aziende ai competent

AI Readiness Index (AIRI): un modello per valutare l’adozione dell’AI in azienda

Per agevolare l’adozione dell’AI nelle organizzazioni l’AI Singapore (AISG) ha pensato a un modello di valutazione del livello di preparazione delle aziende denominato AI Readiness Index (AIRI). Ecco quali sono le variabili da prendere in esame e come si struttura

Pubblicato il 06 Apr 2022

Antonio Grasso

Entrepreneur, technologist, sustainability passionate

intelligence - SIpEIA

Si parla così tanto di intelligenza artificiale e di quelli che potrebbero essere i suoi sviluppi futuri nelle realtà aziendali che diventa difficile per un manager inquadrare, in modo asettico e indipendente, il suo l’impatto. Molti di questi dubbi sono legati alla poliedricità della tecnologia e alla sua pretesa di simulare i nostri processi cognitivi.

In relazione a un argomento tanto complesso viene spontaneo chiedersi: sono pronto per adottare l’AI? Quale dovrebbe essere lo stadio tecnologico della mia azienda per intraprendere questo percorso? Ecco allora l’Artificial Intelligence Readiness Index (AIRI)  un framework che aiuta le aziende a risolvere questi quesiti.

Intelligenza artificiale in azienda: i passi per una data strategy efficace

AIRI: un quadro di valutazione per l’AI in azienda

Non è semplice decidere qual è il momento migliore per adottare l’intelligenza artificiale in azienda. Se ne facessimo un discorso soggettivo, correremmo il rischio di perderci in infiniti rivoli di considerazioni legate a esperienze personali nostre o dei nostri partner. Meglio invece analizzare il tutto con un approccio scientifico.

Da quasi due anni collaboro con la Commissione Europea sul progetto AI for Europe (AI4EU) come esperto esterno nel comitato di valutazione centrale. AI4EU è un progetto che punta a sviluppare un ecosistema di Intelligenza Artificiale Europeo. Unendo conoscenze, algoritmi, strumenti e risorse, la Commissione Europea mira a diventare un riferimento in materia di AI e a recuperare il gap rispetto a Cina e Stati Uniti – noti outsider nel campo tecnologico.

La mia collaborazione ha come fine la valutazione, sulla base della mia esperienza sul campo, dei progetti presentati da università e aziende europee. Il giudizio che esprimo riguarda la conformità o meno dei progetti ai requisiti necessari per l’inserimento nella piattaforma condivisa e per ricevere finanziamenti.

È stata proprio questo tipo di esperienza che mi ha permesso di conoscere l“Artificial Intelligence Readiness Index (AIRI)” un framework indipendente utilizzato per la valutazione del livello di prontezza di un’azienda nell’adottare l’AI.

Sviluppato a Singapore da AI Singapore (AISG), un programma nazionale sull’AI, il framework è stato supportato dalla National Research Foundation e ospitato dalla National University of Singapore.

AIRI: un modello di valutazione che si adatta a tutte le tipologie di aziende

L’obiettivo è quello di valutare il grado di preparazione di un’azienda che vorrebbe implementare un progetto d’Intelligenza Artificiale. I parametri di valutazione si basano sui fattori critici di successo rilevati dalle centinaia di partnership che AISG ha con aziende di diversi settori e dimensioni. Per le realtà aziendali che hanno già adottato l’AI, AIRI valuterà anche il divario tra lo stato attuale e quello desiderato, consentendo così alle organizzazioni d’implementare programmi mirati all’ottenimento della massima efficienza. In definitiva, AIRI prova a tradurre concetti astratti in azioni concrete per aiutare le organizzazioni ad accelerare l’adozione dell’AI.

Il modello è basato su quattro pilastri e nove dimensioni come visualizzato in figura:

Figura 1 – I componenti del framework AIRI – Source aisingapore.org

I pilastri del modello AIRI

Nel dettaglio, i pilastri di cui si compone il modello sono interdipendenti e funzionano in maniera sinergica tra loro per fornire una valutazione olistica dello stato attuale dell’AI in un’organizzazione.

Organizational Readiness

Potremmo definirla disponibilità o prontezza organizzativa nell’adottare l’AI; questa componente valuta principalmente le risorse umane, la loro conoscenza e le loro attitudini alla tecnologia attraverso quattro dimensioni:

  • AI Literacy – ovvero quanto le risorse umane sono istruite rispetto all’intelligenza artificiale, i casi d’uso e se utilizzano attualmente una soluzione che include l’AI
  • AI Talent – valuta se l’organizzazione possiede risorse interne capaci di creare o gestire i modelli di machine learning (per semplificare: i modelli sono delle evidenze informatiche che contengono i risultati della fase di addestramento effettuata attraverso il deep learning)
  • AI Governance – si occupa di valutare se l’organizzazione ha definito delle politiche strategiche per guidare lo sviluppo e l’implementazione dell’AI
  • Management Support – cerca di capire se il management supporta le iniziative AI attraverso l’allocazione di risorse umane e finanziarie per il suo sviluppo all’interno dell’organizzazione

In pratica si cerca di definire se l’organizzazione ha le basi per iniziare il viaggio nelle iniziative AI. Le persone – competenze e disponibilità all’innovazione – sono elementi strategici per la corretta applicazione di questi nuovi algoritmi probabilistici.

Business Value Readiness

I Business Use Cases sono l’unica dimensione di questa componente e la valutazione pone le seguenti domande: hai stabilito delle applicazioni pratiche – dei reali casi d’uso? Che valore potenziale l’AI genererà per la tua organizzazione?

