivo per cui organizziamo i nostri servizi di ML in uno schema a tre livelli. Man mano che ci si sposta dall'alto verso il basso dello schema, il livello di competenza richiesto aumenta. Quando le aziende iniziano il proprio percorso verso l'adozione del machine learning, devono avere un piano per riqualificare il proprio personale e allineare questo talento al giusto set di servizi. Le aziende che sono nuove al ML, ma hanno ingegneri e programmatori software con esperienza in AWS, possono iniziare immediatamente con il livello superiore dei servizi. Man mano che gli ingegneri sviluppano un’esperienza di ML più approfondita allora è opportuno esplorare il livello successivo dello schema. In Amazon, abbiamo avuto un buon successo nella formazione dei nostri ingegneri in ML, e consigliamo questo approccio. È certamente possibile costruire un team di esperti di ML da zero, ma pensiamo che ci sia un valore nell'investire nell’attuale talento tecnico e fornire opportunità di lavoro più ampie”.  

Allinearsi agli obiettivi

Non solo: è un fatto che molte aziende pensano di dover investire nell'IA solo perché sanno di essere “osservate” da altre aziende, ma spesso non sono consapevoli delle proprie lacune. Per questo chiediamo ad AWS come potrebbe essere meglio informato sull’AI e come può allinearsi agli obiettivi aziendali il leadership team non specializzato in IT. “In Amazon, abbiamo più di vent'anni di esperienza nell'uso dell'IA e del ML in molte attività”, prosegue Casalboni, raccontando che “abbiamo dovuto formare internamente i nostri leader sul machine learning, sia i tecnici sia i non tecnici. Due anni fa, abbiamo reso disponibile la parte tecnica di questa formazione come parte del programma Machine Learning University di Amazon. Poco più di un anno fa, durante AWS re:Invent, abbiamo annunciato il programma Embark, che combina la formazione tecnica della Machine Learning University con un nuovo programma progettato per la gestione aziendale. Uno degli obiettivi principali del programma Embark è quello di fare chiarezza sul machine learning”.  

Un programma completo

Passando a esaminare nel dettaglio questo programma, Casalboni spiega che “al completamento della formazione aziendale di Embark, la senior leadership conosce le tipologie di problemi per i quali il ML è adatto, e come identificare le aree del business alle quali può essere applicata questa tecnologia. Per fare ciò, mostriamo esempi del mondo reale in cui il machine learning funziona, sia per Amazon sia per gli oltre 100.000 clienti che oggi usano il ML su AWS. Vengono anche esposti a varie sfide nello sviluppo di un'organizzazione basata sull'IA. Attraverso questo processo, imparano a identificare le leve strategiche per creare una strategia solida basata sull’IA, una strategia basata sui dati e una cultura di collaborazione, necessarie per portare con successo la loro organizzazione verso il ML. Inoltre, rendiamo anche i benefici del ML tangibili ai clienti che partecipano al programma Embark. I data scientist di Amazon Machine Learning Solutions Lab lavorano con il team del cliente per sviluppare un proof-of-concept (PoC) di ML completamente funzionale che si rivolge a un caso d'uso aziendale reale, identificato e definito insieme al cliente. Poi il cliente può implementare la soluzione nella pratica utilizzando il team ProServe di AWS o il proprio team di sviluppo, a sua scelta”.

Guardare alla strategia

Di fronte a queste considerazioni chiediamo quindi a AWS di enucleare quali possono essere i fattori di successo da considerare prima di iniziare un viaggio verso il ML. “Uno dei punti più importanti da considerare per i manager è che le sfide che probabilmente dovranno affrontare riguardano soprattutto l'organizzazione e le persone”, sintetizza Casalboni, precisando che la prima sfida è quella della “definizione di una strategia basata sui dati. La collaborazione tra i gli esperti tecnici e di business sarà molto più produttiva se il processo decisionale è guidato dai dati. Questo è assolutamente centrale per il Machine Learning. I dettagli per la progettazione di una strategia efficace basata sui dati sono troppo numerosi per essere trattati qui, ma sono illustrati in modo approfondito nella formazione di Embark. Le considerazioni includono la garanzia che l'accesso ai dati sia controllato (ma non in modo proibitivo), che siano disponibili sia i dati grezzi che quelli derivati, e la possibilità di sfruttare i dati multimodali, come strutturati, semi-strutturati e non strutturati, con il ML”.  

