Questo è il motivo per cui l'IA deve ancora rimodellare la maggior parte delle aziende

Disegno concettuale della bottiglia di profumo e della rete AI Derek Brahney

L'arte di creare profumi e colonie non è cambiata molto dal 1880, quando iniziarono ad essere utilizzati ingredienti sintetici. Esperti creatori di fragranze armeggiano con combinazioni di sostanze chimiche nella speranza di produrre nuovi accattivanti profumi. Quindi Achim Daub, un dirigente di uno dei più grandi produttori mondiali di fragranze, Symrise, si è chiesto cosa sarebbe successo se avesse iniettato l'intelligenza artificiale nel processo. Una macchina suggerirebbe formule accattivanti che un essere umano potrebbe non pensare di provare?

Daub ha assunto IBM per progettare un sistema informatico in grado di esaminare enormi quantità di informazioni - le formule delle fragranze esistenti, i dati sui consumatori, le informazioni normative e così via - e quindi suggerire nuove formulazioni per mercati particolari. Il sistema è chiamato Philyra, dalla dea greca della fragranza. Nome evocativo a parte, non può annusare nulla, quindi non può sostituire i profumieri umani. Ma dà loro un vantaggio nella creazione di qualcosa di nuovo.

Questa storia faceva parte del nostro numero di marzo 2019

• Vedi il resto del problema
• sottoscrivi

Daub è soddisfatto dei progressi fatti finora. Due fragranze destinate ai giovani clienti in Brasile saranno in vendita lì a giugno. Solo alcuni dei 70 designer di fragranze dell'azienda hanno utilizzato il sistema, ma Daub prevede di estenderlo a tutti loro.

Tuttavia, fa attenzione a sottolineare che arrivare così lontano ha richiesto quasi due anni e ha richiesto investimenti che richiederanno ancora un po' di tempo per recuperare. I suggerimenti iniziali di Philyra erano orribili: continuava a suggerire ricette di shampoo. Dopotutto, ha esaminato i dati di vendita e lo shampoo supera di gran lunga il profumo e l'acqua di colonia. Per metterlo in pista è stato necessario molto allenamento da parte dei profumieri di Symrise. Inoltre, l'azienda è ancora alle prese con costosi aggiornamenti IT necessari per trasferire i dati in Philyra da sistemi di registrazione disparati, mantenendo alcune delle informazioni riservate agli stessi profumieri. È una specie di curva di apprendimento ripida, dice Daub. Non siamo affatto vicini ad avere un'IA saldamente e completamente affermata nel nostro sistema aziendale.

Il settore dei profumi non è certo l'unico ad adottare l'apprendimento automatico senza assistere a rapidi cambiamenti. Nonostante quello che potresti sentire sull'intelligenza artificiale che sta invadendo il mondo, le persone in una vasta gamma di settori affermano che la tecnologia è difficile da implementare. Può essere costoso. E il guadagno iniziale è spesso modesto.

Una cosa è vedere innovazioni nell'intelligenza artificiale in grado di superare i grandi maestri di Go, o anche avere dispositivi che accendono la musica al tuo comando. Un'altra cosa è usare l'IA per apportare qualcosa di più che cambiamenti incrementali in aziende che non sono intrinsecamente digitali.

Questo non significa che l'IA sia sopravvalutata. Ma gli algoritmi sono una piccola parte di ciò che conta davvero nel rimodellare il modo in cui vengono svolte le attività.

L'IA potrebbe eventualmente trasformare l'economia, rendendo possibili nuovi prodotti e nuovi modelli di business, prevedendo cose che gli esseri umani non avrebbero potuto prevedere e sollevando i dipendenti dalla fatica. Ma ciò potrebbe richiedere più tempo di quanto sperato o temuto, a seconda di dove ti siedi. La maggior parte delle aziende non genera una produzione sostanzialmente maggiore dalle ore che i propri dipendenti dedicano. Tali guadagni di produttività sono maggiori nelle aziende più grandi e ricche, che possono permettersi di spendere molto per il talento e l'infrastruttura tecnologica necessaria per far funzionare bene l'IA.

Questo non significa necessariamente che l'IA sia sopravvalutata. È solo che quando si tratta di rimodellare il modo in cui vengono svolte le attività, gli algoritmi di riconoscimento dei modelli sono una piccola parte di ciò che conta. Molto più importanti sono gli elementi organizzativi che si propagano dal reparto IT fino alle prime linee di un'azienda. Praticamente tutti devono essere in sintonia con come funziona l'IA e dove si trovano i suoi punti ciechi, specialmente le persone che dovrebbero fidarsi dei suoi giudizi. Tutto ciò richiede non solo denaro, ma anche pazienza, meticolosità e altre abilità tipicamente umane che troppo spesso scarseggiano.

