Come gestire efficacemente i progetti di IA

L’87% dei progetti di data science non arriva mai in produzione. Alcuni falliscono per mancanza di supporto manageriale, altri per carenza di dati di qualità e di un’infrastruttura adeguata. Le organizzazioni che vogliono ricavare valore da IA e machine learning dovrebbero conoscere gli errori più comuni quando definiscono l’ambito e gestiscono i progetti di IA. Detto così sembra semplice, ma non lo è. Anche chi ha esperienza nell’implementazione di progetti software tradizionali può incontrare difficoltà con i progetti di IA, data la loro natura particolare.

Cosa rende i progetti di IA diversi dai progetti software tradizionali?

In un progetto software tradizionale, uno sviluppatore codifica esplicitamente la logica del programma, che riceve un input e produce un output. Un esempio è un software bancario che riduce il punteggio di credito di un richiedente (output) quando fa domanda per un prestito elevato (input).

Al contrario, i progetti di IA che sfruttano il machine learning non richiedono una logica codificata esplicitamente. Gli algoritmi di machine learning apprendono in modo sistematico la relazione tra input e output, per poi prevedere un output a partire da un input. Un esempio è la previsione del rischio di insolvenza di un cliente in base al suo punteggio di credito e all’ammontare dei prestiti contratti.

Questo può introdurre una notevole inerzia quando un’organizzazione implementa e gestisce per la prima volta i propri progetti di IA. Questo post intende quindi offrire alcune linee guida per il tuo prossimo progetto di IA distribuibile e redditizio.

Tre caratteristiche per i primi progetti di IA

Queste tre caratteristiche gettano le basi per il successo dei primi progetti di IA di un’azienda. Ecco perché.

I progetti di IA dovrebbero essere realizzabili

Prima di avviare nuovi progetti di IA, le organizzazioni dovrebbero valutare la propria maturità dei dati prima di impegnare risorse in progetti non realizzabili. I pilastri della maturità dei dati includono infrastruttura, persone, strumenti, organizzazione e processi. Porre domande mirate su questi pilastri può aiutare le organizzazioni a dare priorità ai progetti più realizzabili:

• L’azienda è in grado di raccogliere dati in modo affidabile?
• L’azienda ha l’infrastruttura per archiviare e pulire i dati?
• Il team possiede le competenze necessarie per fornire risultati di modello affidabili e accurati?
• L’azienda ha processi, strumenti e competenze per monitorare i modelli in produzione?

I progetti di IA dovrebbero essere semplici

Un progetto tecnicamente semplice è più gestibile per un’organizzazione con una maturità dei dati relativamente bassa. Un progetto semplice, rapido da consegnare, consente di ottenere quick win che fanno crescere l’esperienza del team. Questo crea slancio per i futuri progetti di IA, innescando un circolo virtuoso che genera entusiasmo in azienda e favorisce il consenso per progetti di IA più avanzati dal punto di vista tecnico. Con il progredire della maturità di IA, l’azienda potrà passare dalle soluzioni più immediate a progetti più complessi.

I progetti di IA dovrebbero essere di valore

Harvard Business Review sostiene che uno dei tratti di un progetto di IA solido è il valore che crea. Questo può presentarsi in tre forme: l’IA può aiutare a prendere decisioni migliori, ridurre i costi automatizzando compiti manuali ripetitivi o essere impiegata in nuovi prodotti. Il valore generato da progetti di IA di successo può convincere gli stakeholder a investire nelle capacità di IA dell’azienda.

Trovare un progetto semplice, di valore e realizzabile non è banale. Per individuare progetti che rispondano a questi criteri, Veljko Krunic, autore di Succeeding with AI, propone i seguenti passaggi.

1. Identificare i problemi di business.
2. Fare brainstorming di soluzioni di IA ai problemi di business.
3. Stimare la fattibilità tecnica e la complessità del progetto.
4. Definire metriche di business per misurare il valore del progetto di IA.
5. Stimare il valore di business in base alle metriche definite.

