Il punto di partenza dell'impresa: scienza dei dati e intelligenza artificiale

Il campo in rapida espansione dell'intelligenza artificiale e della scienza dei dati presenta un elenco scoraggiante di opzioni per le aziende che sperano di sfruttarne il potenziale. Machine learning, deep learning, elaborazione del linguaggio naturale, reti neurali, automazione dei processi robotici e molte altre varianti esoteriche riempiono titoli e white paper.

Sul punto di fornire una potenza di calcolo miracolosa, queste tecnologie implorano i dirigenti di adottarle o di scoprire che le loro aziende saranno presto superate da quelle che lo fanno. Per poche aziende selezionate con intere divisioni dedicate all'IA, adattare tale tecnologia ai casi d'uso è un'attività quotidiana. Ma per la stragrande maggioranza, sapere da dove cominciare è meno semplice.

In questo articolo, i dirigenti di Toptal condividono la prospettiva sull'applicazione pratica di soluzioni artificiali legate alla tecnologia alle esigenze aziendali comuni.

Pedro Nogueira, specialista in machine learning e data science, offre notizie interessanti alle nuove aziende: la prima soluzione è spesso semplice, relativamente a basso costo e finanziariamente accrescitiva. A complemento della prospettiva di Nogueira, il team di Toptal Enterprise evidenzia le recenti tendenze nell'automazione dei processi robotici, che aiuta le aziende a semplificare i flussi di lavoro di routine.

Automazione robotica dei processi e intelligenza artificiale: strumenti per compiti diversi

Per inquadrare i consigli condivisi da Nogueira, è utile comprendere la differenza tra Robotic Process Automation (RPA) e Intelligenza Artificiale (AI) e i tipi di dati che ciascun approccio è più adatto a gestire.

RPA e AI differiscono in base ai lavori che svolgono. Un robot software, RPA eccelle in attività ripetitive analoghe a quelle eseguite da un lavoratore o da una macchina della catena di montaggio. Al contrario, l'IA è più adatta per ambienti meno strutturati, replicando la capacità analitica fondamentale per il giudizio umano e il processo decisionale.

Definitivamente, i due approcci sono anche distinti. La IEEE Standards Association, un'organizzazione internazionale composta da esperti del settore, li definisce come segue:

RPA: software preconfigurato che utilizza regole di business e attività predefinite per completare l'esecuzione autonoma di una combinazione di processi, attività, transazioni e attività.

AI: la combinazione di automazione cognitiva, apprendimento automatico (ML), ragionamento, generazione e analisi di ipotesi, elaborazione del linguaggio naturale e mutazione intenzionale dell'algoritmo che produce approfondimenti e analisi pari o superiori alle capacità umane.

L'RPA è generalmente considerato un sottoinsieme dell'IA e uno che prende di mira le routine ripetitive. La differenza fondamentale è che l'RPA non apprende, mentre l'IA può auto-modificarsi, alterando la sua attività in risposta a diversi input ambientali.

Di conseguenza, l'RPA è più adatto per dati altamente strutturati, mentre l'IA gestisce dati non strutturati o semistrutturati. La differenza tra i due tipi di dati, riepilogati di seguito, è facilmente comprensibile per chiunque abbia creato un database di fogli di calcolo.

I dati che si adattano perfettamente a un foglio di calcolo di questo tipo, come le informazioni di contatto dei clienti, sono strutturati. I dati che non si adattano, come il linguaggio naturale, non sono strutturati. Apprezzare la differenza tra questi tipi di dati è fondamentale per comprendere quali forme di intelligenza artificiale sono appropriate per un determinato business case.

Blocco e contrasto con l'automazione dei processi aziendali

Per la maggior parte delle aziende, il punto di partenza più semplice e meno rischioso per sfruttare l'IA è l'automazione dei processi aziendali. Costituiti da compiti banali che richiedono poca intelligenza e forse nessuno sforzo umano, tali processi giustificano l'investimento in tecnologia che elimina o riduce significativamente il coinvolgimento umano. Le aziende e i dipendenti ne trarranno vantaggio in tre distinti modi:

1. I dipendenti concentrano gli sforzi su attività di valore più elevato e sulla risoluzione dei problemi.
2. Le aziende realizzano un ROI positivo da costi operativi continui minimi.
3. La qualità del processo migliora a causa della mancanza di errore umano.