Un esempio? Casalboni non ha dubbi: “immaginiamo che vogliate ideare un'offerta speciale, inviata via e-mail ai vostri clienti. L'approccio tradizionale sarebbe quello di affidarsi allo storico dei dati, per esempio identificando le offerte chi clienti hanno accettato in passato. Questi dati sono probabilmente memorizzati in qualche database. Con il ML, è possibile sfruttare diversi tipi di dati come le immagini, e quindi utilizzare la computer vision per trovare immagini che sono simili a quelle che sono state utilizzate nelle offerte che i vostri clienti hanno accettato in passato. Questo è ciò che intendo per dati ‘semi-strutturati’ e ‘non strutturati’. C'è un intero universo di dati che non rientrano nei database tradizionali, e il ML è estremamente bravo a trovare intuizioni e pattern in questi dati”.

Il talento come sfida

E la seconda sfida? “Riguarda soprattutto il talento”, prosegue Casalboni, facendo notare che “è molto importante suscitare l'entusiasmo per il ML in modo che i vostri ingegneri siano interessati ad investire il loro tempo in formazione. È certamente possibile assumere data scientist e ingegneri esperti di ML, ma queste competenze sono molto richieste e poco disponibili. Abbiamo scoperto che è più veloce e più efficace aggiornare le competenze dei team tecnici esistenti. Questo non significa che non dovrete assumere ingegneri con nuove competenze; significa solo che non dovrete assumere un intero team da zero. La Machine Learning University di Amazon è basata su un programma di formazione che abbiamo sviluppato internamente per aggiornare la nostra forza lavoro, e che ora è disponibile anche come parte del programma Embark. Abbiamo avuto un discreto successo nella formazione della nostra forza lavoro e pensiamo che sarà utile anche ad altre aziende”.

Guardando più in là, “la prossima sfida sarà quella di identificare i problemi di business per il ML. All'inizio del vostro percorso di ML, sarà importante identificare i progetti di successo più significativi. Questi progetti dovrebbero fornire risultati che inducano i responsabili dell'organizzazione a voler affrontare alcune delle loro sfide utilizzando il Machine Learning. Il nostro programma Embark, così come il nostro ML Solutions Lab insegna proprio questo: come identificare i problemi che possono esserci all’interno di un’azienda e risolverli grazie al Machine Learning. Questo approccio collaborativo assicura il consenso e la collaborazione degli stakeholder chiave e l'allineamento con gli obiettivi aziendali fin dall'inizio, aspetto cruciale per assicurare un risultato e un'adozione di successo”, sottolinea Casalboni.

La terza sfida

Rimane l'ultima sfida chiave: è quella di “gestire la scalabilità del ML all'interno dell’organizzazione. L’aspetto tecnico dell'esecuzione di ML su larga scala è risolvibile attraverso i servizi e le soluzioni cloud di AWS per lo scaling orizzontale dell'infrastruttura IT, in modo estremamente conveniente e flessibile. C'è anche una componente di business in questa sfida. Una volta che le unità di business vedono quanto sia efficace il ML, vorranno implementare soluzioni nelle loro linee di business. Dovrete pensare a come scalare la domanda delle vostre risorse di ML. Non c'è un unico approccio ‘giusto’. Si è tentati di imporre soluzioni standard quando si affrontano sfide come queste, ma ogni cliente è diverso. Quindi ciò che facciamo con il nostro programma Embark è rendere i leader in azienda consapevoli delle decisioni chiave che dovranno prendere quando iniziano il loro percorso di ML. Il nostro obiettivo è rendere il ML più facile da adottare e utilizzare e pensiamo che il nostro programma Embark rappresenti un grande passo in avanti verso questo obiettivo”, conclude Alex Casalboni.