Intelligenza artificiale aziendale: da “costruisci o acquista” a “collabora e cresci”

Non molto tempo fa, un partner di collaborazione mi ha contattato casualmente per propormi un caso di utilizzo dell'intelligenza artificiale nella sua organizzazione. Volevano rendere più efficiente il processo di onboarding utilizzando l'intelligenza artificiale per rispondere alle domande più frequenti dei nuovi arrivati. Ho suggerito un approccio pratico tramite chat che avrebbe integrato la loro documentazione interna e loro sono andati avanti con sicurezza, pianificando di "parlare con il loro team IT" da lì in poi.

Per esperienza sapevo che questo tipo di ottimismo era fragile. Il team IT medio non è attrezzato per implementare da solo un'applicazione di intelligenza artificiale completa ed esaustiva. E così fu: mesi dopo riattaccarono. Il loro sistema era frustrantemente lento ed era anche evidente che durante lo sviluppo non avevano compreso appieno le reali esigenze degli utenti. I nuovi dipendenti ponevano domande diverse da quelle per cui era stato impostato il sistema. La maggior parte degli utenti ha abbandonato il sito dopo un paio di tentativi e non è più tornata indietro. Per risolvere questi problemi sarebbe stato necessario ripensare l'intera architettura e la strategia dei dati, ma il danno era già stato fatto. I dipendenti erano frustrati, i dirigenti se ne sono accorti e l'entusiasmo iniziale per l'intelligenza artificiale si è trasformato in scetticismo. Sarebbe stato difficile sostenere la necessità di un'altra fase di sviluppo più ampia, quindi la questione venne silenziosamente messa da parte.

Questa storia non è affatto unica. Il marketing astuto delle aziende di intelligenza artificiale crea l'illusione che l'intelligenza artificiale sia accessibile e le aziende si lanciano in iniziative senza comprendere appieno le sfide che le attendono. Infatti, per creare una solida strategia di intelligenza artificiale e implementare qualsiasi caso d'uso più o meno personalizzato nella tua azienda, sono necessarie competenze specialistiche. Se questa competenza non è disponibile internamente, è necessario ottenerla da partner o fornitori esterni.

Ciò non significa che devi comprare tutto: sarebbe come avere 100 dollari e spenderli al ristorante invece di andare al supermercato. La prima opzione soddisferà immediatamente la tua fame, mentre la seconda ti garantirà di avere qualcosa da mangiare per una settimana.

Quindi, come si comincia e chi dovrebbe implementare i primi progetti di intelligenza artificiale? Ecco cosa vedo: dimenticate il concetto di "costruisci o acquista" e concentratevi invece sulla collaborazione e sull'apprendimento. Credo fermamente che la maggior parte delle aziende dovrebbe sviluppare internamente le competenze in materia di intelligenza artificiale: ciò garantirà loro maggiore libertà nella strategia e nelle attività di intelligenza artificiale in futuro. Allo stesso tempo, l’intelligenza artificiale è un’arte complessa che richiede tempo per essere padroneggiata, e il fallimento è ovunque (secondo Per questo rapporto pubblicato dalla RAND Corporation(Oltre l'80% delle iniziative di intelligenza artificiale fallisce.) Imparare dagli errori è positivo in teoria, ma in realtà porta a uno spreco di tempo, risorse e credibilità. Per raggiungere in modo efficiente la maturità dell'intelligenza artificiale, le aziende dovrebbero valutare la possibilità di collaborare con partner fidati disposti a condividere la propria competenza. Una preparazione pragmatica e attenta non solo garantirà un'implementazione tecnica più fluida, ma terrà conto anche degli aspetti aziendali e personali della tua strategia di intelligenza artificiale.

Di seguito, descriverò innanzitutto i principi fondamentali (input, output e compromessi) delle decisioni di "acquisto o costruzione" nell'ambito dell'intelligenza artificiale. Successivamente, scoprirai un approccio alla partnership più esclusivo. Combina la costruzione e l'acquisto, migliorando al contempo la curva di apprendimento interna. Infine, concluderò con alcune note pratiche e suggerimenti sulla collaborazione nell'ambito dell'intelligenza artificiale.

