Proprio perché calato nella realtà delle “normali” aziende italiane, consigliamo la lettura dell’interessante libro di Lorenzo Diaferia, Leonardo Maria De Rossi, Gianluca Salviotti, AI management. Strategie e approcci in azienda, SDA Bocconi Egea, Milano, 2024. Nel post integriamo alcune idee sull’uso di applicazioni e soluzioni di intelligenza artificiale nell’area aziendale della comunicazione tecnica e di prodotto
Di che tipo di AI parliamo oggi (agosto 2024)?
“Non appena funziona, nessuno la chiama più AI”, ebbe a dire John McCarthy, che nel 1955 coniò il termine “intelligenza artificiale”.
L’AI di cui parla il libro di Diaferia, De Rossi e Salviotti è l’intelligenza artificiale basata sull’approccio statistico, probabilistico in cui l’agente digitale, in assenza di regole codificate a priori, impara dall’interazione con i dati (etichettati o non) a elaborare autonomamente, mediante tecniche di Machine Learning (ML; supervisionate o non), il modello previsionale che gli permette di svolgere in modo ottimale un compito previsionale. Fra le tecniche di ML spicca quella di Deep Learning che, anche grazie alla maggiore disponibilità di dati e di potenza computazionale, è in grado di elaborare modelli di grandi dimensioni (detti Foundation Model) non focalizzati su un compito predefinito, ma finalizzabili per svolgere vari tipi di attività categorizzabili negli ambiti del Natural Language Processing (NLP; linguaggio naturale), della Computer Vision (immagini e video) o degli Analytics (analisi dei dati).
In quali aree aziendali possiamo applicare l’AI?
Gli autori evidenziano che, in ambito aziendale, applicazioni AI possono essere impiegate tipicamente per:
- Aggiungere caratteristiche a prodotti o servizi esistenti, come nel caso di Tenova che, grazie a sensoristica e soluzioni AI fornite come SaaS a bordo macchina, rende prevedibili difformità qualitative, aumentando l’efficienza del controllo qualità e riducendone i costi
- Sviluppare nuovi prodotti o servizi, come nel caso degli acquisti automatizzati e privi di casse di Amazon Go o del supporto allo sviluppo di nuove molecole e farmaci di Chiesi
- Ridisegnare processi esistenti o creare nuovi processi, interni o esterni. In questo contesto rientrano gli assistenti virtuali, come il chatbot di Sapio che permette ai rappresentati commerciali di dialogare in linguaggio naturale con la knowledge base per raccogliere le informazioni necessarie alla preparazione degli incontro con i clienti. Gli autori consigliano di dimensionare l’area applicativa in modo tale che la soluzione AI comporti un’evoluzione o una revisione tangibili delle logiche di generazione di valore di un determinato processo, end-to-end
- Comprendere e prevedere fenomeni a partire da dati.
Idee per applicare l’AI all’area della comunicazione tecnica e di prodotto
A prescindere dai casi studio dedicati agli assistenti virtuali, il libro di Diaferia, De Rossi e Salviotti non si occupa nello specifico dell’intelligenza artificiale applicata alla comunicazione.
Cogliamo l’occasione per condividere alcune idee scaturite in KEA dallo studio del mercato e da esperienze pratiche.
