La discussione sull’intelligenza artificiale nel nostro paese è sempre più concentrata intorno ai rischi o a immaginifiche opportunità. Una dicotomia per certi versi giusta ma che manca di un esame serio di quelle che sono le reali applicazioni sul campo.
Proviamo allora ad affrontare quali possono essere gli ambiti concreti nei quali applicare sin da subito la scienza dei dati e l’intelligenza artificiale per migliorare il modo di lavorare di tutti i giorni in particolare nelle organizzazioni che offrono servizi.
Intelligenza artificiale: i dati sono alla base di tutto
Partiamo da un presupposto: per ottenere dei buoni risultati dall’IA è necessario che ci siano ottimi dati di partenza. A differenza di altri settori associati all’informatica nei quali il software la fa da padrone, qui il tema non è mai solo software. Il tema centrale è di analisi dei problemi con un approccio puramente matematico affiancato da una conoscenza del business per comprendere come utilizzare al meglio queste tecnologie per risolvere i problemi delle organizzazioni.
Spesso, infatti, le nostre organizzazioni hanno molti dati ma gli uomini di business ne ignorano la presenza o non sanno come utilizzarli. I dati sono sempre stati una variabile dipendente dei problemi gestionali. Ci si concentra sui processi e sugli obiettivi che si devono raggiungere per poi capire quali dati servono e come sia necessario gestirli. Nella scienza dei dati invece i dati sono il centro, attraverso la loro analisi ed elaborazione si individuano “le leggi” che guidano il business e si fanno emergere dei fenomeni che altrimenti non emergerebbero.
Per esempio, da milioni di dati presenti in un gestionale di marketing o di pratiche lavorate è possibile comprendere i comportamenti dei cittadini e dei clienti, individuare i punti deboli dei processi, scoprire nuove opportunità per costruire nuovi servizi o migliorare quelli attuali.
Quello dei dati è un approccio totalmente differente dall’informatica tradizionale, per questo gli informatici più “stagionati” fanno fatica a seguire questo approccio e quando cercano di seguirlo spesso vanno in errore.
L’IA è un’informatica che analizza i problemi e offre delle risposte
L’informatica che emerge dall’applicazione delle tecniche di intelligenza artificiale è un’informatica che analizza i problemi e offre delle risposte.
Tutti i problemi che possono essere risolti facilmente dall’intelligenza artificiale, come abbiamo accennato, possono essere riassunti in problemi di: classificazione, clusterizzazione e previsione.
Esempi di classificazione
Gli algoritmi di IA sono in grado di apprendere un metodo di classificazione sulla base di dati di input che descrivono il problema da risolvere. Le categorie tipicamente non sono facilmente definibili a priori con regole, ad esempio se bisogna disporre delle biglie colorate in contenitori a seconda del loro colore mi è sufficiente un software tradizionale ma se devo disporre le biglie secondo grandezza, lucidità, colore e altre caratteristiche difficilmente misurabili posso fornire in input un set di dati che rappresenta le biglie storicamente e per ognuna di esse indicare come io li rappresenterei e lasciare all’algoritmo di IA il compito di imparare da solo a classificare, ovvero quali sono le regole da applicare, per ottenere il miglior risultato.
Questo tipo di applicazioni può essere utilizzato facilmente nei controlli di qualità dove altrimenti dovrebbe entrare in gioco la componente umana che esprime un giudizio.
Ad esempio, attraverso la classificazione si potrebbero classificare dei documenti in base al testo secondo classi fissate a priori. Si predispone un insieme di dati di training che è stato già valutato, si fornisce questo insieme di dati ad un algoritmo (scegliendolo con cura tra quelli disponibili e misurando le sue performance) e poi l’algoritmo sarà in grado di produrre risultati in maniera veloce e precisa.
Quando parliamo di precisione non si intende al 100% ma sempre con un certo margine di errore che sarà tanto maggiore tanto meno saranno i casi di training o le volte che compare una certa categorizzazione.