Le basi per prendere decisioni "Make or Buy" nell'intelligenza artificiale

Cominciamo a scomporre la classica decisione "make or buy" in due parti: input, ovvero gli elementi che devono essere valutati in anticipo, e output, ovvero le conseguenze di ogni scelta per il tuo business futuro. Decidere se produrre l'intelligenza artificiale internamente o acquistarla da un fornitore esterno è una decisione strategica fondamentale, che richiede una conoscenza approfondita delle risorse disponibili e dei costi previsti.

ingresso

Per preparare la decisione, è necessario valutare le capacità interne e i requisiti dei casi d'uso. Questi fattori determineranno quanto realistica, rischiosa o vantaggiosa sarà ciascuna opzione:

• Maturità dell'IA nella tua organizzazione: Prendi in considerazione le tue capacità tecniche interne, come talenti qualificati in ambito IA, risorse IA riutilizzabili (ad esempio set di dati, modelli predefiniti e grafici della conoscenza) e competenze tecniche adiacenti trasferibili al dominio dell'IA (ad esempio, ingegneria dei dati e analisi). Bisogna anche considerare quanto bene gli utenti interagiscono con l'intelligenza artificiale e quanto bene riescono a gestire il suo scetticismo. Investi nell'aggiornamento delle competenze e nello sviluppo dell'audacia man mano che la tua intelligenza artificiale cresce.
• Requisiti di esperienza sul campo: In che misura la soluzione riflette la tua conoscenza del settore? Nei casi d'uso che richiedono l'intuizione umana o la conoscenza organizzativa di un esperto, gli esperti del tuo dominio interno svolgeranno un ruolo fondamentale. Dovrebbero essere parte integrante del processo di sviluppo, sia tramite la creazione interna, sia in stretta collaborazione con un fornitore esterno.
• Complessità tecnica del caso d'uso: Non tutte le applicazioni di intelligenza artificiale sono uguali. Un progetto che si basa su API o modelli di base esistenti è molto più semplice di un progetto che richiede la formazione di un'architettura di modello personalizzata da zero. L'elevata complessità aumenta i rischi, le risorse richieste e i potenziali ritardi di un approccio "build first".
• Valore e differenziazione strategica: Il caso d'uso è fondamentale per il tuo vantaggio strategico o è solo una funzione di supporto? Se è esclusivo del tuo settore (o addirittura della tua azienda) e aumenterà la differenziazione competitiva, la co-costruzione o il co-sviluppo potrebbero offrire un valore maggiore. Al contrario, per un caso d'uso standard (ad esempio la classificazione e la previsione di documenti), l'acquisto fornirà probabilmente risultati più rapidi e convenienti.

Conseguenze delle decisioni di produrre internamente o di acquistare prodotti già pronti

Dopo aver valutato i tuoi input, dovrai determinare l'impatto successivo della tua decisione di produrre internamente o di acquisire esternamente e valutare i compromessi. Ecco sette dimensioni che avranno un impatto su tempi, costi, rischi e risultati:

1. Personalizzazione: La misura in cui una soluzione di intelligenza artificiale può essere personalizzata per adattarsi al flusso di lavoro, agli obiettivi e alle esigenze specifiche di un'organizzazione. Spesso la personalizzazione determina quanto una soluzione si adatti alle specifiche esigenze aziendali. Un'attenta personalizzazione è fondamentale per garantire che la soluzione sia allineata ai tuoi specifici processi aziendali.
2. Proprietà: Diritti di proprietà intellettuale e controllo dei modelli di intelligenza artificiale sottostanti, del codice e della direzione strategica. La produzione interna garantisce la proprietà completa, mentre l'acquisto solitamente comporta la concessione in licenza di tecnologie di terze parti. La piena proprietà rappresenta un vantaggio strategico, soprattutto nei settori che fanno affidamento sull'innovazione e sulla tutela delle risorse intellettuali.
3. Altre notizie: Descrive come vengono gestiti i dati, dove si trovano e chi vi ha accesso. Negli ambienti regolamentati o sensibili, la privacy e la conformità dei dati sono questioni centrali, soprattutto quando i dati possono essere condivisi o elaborati da fornitori terzi. È essenziale rispettare gli standard globali sulla sicurezza dei dati, come il GDPR e l'ISO 27001.
4. il costo: Include sia l'investimento iniziale che le spese operative correnti. La produzione interna richiede ricerca e sviluppo, talento, infrastrutture e manutenzione a lungo termine, mentre l'acquisto potrebbe richiedere licenze, abbonamenti o canoni per l'utilizzo del cloud. È necessario effettuare un'analisi dettagliata del costo totale di proprietà (TCO) per valutare la fattibilità finanziaria di ciascuna opzione.
5. Tempo necessario per portare il prodotto sul mercato: Misura la rapidità con cui una soluzione può essere implementata e iniziare a generare valore. Nei mercati competitivi o dinamici, la distribuzione rapida è spesso fondamentale; I ritardi possono far perdere delle opportunità. Scegliendo una soluzione chiavi in ​​mano puoi accelerare notevolmente il processo di immissione sul mercato, garantendo alla tua azienda un vantaggio competitivo.
6. Supporto e manutenzione: Include chi è responsabile degli aggiornamenti, del ridimensionamento, della correzione dei bug e delle prestazioni in corso del modello. Le soluzioni per gli interni richiedono risorse di manutenzione dedicate, mentre quelle per gli esterni spesso includono servizi di supporto. Gli accordi sul livello di servizio (SLA) dovrebbero includere dettagli chiari sui tempi di risposta e sulla risoluzione dei problemi.
7. Curva di apprendimento dell'intelligenza artificiale: Riflette la complessità dell'acquisizione e dell'implementazione delle competenze di intelligenza artificiale all'interno di un'organizzazione. La produzione interna spesso comporta molti tentativi ed errori e produce risultati fragili perché il team non ha una conoscenza di base dell'intelligenza artificiale. D'altro canto, un acquisto o una partnership possono accelerare l'apprendimento attraverso esperienze guidate e strumenti maturi e creare una solida base per le future attività di intelligenza artificiale. Le partnership possono garantire l'accesso a competenze specialistiche e ridurre i rischi associati allo sviluppo interno dell'intelligenza artificiale.