Eseguire questi passaggi è semplice in teoria ma ricco di sfumature nella pratica. In particolare, la scelta delle metriche di business potrebbe non essere immediatamente evidente. La prossima sezione illustra come selezionarle.

Misura i progetti di IA con metriche di business

Il valore di business di un progetto di IA può essere misurato con metriche di business adeguate. Eppure, per molti professionisti dell’IA, misurare le prestazioni di un sistema di IA con metriche di business può risultare controintuitivo.

I modelli di machine learning sono in genere valutati con metriche che misurano le loro prestazioni tecniche su un set di dati, non con metriche di business che quantificano il loro impatto sull’azienda. Questa è una prassi comune nel mondo accademico, dove i progressi degli algoritmi di machine learning sono ancorati a benchmark tecnici oggettivi e quantificabili. Tuttavia, i sistemi di IA nel mondo reale sono legati a risultati tangibili che vanno oltre l’accuratezza, come ricavi, costi e soddisfazione del cliente.

Occorre quindi collegare le prestazioni tecniche dei sistemi di IA alle metriche di business. Spesso, questi collegamenti non sono immediatamente chiari. Secondo Andrew Ng, cofondatore di Google Brain, i leader aziendali e gli esperti di IA dovrebbero collaborare e raggiungere un consenso su una metrica di business da usare per misurare e ottimizzare le prestazioni di un sistema di IA.

In questo processo, l’uso di una curva di profitto può aiutare a stabilire in modo quantitativo la relazione tra metriche di business e metriche tecniche, come proposto nel libro Data Science for Business. Questo traduce i progressi tecnici in termini di business, permettendo ai leader di rispondere a domande come “quanti ricavi in più si generano con un aumento dell’accuratezza dell’un per cento?”

Figura 1: Un’illustrazione di una curva di profitto che collega l’accuratezza di un sistema di IA al profitto risultante

Come comunicare il valore di un progetto di IA

La comunicazione tra professionisti del machine learning tipicamente include gergo tecnico sui modelli di ML, e a ragione. Tuttavia, questo non ha senso per un pubblico non tecnico, che è molto più interessato all’impatto sul business di un modello che non a un miglioramento dell’accuratezza dell’1%.

Un professionista dell’IA può evitare questa trappola tenendo a mente il pubblico di riferimento quando discute gli aggiornamenti sui progetti di IA. In particolare, dovrebbe ricordare che il miglioramento delle metriche di business ha priorità più alta, per gli stakeholder, rispetto a quello delle metriche tecniche. Può anche trarre beneficio dalle tecniche di data storytelling nel raccontare come i progetti di IA possano migliorare le metriche di business—che si tratti di un miglioramento dell’esperienza cliente, di un aumento dei tassi di retention o di una riduzione dei costi.

Implementazione di sistemi di IA e pipeline di machine learning: due aspetti inscindibili

Abbiamo visto in che modo un sistema di IA differisce da un sistema software tradizionale. In particolare, un sistema di IA non richiede che uno sviluppatore codifichi esplicitamente la logica, poiché è in grado di apprendere pattern dai dati. Perché ciò avvenga, è necessario costruire prima la pipeline che acquisisce i dati necessari, li trasforma e li fornisce al sistema di IA.

Di conseguenza, i sistemi di IA comprendono non solo l’algoritmo di machine learning ma anche una pipeline di machine learning (ML). Questa pipeline descrive il flusso dei dati dall’inizio alla fine, includendo come vengono acquisiti, trasformati, utilizzati, presentati e monitorati.

Le pipeline di machine learning fanno parte di un sistema software più ampio. Le procedure per sviluppare una pipeline di machine learning e quelle di un tipico sistema software sono in gran parte simili. Tra gli aspetti comuni figurano la necessità di data engineer competenti, l’uso di processi di sviluppo simili al DevOps e l’importanza della sicurezza, elementi centrali sia nei progetti di IA che in quelli software.