Alla ricerca di unicorni

Lo scorso settembre, uno scienziato di dati di nome Peter Skomoroch ha twittato: Come regola generale, puoi aspettarti che la transizione della tua azienda all'apprendimento automatico sarà circa 100 volte più difficile della tua transizione al mobile. Aveva il suono di uno scherzo, ma Skomoroch non stava scherzando. Diverse persone gli hanno detto di essere state sollevate nel sentire che le loro aziende non erano sole nelle loro lotte. Penso che ci sia molto dolore là fuori: aspettative gonfiate, afferma Skomoroch, che è CEO di SkipFlag, un'azienda che afferma di poter trasformare le comunicazioni interne di un'azienda in una base di conoscenza per i dipendenti. L'intelligenza artificiale e l'apprendimento automatico sono visti come polvere magica.

Tra i maggiori ostacoli c'è il fatto che sistemi di registrazione disparati possano dialogare tra loro. Questo è un problema che Richard Zane ha incontrato in qualità di Chief Innovation Officer presso UC Health, una rete di ospedali e cliniche mediche in Colorado, Wyoming e Nebraska. Di recente ha lanciato un agente software conversazionale chiamato Livi, che utilizza la tecnologia in linguaggio naturale di una startup chiamata Avaamo per assistere i pazienti che chiamano UC Health o utilizzano il sito web. Livi li invita a rinnovare le ricette, prenota e conferma gli appuntamenti, e mostra loro le informazioni sulle loro condizioni.

Zane è lieto che con Livi che gestisce le domande di routine, il personale di UC Health possa dedicare più tempo ad aiutare i pazienti con problemi complicati. Ma riconosce che questo assistente virtuale fa poco di ciò che l'IA potrebbe eventualmente fare nella sua organizzazione. È solo la punta dell'iceberg, o qualunque sia la sua versione positiva, dice Zane. Ci è voluto un anno e mezzo per implementare Livi, in gran parte a causa dei problemi informatici legati al collegamento del software alle cartelle cliniche dei pazienti, ai dati di fatturazione assicurativa e ad altri sistemi ospedalieri.

Configurazioni simili tormentano anche altri settori. Alcuni grandi rivenditori, ad esempio, salvano i record della catena di approvvigionamento e le transazioni dei consumatori in sistemi separati, nessuno dei quali è collegato a magazzini di dati più ampi. Se le aziende non si fermano e costruiscono connessioni tra tali sistemi, l'apprendimento automatico funzionerà solo su alcuni dei loro dati. Questo spiega perché gli usi più comuni dell'IA finora hanno coinvolto processi aziendali che sono stati isolati ma hanno comunque dati abbondanti, come la sicurezza informatica o il rilevamento di frodi nelle banche.

Anche se un'azienda ottiene dati che fluiscono da molte fonti, ci vuole molta sperimentazione e supervisione per essere sicura che le informazioni siano accurate e significative. Quando Genpact, una società di servizi IT, aiuta le aziende a lanciare quelli che considerano progetti di intelligenza artificiale, il 10% del lavoro è IA, afferma Sanjay Srivastava, chief digital officer. Il novanta per cento del lavoro consiste in realtà nell'estrazione di dati, nella pulizia, nella normalizzazione, nel litigio.

Questi passaggi potrebbero sembrare semplici per Google, Netflix, Amazon o Facebook. Ma quelle aziende esistono per acquisire e utilizzare i dati digitali. Hanno anche un lussuoso personale con dottorati di ricerca in scienza dei dati, informatica e campi correlati. È diverso dal rango della maggior parte delle società aziendali, afferma Skomoroch.

In effetti, le aziende più piccole spesso richiedono ai dipendenti di approfondire diversi domini tecnici, afferma Anna Drummond, data scientist presso Sanchez Oil and Gas, una società energetica con sede a Houston. Sanchez ha recentemente iniziato lo streaming e l'analisi dei dati di produzione dai pozzi in tempo reale. Non ha costruito la capacità da zero: ha acquistato il software da un'azienda chiamata MapR. Ma Drummond e i suoi colleghi dovevano comunque assicurarsi che i dati dal campo fossero in formati che un computer potesse analizzare. Il team di Drummond è stato anche coinvolto nella progettazione del software che avrebbe fornito informazioni agli schermi degli ingegneri. Le persone esperte in tutte queste cose non sono facili da trovare, dice. È come gli unicorni, in pratica. Questo è ciò che sta rallentando l'adozione dell'IA o dell'apprendimento automatico.