L'RPA guida più flussi di lavoro nel settore assicurativo

Per le aziende che stanno già ottimizzando procedure interne semplici come il rimborso delle spese, opportunità più complesse possono potenzialmente generare un ROI elevato. Nel settore assicurativo, ad esempio, la generazione di preventivi assicurativi e l'elaborazione dei reclami assicurativi presentano casi d'uso perfetti per l'RPA.

Quando si sottoscrive una polizza, le compagnie assicurative devono bilanciare rischio e rendimento. In sostanza, il valore attuale netto dei premi di polizza deve in media superare quello dei sinistri. Durante la sottoscrizione, le compagnie di assicurazione stimano la componente di rischio di questa equazione, aiutandole a prevedere i tempi e l'entità delle passività future.

L'assunzione è stata storicamente un processo manuale, le cui esigenze analitiche sono state supervisionate dagli attuari. Ora tale lavoro viene sempre più eseguito automaticamente e con la supervisione di data scientist che attingono a nuove fonti di dati per prevedere meglio il rischio. Ad esempio, nell'industria automobilistica, gli assicuratori hanno storicamente valutato le storie di perdite, che sono registrazioni di precedenti richieste di risarcimento per un determinato conducente. Gli assicuratori hanno iniziato a incorporare i punteggi di credito del conducente nella loro analisi del rischio, riconoscendo che i punteggi più alti sono correlati positivamente alla guida sicura e alle perdite proporzionalmente inferiori.

Riflettendo sull'esempio di sottoscrizione, Nogueira osserva che "quando le aziende pensano di aver bisogno dell'IA, spesso hanno effettivamente bisogno di data scientist".

Per Nogueira, il processo di preventivo assicurativo è abbastanza familiare sia a livello professionale che personale. Data scientist con esperienza in progetti nel settore assicurativo e appassionato di motociclette che ha recentemente girato il Portogallo, racconta un aneddoto a cui qualsiasi guidatore o proprietario di casa può riferirsi: “Se devo cambiare moto, cosa che mi piace fare spesso, allora andare online a una serie di compagnie assicurative e condividere i miei dati attraverso i loro questionari online".

Una volta inviati, i dati entrano in "un modello che vive da qualche parte nel back-end e analizza il mio profilo di rischio in base a uno o più modelli e poi mi fornisce un preventivo". Nei secondi necessari per ricevere tale preventivo, tutte le analisi sono automatiche, sovrascritte con l'intervento umano solo nel caso di dati anomali.

L'automazione guida anche i flussi di lavoro a valle nel ciclo di vita del cliente assicurativo, in particolare durante il processo di sinistro. Quando un cliente assicurativo presenta una richiesta di risarcimento, la compagnia di assicurazione determina se pagare completamente, pagare parzialmente o negare la richiesta. Il processo coinvolge spesso più soggetti esterni, incluso il cliente assicurativo e il fornitore di servizi, ad esempio un ospedale nel caso dell'assistenza sanitaria o un'officina di riparazione nel caso dell'auto.

Nell'industria automobilistica, l'aggiudicazione dei reclami dipende dalla verifica dei danni a un veicolo, dalla determinazione dei costi di riparazione, dalla selezione dell'officina e dal pagamento della riparazione. Per i preventivi di riparazione, le foto svolgono un ruolo fondamentale nel processo di reclamo. L'addetto ai sinistri scatta foto del veicolo distrutto, così come l'officina, sia prima che dopo le riparazioni. Queste foto forniscono la prova del danno, la riparazione e la base per il rimborso.

Storicamente, queste foto venivano interpretate esclusivamente dalle persone, ma ora il software di riconoscimento delle immagini, unito all'automazione basata su regole, fornisce informazioni critiche all'addetto alla liquidazione dei sinistri, consentendo riparazioni e coperture più rapide.

La scienza dei dati è il cavallo di battaglia e i data scientist sono i driver

Le aziende devono "definire cosa può essere facilmente automatizzato e cosa deve essere inoltrato ai decisori umani", secondo Nogueira. Con qualsiasi processo preso in considerazione per l'automazione, continua, "guarda prima i dati e scopri le regole".

