Come faccio a sapere se la mia azienda è pronta per approcciare all’Intelligenza Artificiale? AI Singapore (AISG) ha creato un modello di valutazione con cui le aziende possono definire la loro preparazione autonomamente. Si chiama AI Readiness Index (AIRI) e ora vedremo di cosa si tratta e come utilizzarlo.
Vuoi ascoltare l’audio dell’articolo? Clicca play ⇓
Letto da: Linda Grasso
Cos’è il modello di valutazione AIRI?
Sebbene si parli tanto di Intelligenza Artificiale, le sue possibili applicazioni sono così vaste da renderne complessa la valutazione. I manager devono capire come e da dove partire, affinché il suo ingresso in azienda sia il meno traumatico e il più produttivo possibile. Bisogna controllare che ci siano le tecnologie e le competenze necessarie all’utilizzo dell’AI e che la propria organizzazione si trovi in uno stadio tecnologico adatto a intraprendere il percorso.
Analizzare questi aspetti, utilizzando un approccio soggettivo, potrebbe indurci a errate considerazioni legate a esperienze personali nostre o dei nostri partner. Invece, un approccio scientifico basato su dati oggettivi eviterebbe questo rischio.
Prima di analizzare il modello AI Readiness Index (AIRI) vi mostro come sono arrivato a scoprire quest’utile strumento. Sono quasi due anni che collaboro, da esperto esterno nel comitato di valutazione centrale, con la Commissione Europea. Il progetto, che mi vede coinvolto, si chiama AI for Europe (AI4EU) ed è incentrato sullo sviluppo di un ecosistema di Intelligenza Artificiale Europeo.
Nello specifico, mi occupo della valutazione, grazie all’esperienza che ho potuto fare sul campo, dei progetti presentati da università e aziende europee. Quando mi sono capitati progetti di AI, cercavo uno strumento che potesse permettere alle aziende di valutare autonomamente il loro livello di prontezza all’adozione di questa potente tecnologia. Così, ho scoperto l“Artificial Intelligence Readiness Index (AIRI)” .
All’interno del programma nazionale sull’Intelligenza Artificiale, AI Singapore (AISG) ha sviluppato un framework che, attraverso passaggi ben definiti, conduce le aziende verso una valutazione autonoma del loro livello di conoscenza e utilizzo dell’AI. Tale modello è stato supportato dalla National Research Foundation e ospitato dalla National University of Singapore.
Come valutare se siamo pronti ad adottare l'Intelligenza Artificiale nella nostra azienda? Utilizzando il modello AI Readiness Index (AIRI) che permette una valutazione autonoma del livello di conoscenza e utilizzo dell’AI. Condividi il Tweet
Come funziona AIRI
Per valutare il grado di preparazione di un’azienda, che vorrebbe implementare un progetto d’Intelligenza Artificiale, AIRI si avvale di alcuni parametri basati sui casi di successo di aziende con cui AISG è in partnership. Se le aziende, che vogliono sottoporsi all’analisi, hanno già adottato l’AI, AIRI valuterà il discostamento tra lo stato attuale a quello desiderato. In tal modo, le organizzazioni otterranno dei programmi mirati che permetteranno il raggiungimento della massima efficienza rispetto alla situazione di partenza. Gli obiettivi astratti si potranno così concretizzare in azioni che accelereranno l’adozione dell’AI.
AIRI si basa su quattro pilastri e nove dimensioni come mostra la seguente infografica:
Nello specifico, i pilastri che formano il modello sono interdipendenti. Il loro funzionamento è sinergico così da mostrare, in una visione olistica, lo scenario attuale dell’AI nell’organizzazione analizzata.
Prontezza organizzativa: la tua azienda è pronta ad adottare l’AI?
In questa fase, si valuta la prontezza organizzativa (Organizational Readiness) dell’azienda nell’adottare l’AI. L’analisi prende in considerazione le risorse umane, le loro competenze e le attitudini nei confronti di 4 dimensioni:
- Alfabetizzazione dell’AI (AI Literacy) – valuta il grado di istruzione delle risorse umano verso l’Intelligenza Artificiale, le sue applicazioni e se già utilizzano soluzioni che includono l’AI.
- Talenti sull’AI (AI Talent) – analizza se nell’organizzazione sono presenti risorse capaci di creare e gestire modelli di Machine Learning ( ovvero modelli che contengono i risultati della fase di addestramento effettuata attraverso il deep learning).
- AI Governance – valuta se l’azienda ha definito le politiche strategiche utili a guidare lo sviluppo e l’implementazione dell’AI.
- Supporto del Management (Management Support) – controlla che il management sia disponibile a supportare le iniziative AI allocando le giuste risorse umane e finanziarie utili allo sviluppo interno all’organizzazione.