Nella categoria NLP, i Large Language Model (LLM, come ChatGPT) sono la base comune per realizzare applicazioni AI apparentemente lontane fra loro, per esempio chatbot in grado di:
- Formulare ex novo e variantare testi per destinatari e scopi ben precisi. Si tratta di funzioni reperibili per esempio sulle piattaforme di gestione della pubblicità online per aiutare l’inserzionista a ottimizzare l’annuncio, anche testando più versioni dello stesso
- Riformulare contenuti per destinatari e scopi diversi da quelli tipici. Nell’ambito del progetto StrAIght to Business, Caleffi Hydronic Solutions ha realizzato il prototipo di “un sistema di IA generativa capace di rielaborare il contenuto altamente tecnico redatto dai nostri ingegneri, rendendolo fruibile ad un pubblico più vasto. L’implementazione di questa tecnologia risulterebbe estremamente vantaggiosa per garantire sia l’accuratezza tecnica che l’ottimizzazione SEO, migliorando così la visibilità e l’engagement del blog” (https://www.caleffi.com/it-it/news-events/28-05-2024/innovazione-e-collaborazione-straight-to-business)
- Mixare in un testo unico contenuti provenienti da più fonti
- Trasformare contenuti non strutturati in contenuti strutturati, per esempio in elenchi e tabelle
- Riformulare testi in base a regole. COM&TEC ha realizzato ITSy chatbot “basato su OpenAI GPT-4o [che] utilizza una serie di conoscenze e ricerche nell’ambito del controllo e della semplificazione linguistica oltre al metodo ITS Italiano Tecnico Semplificato” per aiutare il redattore tecnico “nella scrittura, riscrittura e revisione dei contenuti” (https://www.comtec-italia.org/search.php?search=ITSy). Logiche affini potrebbero portare allo sviluppo di strumenti che guidano il technical writer alla redazione dei manuali e della documentazione secondo il nuovo Regolamento Macchine, l’AI Act e altre prescrizioni.
Nella categoria Computer Vision rientra per esempio l’integrazione di applicazioni AI di image recognition all’interno di:
- Piattaforme di e-commerce. Si tratta di applicazioni personalizzabili con il set di immagini dei prodotti dell’e-shop
- Assistenti virtuali che cercano nella knowledge base informazioni correlate all’immagine caricata dall’utente (per esempio le informazioni sulle impostazioni del pannello operatore fotografato da un installatore)
- Chatbot editoriali (come lo stesso ITSy) che generano testo descrittivo dell’immagine caricata dal redattore.
Nella categoria Analytics rientrano infine le funzioni basate sull’intelligenza artificiale che, sulle piattaforme di e-commerce, prevedono e raccomandano i prodotti che potrebbero piacere al singolo utente in base al suo profilo e comportamento, adattandosi di continuo in base all’interazione degli utenti.
Come identificare le aree della nostra azienda in cui applicare l’AI?
In un ambito così nuovo e dinamico come l’intelligenza artificiale la fase di studio è fondamentale per comprendere le potenzialità della AI integrando prospettiva tecnologica e visione del business.
Su questa base di conoscenza vanno identificate le aree di intervento in risposta a esigenze concrete dell’azienda, interne o esterne.
Valutazione e prioritizzazione delle aree di intervento vanno eseguite in base alla previsione dell’impatto e alla fattibilità, tenendo conto in particolare di aspetti tecnologici (dati compresi), organizzativi, strategici, finanziari e legali. Gli autori invitano le aziende a valutare più nel breve periodo il ritorno dell’investimento di progetti AI, dato che la redditività a medio-lungo periodo è influenzata da variabili oggi difficilmente prevedibili e controllabili.
Definizione delle modalità di implementazione, sviluppo e supporto organizzativo all’adozione effettiva della soluzione AI devono infine andare di pari passo per dare al progetto AI le migliori chance di successo.
Quali sono i passaggi tipici di un progetto AI?
Le peculiarità dello sviluppo di applicazioni di intelligenza artificiale risiedono nell’importanza della scelta dell’algoritmo più adatto all’allenamento del modello in grado di svolgere in modo ottimale il compito definito e nella crucialità dei dati nella fase di allenamento / personalizzazione / fine tuning, di input, di monitoraggio e di miglioramento continuo.
