Raggiungere la fase successiva richiede un approccio in tre parti: stabilire la fiducia come principio operativo, garantire un’esecuzione incentrata sui dati e sviluppare una leadership IT in grado di scalare con successo l’intelligenza artificiale.
La fiducia come prerequisito per un’intelligenza artificiale scalabile e ad alto rischio
Inferenza affidabile significa che gli utenti possono effettivamente fidarsi delle risposte che ottengono da un sistema di intelligenza artificiale. Ciò è importante per applicazioni come la creazione di testi di marketing e l’implementazione di chatbot per il servizio clienti, ma è assolutamente fondamentale per scenari ad alto rischio, come un robot che assiste durante un intervento chirurgico o un veicolo autonomo che guida su strade affollate.
Qualunque sia il caso d’uso, la qualità dei dati dovrà essere raddoppiata per stabilire la fiducia; Innanzitutto, la stima dei risultati deve essere costruita su una base affidabile. Questa realtà informa uno dei mantra di Partridge: “Dati errati significano previsioni errate”.
Reichenbach cita un esempio reale di ciò che accade quando la qualità dei dati peggiora: l’aumento di contenuti inaffidabili generati dall’intelligenza artificiale, comprese le allucinazioni, che interrompono i flussi di lavoro e costringono il personale a dedicare molto tempo al controllo dei fatti. “Quando le cose vanno male, si perde la fiducia, non si ottengono aumenti di produttività e i risultati che cerchiamo non vengono raggiunti”, afferma.
D’altro canto, quando la fiducia è adeguatamente integrata nei sistemi di stima, i guadagni in termini di efficienza e produttività possono aumentare. Chiedi a un team operativo di rete di risolvere i problemi di configurazione. Con un motore di inferenza affidabile, l’unità può contare su un copilota fidato in grado di fornire consigli più rapidi, accurati e personalizzati: “un membro del team disponibile 24 ore su 24, 7 giorni su 7, che prima non aveva”, afferma Partridge.
Il passaggio al pensiero incentrato sui dati e l’ascesa della fabbrica dell’intelligenza artificiale
Nella prima ondata di intelligenza artificiale, le aziende si sono affrettate ad assumere data scientist e molte hanno visto come obiettivo primario la creazione di modelli sofisticati da trilioni di parametri. Ma oggi, mentre le organizzazioni si muovono per trasformare i primi progetti pilota in risultati reali e misurabili, l’attenzione si è spostata verso l’ingegneria e l’architettura dei dati.
“Negli ultimi cinque anni, ciò che è diventato più significativo è abbattere i silos di dati, accedere ai flussi di dati e sbloccare valore più rapidamente”, afferma Reichenbach. Si tratta di uno sviluppo che coincide con la nascita della fabbrica dell’intelligenza artificiale, una linea di produzione sempre attiva in cui i dati si muovono attraverso pipeline e circuiti di feedback per generare continuamente intelligenza.
Questo cambiamento riflette un’evoluzione dal pensiero incentrato sul modello a quello incentrato sui dati, e con esso arriva una nuova serie di considerazioni strategiche. “Dipende da due cose: quanta parte dell’intelligenza – il modello stesso – è effettivamente tua? E quanta parte dell’input – i dati – provenienti dai tuoi clienti, dalle tue operazioni o dal mercato è unicamente tua?” Reichenbach dice.