Nella pratica, il pensiero binario tra produzione interna e acquisto di prodotti già pronti porta spesso a compromessi irrisolvibili. Prendiamo il caso d'uso di configurazione menzionato in precedenza. Uno dei motivi per cui la squadra tende a Produzione interna È l'esigenza di mantenere la riservatezza dei dati aziendali. Allo stesso tempo, non avevano le competenze interne in materia di intelligenza artificiale per sviluppare un sistema di chat pronto per la produzione. Forse avrebbero avuto più successo esternalizzando l'ingegneria della chat e il supporto continuo, mentre creavano internamente il loro database. Pertanto, non dovresti decidere di produrre internamente o di acquistare prodotti già pronti per l'intero sistema di intelligenza artificiale. Meglio invece scomporlo in componenti e valutare ogni componente in base alle proprie capacità, ai propri vincoli e alle priorità strategiche.

Verso una proficua collaborazione tra competenze sul campo e intelligenza artificiale

A livello di componenti, vi incoraggio a distinguere tra decisioni interne o esternalizzate attraverso la lente dei requisiti di competenza. La maggior parte dei sistemi di intelligenza artificiale B2B combina due tipi di competenza: competenza di settore, disponibile all'interno della tua azienda, e competenza tecnica in materia di intelligenza artificiale, che puoi acquisire tramite un partner esterno se (ancora) non possiedi competenze specialistiche in materia di intelligenza artificiale. Di seguito, esaminerò le esigenze di competenza di ciascuno dei componenti principali di un sistema di intelligenza artificiale (vedere Questo articolo Per una spiegazione degli ingredienti). Questo approccio strategico garantisce il massimo utilizzo delle risorse disponibili e il raggiungimento degli obiettivi aziendali in modo efficiente ed efficace.

Opportunità di lavoro: identificare i problemi di intelligenza artificiale giusti

Sapevi che il motivo principale per cui i progetti di intelligenza artificiale falliscono non è di natura tecnica, ma è la scelta sbagliata del problema da risolvere (vedi Le cause profonde del fallimento dei progetti di intelligenza artificiale e come possono avere successo)? Potresti rimanere sorpreso, ma i tuoi team di esperti comprendono a fondo i tuoi problemi. Ma il punto è che non hanno i mezzi per collegare i loro punti deboli alla tecnologia dell'intelligenza artificiale. Ecco alcuni dei modelli di errore più comuni:

• inquadrare il problema in modo vago o inappropriatoÈ un compito in cui l'intelligenza artificiale è già brava? Definire con precisione il problema è spesso il primo passo verso una soluzione efficace mediante l'intelligenza artificiale.
• Stima dello sforzo perso/ROIIl risultato vale il tempo e le risorse investiti per sviluppare e implementare l'intelligenza artificiale? Il ritorno atteso dall'uso dell'intelligenza artificiale deve essere chiaro e giustificato.
• aspettative irrealisticheCosa significa “abbastanza buono” per un’intelligenza artificiale imperfetta? Prima di iniziare il progetto, è necessario definire chiaramente i criteri di successo.