Pur essendo nato negli anni Novanta del secolo scorso, il CRoss Industry Standard Process for Data Mining (CRISP-DM), opportunamente rivisto, è un buon modello di riferimento anche per progetti di intelligenza artificiale. Ecco le fasi principali:
- Comprensione del business
- Comprensione e preparazione dei dati
- Creazione del modello a partire dall’algoritmo scelto e dai dati di allenamento preparati. Test iterativi fino all’ottenimento del modello funzionante
- Lancio in produzione dell’applicazione con dati e in condizioni reali
- Supporto organizzativo all’adozione da parte dei destinatari tipici
- Definizione dei KPI, monitoraggio e ottimizzazione soprattutto della componente statistica dell’applicazione.
Il metodo MLOps (Machine Learning Operatons) può invece rivelarsi prezioso per guidare il passaggio dalla fase di sperimentazione all’industrializzazione di soluzioni AI, intese come sintesi fra algoritmi, dati, modelli, infrastrutture software e hardware di base.
Il mercato che soluzioni open source / commerciali offre per lo sviluppo di applicazioni AI?
Gli autori identificano cinque categorie principali:
- Linguaggi di programmazione (come Python ed R)
- Ambienti di sviluppo semi-strutturati, framework e librerie (come PyTorch e Tensorflow)
- Piattaforme cloud (come quelle di Amazon, Google, Microsoft e IBM) che, nelle categorie NLP, Computer Vision e Analytics, propongono algoritmi strutturati (cosiddetti Motori AI) da allenare / personalizzare con i dati aziendali
- Tool basati sull’intelligenza artificiale realizzati per soddisfare esigenze specifiche e che necessitano personalizzazione / fine tuning con i dati aziendali
- API (Application Programming Interface) nate per integrare singoli servizi AI (come text-to-speech, speech-to-text, image recognition) in software “tradizionali” e in prodotti fisici (come le telecamere capaci di riconoscere oggetti citate dagli autori).
Make, buy or mix?
Gli autori sottolineano come per ognuno dei passaggi tipici di un progetto AI, l’azienda può scegliere un approccio make, buy o ibrido.
Nel libro si parla di gestione attiva, gestione guidata e nessuna gestione.
La gestione è attiva quando l’azienda parte “da zero”, cioè da linguaggi di programmazione e/o ambienti semi-strutturati per realizzare la soluzione AI. Alcuni vincoli e condizioni rendono opportuno e/o praticabile questo approccio: se il problema dell’azienda non è generalizzabile; se i dati di allenamento non sono reperibili comunemente; se l’azienda dispone di dati di allenamento adeguati per qualità, quantità e accessibilità; se la soluzione deve tendere alla massima accuratezza possibile; se i destinatari vanno coinvolti nel progetto per aumentare le chance di adozione; se sono disponibili le conoscenze e competenze interne; se la policy aziendale indirizza all’approccio make.
In assenza di uno o più di questi vincoli e condizioni oppure se il mercato propone già soluzioni consolidate per un determinato caso d’uso, l’azienda può orientarsi verso la gestione guidata, che contempla vari scenari: dalla personalizzazione / fine tuning di modelli pre-allenati con dati aziendali (etichettati, se richiesto) e con il settaggio dei parametri di funzionamento previsti; alla messa a sistema di più applicazioni AI dello stesso fornitore; fino alla realizzazione di una piattaforma di system integration aziendale in grado di orchestrare applicazioni AI di diversi fornitori, software appartenenti all’ecosistema aziendale “tradizionale”, output dei vari sistemi, applicativi per il monitoraggio e l’analisi dei feedback, ecc.
L’adozione di applicazioni AI pronte per l’uso, in grado di risolvere casi generalizzabili, non richiede normalmente alcuna gestione. I dati servono come input per generare nuove previsioni, non per allenamento / personalizzazione / fine tuning del sistema.
Come suggeriscono gli autori, non è escluso che l’azienda scelga la gestione guidata per realizzare un progetto pilota, passando alla gestione attiva in caso di necessità e/o dopo avere raccolto i riscontri necessari a indirizzare e consolidare il progetto definitivo.