Fluor, una grande società di ingegneria, ha lavorato per circa quattro anni con IBM per sviluppare un sistema di intelligenza artificiale per monitorare enormi progetti di costruzione che possono costare miliardi di dollari e coinvolgere migliaia di lavoratori. Il sistema inala sia i dati numerici che quelli in linguaggio naturale e avvisa i project manager di Fluor in merito a problemi che potrebbero causare ritardi o sforamenti dei costi.

I data scientist di IBM e Fluor non hanno avuto bisogno di molto tempo per simulare gli algoritmi che il sistema avrebbe utilizzato, afferma Leslie Lindgren, vicepresidente della gestione delle informazioni di Fluor. Ciò che ha richiesto molto più tempo è stato il perfezionamento della tecnologia con la stretta partecipazione dei dipendenti Fluor che avrebbero utilizzato il sistema. Per potersi fidare dei suoi giudizi, avevano bisogno di informazioni su come avrebbe funzionato e hanno dovuto convalidarne attentamente i risultati, dice Lindgren.

Per sviluppare un sistema come questo, devi portare i tuoi esperti di dominio dal business, intendo le tue persone migliori, dice. Ciò significa che devi tirarli fuori altre cose. Usare le persone migliori era essenziale, aggiunge, perché costruire il motore di intelligenza artificiale era troppo importante, troppo lungo e troppo costoso per loro per fare diversamente.

I semi dell'IA

Una volta che nasce un'innovazione, quanto velocemente si diffonderà nell'economia? L'economista Zvi Griliches ha fornito alcune risposte fondamentali negli anni '50, guardando al mais.

Griliches ha esaminato i tassi con cui i coltivatori di mais in varie parti del paese sono passati a varietà ibride con rese molto più elevate. Ciò che lo interessava non era tanto il mais in sé, ma il valore degli ibridi come quella che oggi chiameremmo una piattaforma per innovazioni future. Il mais ibrido è stata l'invenzione di un metodo di invenzione, un metodo per allevare mais superiore per località specifiche, scrisse Griliches in un documento fondamentale nel 1957.

Gli ibridi furono introdotti in Iowa tra la fine degli anni '20 e l'inizio degli anni '30. Nel 1940 rappresentavano quasi tutto il mais piantato nello stato. Ma la curva di adozione non era neanche lontanamente così ripida in luoghi come il Texas e l'Alabama, dove gli ibridi furono introdotti in seguito e coprirono circa la metà della superficie coltivata a mais all'inizio degli anni '50. Uno dei motivi principali è che i semi ibridi erano più costosi dei semi convenzionali e gli agricoltori dovevano acquistarne di nuovi ogni anno. Il passaggio alla nuova tecnologia era una proposta più rischiosa per le fattorie in questi stati che nella più ricca e produttiva cintura del mais del Midwest.

Ciò che Griliches ha catturato, e ciò che gli economisti successivi hanno confermato, è che la diffusione delle tecnologie è modellata meno dalle qualità intrinseche delle innovazioni che dalle situazioni economiche degli utenti. La domanda chiave degli utenti non è, come lo è per i tecnologi, cosa può fare la tecnologia? ma quanto trarremo vantaggio dall'investimento in esso?

Oggi l'apprendimento automatico è alla base di ogni aspetto delle operazioni di aziende come Facebook, Google e Amazon e di molte startup. Sta rendendo queste aziende eccezionalmente ricche. Ma al di fuori di quella cintura di intelligenza artificiale, le cose si stanno muovendo molto più lentamente, per ragioni economiche razionali.

A Symrise, Daub pensa che il progetto AI sui profumi sia caduto in un punto debole. È stato un esperimento su scala relativamente piccola, ma ha comportato un lavoro reale per un cliente di fragranze e non era una semplice simulazione di laboratorio.

Siamo tutti molto sotto pressione, dice. Nessuno ha davvero il tempo di imparare sul campo sul lato. Eppure anche questo richiedeva un atto di fiducia nella tecnologia. È tutta una questione di convinzione, dice. C'è una forte convinzione in me che l'IA svolgerà un ruolo nella maggior parte dei settori che vediamo oggi, alcuni in modo più predominante. Ignorarlo completamente non è un'opzione.

nascondere