D'altro canto, sono numerose le organizzazioni che utilizzano l'intelligenza artificiale per il solo gusto di farlo, creando soluzioni alla ricerca di un problema. Ciò brucia risorse e indebolisce la fiducia interna.

Un buon partner di intelligenza artificiale aiuta a valutare i processi aziendali pronti per l'intervento dell'intelligenza artificiale, ne stima il potenziale impatto e modella il modo in cui l'intelligenza artificiale può generare valore. Entrambe le parti possono dare forma a un caso d'uso mirato e di grande impatto attraverso workshop di scoperta congiunti, sprint di progettazione e prototipazione esplorativa.

Dati: il carburante per il tuo sistema di intelligenza artificiale

Dati di dominio puliti e ben organizzati sono una risorsa fondamentale. Crittografa le conoscenze operative, il comportamento dei clienti, le prestazioni del sistema e molto altro. Ma i dati grezzi da soli non bastano: devono essere trasformati in segnali di apprendimento significativi. È qui che entra in gioco la competenza dell'intelligenza artificiale per progettare le supply chain, scegliere le giuste rappresentazioni dei dati e allineare il tutto agli obiettivi di apprendimento dell'intelligenza artificiale.

Spesso ciò comporta l'etichettatura dei dati, vale a dire l'annotazione degli esempi con i segnali da cui il modello deve imparare. Potrebbe sembrare noioso, ma resistete alla tentazione di esternalizzare. L'etichettatura è una delle fasi della catena di fornitura più sensibili al contesto e, per essere eseguita correttamente, richiede competenze specifiche. Infatti, molte attività di fine-tuning oggi funzionano meglio su set di dati piccoli ma di alta qualità: quindi, collabora a stretto contatto con il tuo partner di intelligenza artificiale per concentrare e gestire al meglio gli sforzi.

Un altro ambito in cui l'esperienza può fare la differenza è la pulizia e la pre-elaborazione dei dati. Forse avete sentito il vecchio detto: "La maggior parte degli scienziati dei dati dedica il proprio tempo alla pulizia dei dati." Ciò non significa che debba essere lento. Grazie all'esperienza di ingegneri esperti nel modo in cui vengono presentati i dati (testo, numeri, immagini, ecc.), questo processo può essere notevolmente accelerato. Sapranno istintivamente quali tecniche di pre-elaborazione applicare e quando, trasformando settimane di tentativi ed errori in ore di configurazione produttiva.

Intelligenza artificiale: modelli e architetture di intelligenza artificiale

La maggior parte delle persone pensa che sia qui che iniziano i progetti di intelligenza artificiale, ma è solo la parte centrale della storia. Per creare sistemi di intelligenza artificiale efficaci è necessaria una profonda competenza in materia di intelligenza artificiale per selezionare o ottimizzare i modelli, valutare le prestazioni e progettare le architetture dei sistemi. Ad esempio, il tuo caso d'uso dovrebbe utilizzare un modello pre-addestrato? Hai bisogno di una configurazione multi-modello? Cosa sono le scale di valutazione logiche? Nei sistemi più complessi, diversi componenti dell'intelligenza artificiale, come modelli e basi di conoscenza, possono essere combinati in un flusso di lavoro in più fasi.

La competenza specialistica si acquisisce durante la convalida e la valutazione del sistema. Gli esperti e i futuri utenti devono verificare se i risultati dell'intelligenza artificiale hanno senso e corrispondono alle loro aspettative del mondo reale. Un modello può essere statisticamente robusto, ma operativamente inutile se i suoi output non corrispondono alla logica aziendale. Quando si progettano sistemi complessi, gli esperti del settore devono anche assicurarsi che la configurazione del sistema rifletta le loro operazioni e necessità reali.

La progettazione di modelli di intelligenza artificiale e la creazione di un'architettura di intelligenza artificiale personalizzata rappresentano la fase del "pilota assistente": i team di intelligenza artificiale progettano e ottimizzano il sistema, mentre i team di dominio lo guidano e lo ottimizzano in base agli obiettivi aziendali. Nel tempo, l'obiettivo è creare una condivisione della responsabilità del comportamento del sistema.