Poiché gli algoritmi apprendono, è necessario che il training sia particolarmente studiato perché altrimenti gli errori possono portare a vere e proprie deformazioni che possono inficiare l’intero progetto. Per questo fine è necessario verificare con particolari tecniche statistiche che tutto vada per il meglio.
Un’applicazione pratica di categorizzazione può essere quella di categorizzare i ticket di un call center o dell’assistenza ai clienti, in questo modo sarà l’algoritmo a categorizzare ogni singola interlocuzione con l’utente e a ricostruire un database con le anomalie più frequenti, le lamentele divise in categorie, etc. Uno strumento importante per comprendere cosa è necessario migliorare per evitare di spendere denaro in assistenza migliorando il servizio a monte. Anche la categorizzazione di documenti sulla base del testo potrebbe consentire abbastanza facilmente di smistare le mail in ingresso a una PA e indirizzarle agli uffici giusti affinché possano essere gestite senza ritardi o rimpalli all’interno dell’organizzazione.
I problemi di clusterizzazione
I problemi di clusterizzazione invece riguardano applicazioni che tendono a disporre i dati in insiemi differenti che hanno caratteristiche comuni. In questo caso al sistema intelligente queste categorie non vengono fornite in precedenza ma si richiede di analizzare i dati per scoprire quali di questi presentano caratteristiche simili per poi in seguito comprendere dei fenomeni altrimenti non comprensibili. Questo genere di applicazioni è molto utilizzato nel marketing, dove per esempio è possibile capire che un utente che compra dei manici di legno è interessato anche alle sementi e alle falci. È la tipica applicazione di Amazon o di Netflix che analizzando i nostri dati ci propone i prodotti mediali che più si avvicinano ai nostri interessi.
Anche nel campo della clusterizzazione i dati in ingresso sono molto importanti, in questo caso più variabili ho in ingresso maggiore sarà la capacità di svolgere il lavoro bene. Ad esempio oltre a ciò che compro è importante sapere in quali giorni li compro, se li acquisto subito o se ci penso su, quanto spendo, come pago, etc etc.
Possibili applicazioni
Uscendo dall’ambito marketing si può applicare questo genere di soluzioni all’individuazione di determinate categorie di cittadini che approcciano una PA, individuare i comportamenti delle fasce più deboli per poi costruire servizi ad hoc o determinate tipologie di utenza. Ma posso anche qui clusterizzare i documenti per poter comprendere quelli che hanno caratteristiche simili e ripensare i processi per razionalizzare le informazioni e il tempo necessario all’utenza per accedere al servizio, ad esempio, proponendo servizi accessori che possono aiutare l’utenza.
La previsione dei fenomeni
L’altro grande tema è quello della previsione dei fenomeni. Sulla base di dati storici cosa succederà domani? Qui la risposta può essere molto “semplice” se ho una sola variabile con una serie storica molto semplice che tende a crescere o a diminuire, altra cosa quando ho serie storiche che hanno delle stagionalità o dei picchi e degli avvallamenti molto repentini che sono difficilmente spiegabili.
In questo caso devo fornire all’algoritmo un insieme di dati più completo possibile. Le variabili possono essere anche migliaia per ogni osservazione e l’algoritmo potrà così fare una serie di analisi che daranno una risposta più precisa.
Con queste tre macrocategorie è possibile affrontare anche problemi diversi come quello della individuazione delle anomalie, nel quale l’insieme di dati di ingresso descrive la norma di comportamento del sistema ovvero tuto ciò che consideriamo normale (tenendo conto delle diversità che ci possono essere nei casi “normali”). In questo caso l’algoritmo sarà in grado di segnalare se ci sono casi che sono fuori della norma. Le applicazioni più diffuse sono nell’ambito della sicurezza ma anche nella valutazione degli incassi o delle spese o delle transazioni in generale.