L’obiettivo di questa fase è capire se l’organizzazione ha le basi necessarie ad intraprendere il viaggio verso l’implementazione dell’AI. Il ruolo strategico, in questo punto del percorso, va alle persone – alle loro competenze e alla disponibilità all’innovazione. Solo così si potrà procedere con l’applicazione di questi nuovi algoritmi probabilistici.
Prontezza del valore aziendale: che valore potenziale l’AI genererà per la tua organizzazione?
I Business Use Cases sono l’unica dimensione presente in questa fase e la loro valutazione ci pone un nuovo interrogativo: hai stabilito delle applicazioni pratiche – dei reali casi d’uso?
Se conosciamo in anticipo le aree che saranno coinvolte dall’innovazione e i casi d’uso specifici, renderemo più efficiente il processo di adozione dell’AI. Per la scelta possiamo farci aiutare dalla value proposition. Sapremo così dove l’AI genera maggiore efficienza.
Un esempio? Se vogliamo migliorare il Servizio Clienti, possiamo implementare un assistente virtuale intelligente. Ma anche ottimizzare la produzione attraverso modelli predittivi per le scorte o per la manutenzione. Stabilire in anticipo questi aspetti, ci aiuta a definire le fasi di implementazione e a rendere efficiente il processo complessivo.
Prontezza dei dati: come sono organizzati i dati di input dell’AI
Data Quality e Reference Data sono le dimensioni della prontezza dei dati (Data Readiness). In questa fase, si analizza il livello di preparazione dell’organizzazione alla gestione dei dati che dovranno servire da input per alimentare gli algoritmi.
- Qualità dei dati (Data Quality) – l’organizzazione dispone di processi che garantiscano completezza e accuratezza dei dati raccolti?
- Riferimenti univoci ai dati (Reference Data) – esiste un riferimento univoco e standardizzato ai dati?
Quando permettiamo l’ingresso delle tecnologie digitali in azienda, dobbiamo fare molta attenzione ai dati che utilizziamo per istruirle. Mentre agli inizi dell’uso dell’AI i programmatori informatici indicavano minuziosamente le operazioni che doveva svolgere un software – in modalità deterministica – oggi l’addestramento degli algoritmi avviene tramite apprendimento automatico – modalità probabilistica tipica degli esseri umani. Si utilizzano, quindi, dei dati di addestramento (in gergo li chiamiamo Training Dataset).
Per procedere correttamente con questa valutazione, la standardizzazione dei dati è fondamentale. In questo modo, i reparti interpretano allo stesso modo le informazioni e utilizzano le stesse entità anche se in forme diverse. La creazione di un repository condiviso è fondamentale per raggiungere questa standardizzazione.
Prontezza strutturale: la valutazione del settore IT
Nella prontezza strutturale (Infrastructure Readiness) il quesito è: la tua organizzazione dispone di un’infrastruttura adatta a supportare l’archiviazione, il recupero dei dati e l’addestramento dei modelli di intelligenza artificiale?
Per rispondere a questa domanda bisogna avviare una valutazione che attraversi due dimensioni:
- Infrastruttura dei dati (Data infrastructure) – che comprende: server per l’elaborazione, storage per l’archiviazione, processi organizzativi, criteri e guide su come gestire i dati. Questi ultimi sono definiti anche Data Governance in quanto gestiscono formalmente il governo dei dati.
- Infrastruttura Machine Learning (Machine Learning infrastructure) – che include: risorse umane, i processi organizzativi e gli strumenti necessari per sviluppare, addestrare e utilizzare i modelli di machine learning. A volte viene definita infrastruttura AI o componente di MLOps, ad indicare un insieme di pratiche che mira a distribuire e mantenere i modelli di machine learning in produzione in modo affidabile ed efficiente.
La valutazione finale: qual’è il punteggio raggiunto?
Arrivati a questo punto del modello AIRI si otterrà un punteggio che indica il livello di preparazione dell’organizzazione all’adozione dell’AI. Il risultato si inserisce nella matrice riportata nell’infografica e ci permette di accedere alla valutazione finale:
Il tempo utile ad eseguire questo test è di 15 minuti circa e lo si può fare in maniera autonoma accedendo al seguente link.
L’approccio con cui eseguire il test dovrebbe essere quello di trarre un esperienza formativa dal percorso. In merito, ci sono interessanti indicazioni nella pagina esplicativa.
Il risultato non dovrà in alcun modo scoraggiarvi ma servirà a mostrare cosa può essere migliorato all’interno dell’organizzazione al fine di poter implementare una tecnologia tanto complessa quanto affascinante come l’AI. Inoltre, basterà consultare degli esperti sul campo per diventare AI Competent e sfruttare i benefici di quello che diventerà il vero motore della nostra azienda.