“`

Caso di studio: sviluppare competenze di intelligenza artificiale a supporto delle compagnie assicurative

“`

Presso una delle principali compagnie assicurative, il team di data science è stato incaricato di sviluppare un sistema di previsione del rischio di sinistri: un progetto che volevano mantenere interno per mantenere la piena proprietà e uno stretto allineamento con i loro dati e flussi di lavoro. Tuttavia, i prototipi presentavano problemi di prestazioni e scalabilità. Qui è intervenuta la mia azienda. Anacodice Come partner architettonico e strategico. Il team interno ci ha aiutato a valutare i modelli candidati, a progettare un'architettura modulare e a impostare pipeline di apprendimento automatico (ML) ripetibili. Ma soprattutto, offriamo corsi di formazione guidata incentrati sulla valutazione dei modelli, sulle operazioni di apprendimento automatico (MLOps) e sulle pratiche di intelligenza artificiale responsabili. Nel corso del tempo, il team interno ha acquisito sicurezza, ha rielaborato i prototipi precedenti trasformandoli in una soluzione solida e ha assunto la piena responsabilità delle operazioni. Il risultato è stato un sistema di cui erano completamente proprietari, mentre la consulenza esperta che abbiamo fornito durante il progetto ha anche aumentato le loro capacità di intelligenza artificiale interna. Questo approccio garantisce il **miglioramento del sistema di previsione del rischio** e lo **sviluppo delle capacità di intelligenza artificiale interne**.

Esperienza utente: fornire valore all'intelligenza artificiale attraverso l'interfaccia utente

Questo aspetto è complesso. Salvo poche eccezioni, è improbabile che esperti del settore o ingegneri esperti di intelligenza artificiale riescano a progettare un'esperienza intuitiva, efficiente e piacevole per gli utenti reali. L'ideale sarebbe assumere dei designer UX specializzati. Se queste persone non sono disponibili, cercate persone provenienti da discipline adiacenti che abbiano un naturale senso dell'esperienza utente. Oggigiorno sono disponibili molti strumenti di intelligenza artificiale per supportare la progettazione e la prototipazione dell'esperienza utente, quindi il gusto conta più dell'abilità tecnica. Una volta individuate le persone giuste, è necessario fornire loro input da entrambe le parti:

• lo sfondoGli esperti di intelligenza artificiale forniscono informazioni su come funziona internamente un sistema, sui suoi punti di forza, limiti e livelli di certezza, e supportano la progettazione di elementi quali spiegazioni, indici di incertezza e punteggi di fiducia (vedere Questo articolo Sulla creazione di fiducia nell'intelligenza artificiale attraverso l'esperienza utente.
• faccia anterioreGli esperti del settore conoscono gli utenti, il loro flusso di lavoro e i loro punti critici. Aiutano a convalidare i flussi utente, evidenziare gli attriti e suggerire miglioramenti in base al modo in cui le persone interagiscono effettivamente con il sistema.

Concentratevi sulla ripetizione rapida e preparatevi a commettere qualche errore. L'esperienza utente nell'intelligenza artificiale è un campo emergente e non esiste una formula fissa per definire cosa sia "eccellente". Le esperienze migliori nascono da cicli di feedback rigidi e iterativi, in cui progettazione, test e miglioramento avvengono continuamente, incorporando il contributo sia di esperti del settore che di specialisti dell'intelligenza artificiale. L'obiettivo dovrebbe essere quello di progettare interfacce utente (UI) efficaci e intuitive, garantendo che il valore dell'IA venga trasmesso agli utenti in modo fluido.

 

Supporto e manutenzione: mantenere l'intelligenza artificiale in funzione

Una volta implementati, i sistemi di intelligenza artificiale richiedono un monitoraggio attento e un miglioramento continuo. Il comportamento degli utenti nel mondo reale spesso differisce da quello degli ambienti di test e cambia nel tempo. Questa intrinseca incertezza implica che il sistema necessita di un monitoraggio efficace, in modo che i problemi possano essere identificati e risolti tempestivamente.

L'infrastruttura tecnica per il monitoraggio, che comprende il monitoraggio delle prestazioni, il rilevamento delle derive, il riaddestramento delle macchine e le pipeline MLOps, viene solitamente configurata dal partner di intelligenza artificiale. Una volta definite, molte attività di monitoraggio quotidiano non richiedono competenze tecniche approfondite. Ciò che serve è competenza di settore: capire se l'output del modello ha ancora senso, notare sottili cambiamenti nei modelli di utilizzo e sapere quando qualcosa non va.