Gli artigiani dell’intelligenza artificiale
L’intelligenza artificiale non è uno strumento pret a porter, necessita sempre di un pregresso attento lavoro di analisi dei dati e una conoscenza di criteri di valutazione per verificare la bontà di quanto realizzato. È sempre soggetto ad errori, spesso meno di quanto possa fare una persona ma è necessario che chi la utilizza abbia sempre uno spirito critico. Chi lavora in questo settore è un perenne artigiano che ha poco di codificato: spesso per individuare la strategia migliore sono necessari sperimentazioni e tentativi, una continua analisi dei dati, la capacità di rimettersi in discussione. È difficile misurare il tutto in righe di codice, come nell’informatica tradizionale, ma bisogna misurare su un lavoro continuo e certosino.
Questi algoritmi una volta realizzati difficilmente saranno sempre validi nel tempo, perché i dati cambiano come i comportamenti che rappresentano e sarà necessario una rifinitura periodica degli algoritmi. Un lavoro che farà ottenere risparmi, nuovi guadagni e ottimi risultati a chi saprà sfruttare l’IA sono in fondo e prima degli altri.
Chi deve aver paura dell’IA?
Per questo, per quanto se ne dica sui media, è difficile immaginare che l’IA possa sostituire l’uomo completamente ma più sensato pensarla come ad un affiancatore che aiuti le persone a concentrarsi proprio nella valutazione critica dei risultati liberandolo dai compiti più monotoni e che più possono indurre in errore.
Chi deve essere spaventato dall’IA non è colui che ci mette sempre la testa nel lavoro e accumula esperienza in tal senso ma chi si adagia nei compiti routinari senza metterci la testa. Nei prossimi anni il nemico più importante sarà lo stress da valutazione e da decisione, i lavoratori saranno sempre più chiamati a dover valutare il lavoro degli algoritmi, comprendere le anomalie, risolvere i problemi che l’IA non può risolvere. Probabilmente il tema dell’orario di lavoro sarà ancora più importante poiché sarà difficile lavorare con questo stress per otto ore al giorno.
Accanto a queste macro-categorie dell’IA ci sono una serie di attività che ne fanno da corollario come quella di automazione dei task. In questo caso un sistema che è in grado di apprendere un compito ed eseguirlo sui dati è spesso affiancato da sistemi che sono in grado di elaborare documenti, inserire dati nelle applicazioni gestionali al posto delle persone, evitare che si inseriscano i dati più volte in sistemi diversi, produrre report per la valutazione del management.
L’applicazione dell’IA all’analisi organizzativa
Un settore ancora poco esplorato è quello dell’applicazione dell’IA all’analisi organizzativa dove è possibile applicare queste tecniche per comprendere come semplificare i processi di lavoro, modificarli per venire incontro a nuove esigenze, migliorare la vita di chi lavora e di chi usufruisce dei servizi.
Attraverso questi approcci una organizzazione può ripensarsi non in base a delle idee che hanno maturato i manager sulla base della loro sensazione o da ciò che gli è stato riferito dai loro collaboratori ma in base a quelli che sono i dati reali raccolti. Speso nelle organizzazioni si maturano convinzioni che sono “manipolate” da quanto ci viene riferito, da comportamenti che mirano a creare delle posizioni di potere da parte di chi possiede i dati o da altri fattori. L’applicazione dell’analisi dei dati è un forte mitigatore di questo tipo di situazioni.
Conclusioni
La disponibilità a livello di massa di queste tecnologie, ormai disponibili anche a basso costo, ci impone di cambiare il nostro approccio al lavoro. Da una parte è necessario che si diffonda sempre più il come possono essere utilizzate e e poi che ci sia una disponibilità di professionisti che sappiano essere un ponte tra i matematici e il business. Che sappiano comprendere bene le esigenze delle organizzazioni e conoscano queste tecniche abbastanza da poter dialogare con la scienza e costruire nuove opportunità di miglioramento delle nostre organizzazioni.