Pianificare in anticipo le aree coinvolte dall’innovazione e stabilire dei casi d’uso specifici aiuta a rendere più efficiente il processo di adozione di una tecnologia complessa come l’AI. Identificare il valore generato per la value proposition aiuta a scegliere meglio i casi d’uso dove l’AI potrebbe funzionare in maniera più efficiente.

Ad esempio, si potrebbe migliorare il Servizio Clienti con un assistente virtuale intelligente oppure ottimizzare la produzione attraverso modelli predittivi per le scorte o per la manutenzione. Sceglierli in anticipo, aiuta a definire le corrette fasi d’implementazione al fine di rendere efficiente il processo.

Data Readiness

Con le sue due dimensioni – Data Quality e Reference Data – questo elemento cerca di identificare il livello di preparazione dell’organizzazione alla gestione dei dati che dovranno poi alimentare gli algoritmi.

  • Data Quality – l’organizzazione dispone di processi volti a garantire completezza e accuratezza dei dati che raccoglie?
  • Reference Data – esiste un riferimento univoco e standardizato ai dati?

Man mano che avanziamo con l’ingresso delle tecnologie intelligenti in un’organizzazione, i dati assumono sempre più importanza perché costituiscono una sorta di istruzioni per l’AI. Mentre prima il programmatore informatico indicava nei minimi dettagli le operazioni che doveva svolgere un software – modalità deterministica – oggi gli algoritmi sono addestrati per imparare dall’esperienza – modalità probabilistica tipica degli esseri umani – e lo fanno attraverso i dati di addestramento (in gergo li chiamiamo Training Dataset).

In questo contesto, standardizzare i dati è fondamentale per evitare la disomogeneità interpretativa nei diversi reparti che si trovano a utilizzare le stesse entità ma in forme diverse. Creare un repository centrale a cui tutti possono accedere è fondamentale per raggiungere la standardizzazione nel riferimento ai dati.

Infrastructure Readiness

La tua organizzazione dispone dell’infrastruttura informatica necessaria per supportare l’archiviazione, il recupero dei dati e l’addestramento del modello di intelligenza artificiale?.

La risposta a questa domanda si ottiene attraverso la valutazione di due dimensioni:

  • Data infrastructure – L’infrastruttura dei dati include una serie di componenti: 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 per il loro obiettivo specifico di gestire il governo dei dati in maniera formale.
  • Machine Learning infrastructure – Un’infrastruttura per il machine learning include le 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, ovvero un insieme di pratiche che mira a distribuire e mantenere i modelli di machine learning in produzione in modo affidabile ed efficiente.

Il punteggio e la valutazione finale

Analizzando queste nove dimensioni categorizzate in quattro classi, il sistema AIRI permette di ricavare un punteggio che denota il livello di preparazione di un’organizzazione a utilizzare l’AI. Il risultato viene allocato in questa matrice per ricavarne la valutazione finale:

Da sinistra a destra, l’organizzazione può essere inadatta alla gestione dell’AI oppure avere le giuste competenze nell’implementarla in maniera pervasiva.

È possibile eseguire il test  – disponibile in maniera gratuita –  in autonomia impiegando circa 15 minuti.

Più che un esame, consiglio di eseguire il test in ottica formativa raccogliendo le indicazioni che si trovano nella pagina esplicativa.

Ma qualunque sia il risultato, esso non deve essere fonte di incertezze nel voler investire nell’AI per migliorare la propria organizzazione. Con l’aiuto di esperti esterni, ogni azienda può ambire a diventare AI Competent e iniziare a sfruttare tutti i benefici di questa tecnologia che si appresta a diventare il vero motore della nostra produttività.

Valuta la qualità di questo articolo

La tua opinione è importante per noi!

EU Stories - La coesione innova l'Italia

Tutti
Iniziative
Video
Analisi
Iniziative
Parte la campagna di comunicazione COINS
Interviste
Marco De Giorgi (PCM): “Come comunicare le politiche di coesione”
Analisi
La politica di coesione europea: motore della transizione digitale in Italia
Politiche UE
Il dibattito sul futuro della Politica di Coesione
Mobilità Sostenibile
L’impatto dei fondi di coesione sul territorio: un’esperienza di monitoraggio civico
Iniziative
Digital transformation, l’Emilia-Romagna rilancia sulle comunità tematiche
Politiche ue
Fondi Coesione 2021-27: la “capacitazione amministrativa” aiuta a spenderli bene
Finanziamenti
Da BEI e Banca Sella 200 milioni di euro per sostenere l’innovazione di PMI e Mid-cap italiane
Analisi
Politiche di coesione Ue, il bilancio: cosa ci dice la relazione 2024
Politiche UE
Innovazione locale con i fondi di coesione: progetti di successo in Italia
Iniziative
Parte la campagna di comunicazione COINS
Interviste
Marco De Giorgi (PCM): “Come comunicare le politiche di coesione”
Analisi
La politica di coesione europea: motore della transizione digitale in Italia
Politiche UE
Il dibattito sul futuro della Politica di Coesione
Mobilità Sostenibile
L’impatto dei fondi di coesione sul territorio: un’esperienza di monitoraggio civico
Iniziative
Digital transformation, l’Emilia-Romagna rilancia sulle comunità tematiche
Politiche ue
Fondi Coesione 2021-27: la “capacitazione amministrativa” aiuta a spenderli bene
Finanziamenti
Da BEI e Banca Sella 200 milioni di euro per sostenere l’innovazione di PMI e Mid-cap italiane
Analisi
Politiche di coesione Ue, il bilancio: cosa ci dice la relazione 2024
Politiche UE
Innovazione locale con i fondi di coesione: progetti di successo in Italia

Articoli correlati

Articolo 1 di 2