Mettere in produzione i programmi pilota di intelligenza artificiale
Da questo esempio di successo si possono imparare molte lezioni. In primo luogo, i dati non strutturati dovrebbero essere preparati per i modelli di intelligenza artificiale attraverso forme intuitive di raccolta e le giuste pipeline di dati e record di gestione. “Puoi utilizzare dati non strutturati solo se i tuoi dati strutturati sono consumabili e pronti per l’intelligenza artificiale”, afferma Seely. “Non è possibile inserire l’intelligenza artificiale in un problema senza fare un lavoro di preparazione.”
Per molte organizzazioni, ciò può significare la necessità di trovare partner in grado di fornire supporto tecnico per migliorare il modello in un contesto aziendale. L’approccio tradizionale della consulenza tecnologica, in cui un fornitore esterno guida il piano di trasformazione digitale su un lungo periodo, non è adatto allo scopo in quanto l’intelligenza artificiale sta avanzando molto rapidamente e le soluzioni devono essere configurate in base all’attuale realtà aziendale dell’azienda.
L’ingegnere di punta (FDE) è un modello di partenariato emergente più adatto all’era dell’intelligenza artificiale. Inizialmente reso popolare da Palantir, il modello FDE collega le capacità di prodotto e di ingegneria direttamente all’ambiente operativo del cliente. Gli FDE lavorano a stretto contatto con i clienti in loco per comprendere il contesto dietro l’iniziativa tecnologica prima di creare una soluzione.
“Non potremmo fare quello che facciamo senza i nostri FDE”, afferma Seely. “Vanno fuori e mettono a punto i modelli, lavorando con il nostro team di annotazioni umane per produrre un set di dati di verità che può essere utilizzato per convalidare o migliorare le prestazioni del modello in produzione.”
In secondo luogo, i dati devono essere compresi nel proprio contesto, il che richiede che il modello sia attentamente calibrato in base al caso d’uso. “Non si può dare per scontato che un modello di visione artificiale pronto all’uso offra una migliore gestione dell’inventario, ad esempio, prendendo quel modello open source e applicandolo al proprio feed di dati non strutturati”, afferma Seely. “Devi ottimizzarlo in modo che possa fornirti esportazioni di dati nel formato desiderato e aiutarti a raggiungere i tuoi obiettivi. È qui che inizi a vedere modelli ad alte prestazioni in grado di generare informazioni sui dati davvero utili.”
Per i calabroni, Invisible ha utilizzato cinque modelli di base, che il team ha adattato a dati specifici del contesto. Ciò includeva insegnare ai modelli a capire che stavano “guardando” un campo da basket piuttosto che un campo da calcio; Comprendere come funziona il gioco del basket in modo diverso da qualsiasi altro gioco di cui il modello può essere a conoscenza (quanti giocatori ci sono in ciascuna squadra); E per capire come individuare regole come il “fuori limite”. Una volta perfezionati, i modelli sono stati in grado di catturare scenari visivi sottili e complessi, tra cui il rilevamento, il tracciamento, le pose e la mappatura spaziale di oggetti altamente accurati.
Infine, anche se il mix di tecnologie AI a disposizione delle aziende varia di giorno in giorno, queste non possono sfuggire ai parametri commerciali antiquati: obiettivi chiari. Senza chiarezza sull’obiettivo aziendale, i programmi pilota di intelligenza artificiale possono facilmente trasformarsi in progetti di ricerca tortuosi e a tempo indeterminato che si rivelano costosi in termini di calcolo, costi dei dati e personale.
“Abbiamo riscontrato il miglior coinvolgimento quando le persone sanno cosa vogliono”, afferma Seely. “La cosa peggiore è quando le persone dicono ‘vogliamo l’intelligenza artificiale’ ma non hanno una direzione. In queste situazioni, sono in una ricerca infinita senza una mappa.”
Questo contenuto è stato prodotto da Insights, il ramo dei contenuti personalizzati di MIT Technology Review. Non è stato scritto dalla redazione del MIT Technology Review. È stato ricercato, progettato e scritto da scrittori, editori, analisti e illustratori umani. Ciò include la scrittura di sondaggi e la raccolta di dati per i sondaggi. Gli strumenti di intelligenza artificiale che potrebbero essere stati utilizzati erano limitati ai processi di produzione secondari sottoposti a un’accurata revisione umana.