Ecco un esempio di pipeline ML per un sistema di computer vision che rileva anomalie in un processo di produzione di telefoni. Questa pipeline ML semplificata individua difetti nei telefoni tramite foto e facilita il lavoro del team di controllo qualità.

Figura 2: Una pipeline ML semplificata di un produttore di telefoni

Da questo esempio si nota che la progettazione di una pipeline di machine learning dipende fortemente dai dati, dall’algoritmo e dal caso d’uso di business. Raramente esiste una pipeline di machine learning valida per ogni situazione.

Una pipeline completa include anche raccolta dati, estrazione delle caratteristiche, verifica dei dati, monitoraggio dei risultati, e altro ancora, risultando vasta e molto complessa, come descritto nel documento altamente influente di Google. Ecco perché di solito un team di Machine Learning Engineering è dedicato alla costruzione e alla manutenzione della pipeline.

Costruisci sistemi ML robusti fin dall’inizio per ridurre cambiamenti costosi

Il deploy dei sistemi di machine learning potrebbe non andare come previsto, magari per un cambiamento nei dati, una debolezza del modello o un difetto nella pipeline. In questi casi, i professionisti che vogliono migliorare il sistema possono proporre modifiche drastiche alla pipeline esistente, salvo poi scoprire con disappunto che le pipeline di machine learning diventano rapidamente resistenti al cambiamento una volta implementate.

Veljko Krunic definisce questo processo “ossificazione delle pipeline ML”. L’inerzia al cambiamento deriva dalle difficoltà nel modificare il codice di un progetto così tecnicamente complesso. Anche i team di business, che prevedono l’effetto a catena dei cambiamenti della pipeline sulle operazioni, possono opporsi. Nell’esempio della Figura 2, se la capacità dell’algoritmo di segnalare automaticamente telefoni anomali si riduce drasticamente, il numero di persone necessarie per l’ispezione manuale potrebbe richiedere settimane per essere reintegrato.

Apportare cambiamenti drastici a progetti di IA ormai ossificati è costoso. Un rifacimento può essere necessario quando una pipeline di machine learning non scalabile, nata come proof of concept, viene portata in produzione. Detto ciò, l’ossificazione delle pipeline ML è spesso inevitabile.

Per questo motivo, le aziende che vogliono gestire progetti di IA dovrebbero puntare a implementare la pipeline giusta fin dall’inizio. Il Machine Learning Model Operationalization Management (MLOps) è un campo in crescita che aiuta le organizzazioni a raggiungere questo obiettivo. Strumenti e pratiche di MLOps forniscono un processo end-to-end per progettare, costruire e gestire software basato su ML in modo riproducibile, testabile e iterativo. Questo consente ai team dati di implementare integrazione e distribuzione continue per le proprie pipeline di ML, monitorare i drift dei dati e mantenere la spiegabilità delle pipeline.

Sviluppa le capacità del tuo team per gestire efficacemente i progetti di IA

Gestire un progetto di IA non è affatto semplice. A un’organizzazione serve più che il solo talento tecnico per costruire progetti di IA. Occorrono anche una cultura del dato diffusa e una forte alfabetizzazione dei dati per favorire l’adozione dell’IA. Così come l’implementazione di progetti di IA richiede tempo, anche i programmi per insegnare la data literacy sono di lungo periodo.

È qui che DataCamp for Business può aiutare, offrendo una piattaforma di apprendimento interattiva per le aziende che devono aggiornare e riqualificare le persone sulle competenze data. Con argomenti che spaziano dall’ingegneria dei dati al machine learning, oltre 1.600 aziende si affidano a DataCamp for Business per far crescere il proprio talento.

Non sei sicuro delle capacità del tuo team sui dati? Fai il nostro assessment di maturità dei dati.