Sebbene ammetta che i campi della scienza dei dati e dell'intelligenza artificiale si stanno fondendo, per la risoluzione degli affari Nogueira delinea i due:

"La scienza dei dati è l'intelligenza artificiale applicata a scenari del mondo reale e alle esigenze aziendali comuni. Ha più a che fare con la comprensione dei dati, la loro gestione, la loro disponibilità, la facilità di elaborazione e, in definitiva, una guida per il processo decisionale da parte degli stakeholder dell'azienda".

Tale lavoro spesso equivale a ripulire e raccogliere insiemi di dati disparati - compito non facile - e quindi applicare analisi statistiche, come la regressione logistica, per guidare previsioni e decisioni migliori.

Al contrario, l'IA è molto più orientata alla ricerca e adatta per l'analisi dei dati non strutturati. "Immagina un progetto davvero complesso, con molte incertezze, ad esempio cercando di costruire un modello che determini quante persone potrebbero entrare in un supermercato in base a schemi di camminata, video CCTV e dati sensoriali".

In definitiva, questo modello potrebbe prevedere come le persone acquistano, cosa cercano e come posizionare i prodotti l'uno rispetto all'altro, ottimizzando la planimetria per massimizzare il profitto. Sebbene un tale progetto "cielo blu", in caso di successo, sarebbe senza dubbio prezioso per i rivenditori, richiederebbe anche un team di più esperti e potrebbe facilmente costare multipli di un'iniziativa basata sulla scienza dei dati. Nel caso della vendita al dettaglio, un'azienda potrebbe concentrarsi su uno o alcuni dei componenti più critici del modello predittivo, ad esempio l'ottimizzazione degli orari dei negozi rispetto al traffico pedonale e ai costi operativi.

Il punto di partenza fondamentale per creare capacità di data science è portare a bordo il giusto tipo e numero di talenti. Fortunatamente, secondo Nogueira, la maggior parte delle aziende "non ha bisogno di un grande team di sviluppatori super esperti per eseguire molte delle automazioni comuni, soprattutto se si considera il numero di API e SDK disponibili".

Sebbene tali tecnologie standard forniscano strumenti potenti, è fondamentale che siano maneggiate dalle mani giuste. Qui, Nogueira fornisce una parola di cautela: "questi strumenti potrebbero effettivamente essere un problema, perché molte persone li usano in modi che non dovrebbero, perché non li capiscono".

Il pericolo, osserva, risiede nel "sovraadattamento dei modelli di dati", che risulta dall'applicazione di un modello ai dati in un modo che non tiene conto dell'intero spettro di possibilità. Tale sovrallenamento, avverte, "può finire per essere estremamente costoso per l'azienda, perché in situazioni che non hai mai visto prima, il modello non si generalizza bene, il che può portare a prendere decisioni sbagliate sui dati".

Per evitare tali insidie, Nogueira incoraggia le aziende ad assumere data scientist esperti. Tutte le aziende che cercano di sbloccare il valore dei dati dei clienti o operativi "hanno bisogno di una persona con una buona conoscenza delle statistiche e abbastanza acume per gli affari per comprendere i casi d'uso e dove risiede il valore nel business". Dal punto di vista delle credenziali, un data scientist solido di solito ha almeno una laurea in matematica o statistica, una forte capacità di codificare e può analizzare un caso d'uso aziendale per determinare dove la scienza dei dati può fornire il massimo impatto.

Pensieri di separazione

Sebbene la scienza dei dati rappresenti un punto di partenza convincente dal punto di vista del rischio/rendimento, vale la pena esplorare anche il panorama più ampio delle tecnologie di intelligenza artificiale. I dirigenti aziendali dovrebbero considerare la scienza dei dati come il punto di incontro attorno al quale avviare la conversazione interna sull'IA.

Man mano che realizzano storie di successo con l'automazione dei processi aziendali, dovrebbero considerare di ampliare l'ambito per includere casi d'uso più impegnativi, forse più adatti a tecnologie di intelligenza artificiale alternative. Negli articoli successivi, Insights esplorerà il più ampio panorama dell'IA, aiutando i dirigenti a navigare in un campo che produrrà senza dubbio forti ritorni.