Una fase di supporto ben progettata non è solo operativa: può rappresentare una fase di apprendimento fondamentale per i team interni. Crea lo spazio per un graduale sviluppo di competenze, una comprensione più approfondita del sistema e, in definitiva, un percorso più agevole verso una maggiore padronanza del sistema di intelligenza artificiale nel tempo. Ciò consente un miglioramento continuo delle prestazioni e dell'efficienza del sistema.

Pertanto, anziché inquadrare l'implementazione dell'intelligenza artificiale come una decisione binaria tra "costruire o acquistare", bisognerebbe vederla come un mosaico di attività. Alcune di queste attività sono altamente tecniche, mentre altre sono strettamente correlate al contesto della tua attività. Definendo le responsabilità lungo l'intero ciclo di vita dell'IA, è possibile:

• Chiarire i ruoli e le competenze essenziali per il successo
• Identifica le capacità già presenti in azienda.
• Scopri le lacune in cui le competenze esterne sono più preziose.
• Pianificazione del trasferimento delle conoscenze e della proprietà a lungo termine

Se desideri approfondire l'integrazione delle competenze di dominio nei tuoi sistemi di intelligenza artificiale, consulta il mio articolo "Iniettare competenze di dominio nei tuoi sistemi di intelligenza artificiale". È importante sottolineare che il confine tra competenze di "dominio" e competenze di "intelligenza artificiale" non è netto. Potresti già avere membri del team che sperimentano con l'apprendimento automatico, o altri desiderosi di avanzare in ruoli più tecnici. Con il giusto modello di partnership e una strategia di aggiornamento delle competenze, puoi evolvere verso l'autonomia nell'intelligenza artificiale, assumendo gradualmente maggiori responsabilità e controllo man mano che la tua maturità interna aumenta.

Quando si collabora nell'ambito dell'intelligenza artificiale, è opportuno iniziare presto e concentrarsi sulla comunicazione.

Ora sai che le decisioni di "make or buy" devono essere prese a livello dei singoli componenti del tuo sistema di intelligenza artificiale. Ma se il tuo team non ha ancora competenze in materia di intelligenza artificiale, come puoi immaginare come sarà il tuo sistema e i suoi componenti in futuro? Risposta: iniziare presto la partnership. Quando inizi a definire e progettare la tua strategia di intelligenza artificiale, affidati a un partner di fiducia che guidi il processo. Scegli qualcuno con cui puoi comunicare facilmente e apertamente. Con la giusta collaborazione fin dall'inizio, avrai maggiori possibilità di superare le sfide dell'intelligenza artificiale in modo fluido e con successo. Creare solide partnership nel campo dell'intelligenza artificiale, soprattutto con esperti specializzati, è fondamentale per garantire il successo dei progetti di intelligenza artificiale e mitigare i potenziali rischi.

Scegli un partner di intelligenza artificiale con competenze di base nel settore.

Il tuo partner di intelligenza artificiale non dovrebbe solo fornire codice e risorse tecniche, ma dovrebbe anche aiutare la tua organizzazione ad apprendere e crescere durante la collaborazione. Ecco alcuni tipi comuni di partnership esterne e cosa ci si può aspettare da ciascuna:

• EsternalizzazioneQuesto modello elimina la complessità: ottieni risultati rapidi, come una dose di carboidrati veloci. Sebbene efficiente, raramente fornisce un valore strategico a lungo termine. Alla fine si ottiene uno strumento, non capacità più potenti.
• Partenariati accademici: Ottimo per l'innovazione all'avanguardia e la ricerca a lungo termine, ma spesso meno adatto all'effettiva implementazione e adozione di un sistema di intelligenza artificiale nel mondo reale.
• Partnership di consulenzaA mio parere, è la strada più promettente, soprattutto per le aziende che hanno già un team tecnico e vogliono sviluppare le proprie competenze in materia di intelligenza artificiale. Un buon consulente rafforza gli ingegneri della tua azienda, li aiuta a evitare errori costosi e fornisce spunti pratici e basati sull'esperienza per rispondere a domande come: qual è il giusto kit di strumenti tecnici per il nostro caso d'uso? Come possiamo gestire i nostri dati per migliorarne la qualità e creare un ciclo di dati solido? Come possiamo espanderci senza compromettere la fiducia e la governance?

Un quadro dettagliato per la selezione dei partner va oltre lo scopo di questo articolo, ma ecco un consiglio duramente guadagnato: diffidate delle società di outsourcing e consulenza IT che improvvisamente aggiungono la parola "IA" alla loro offerta dopo il boom della GenAI del 2022. Potrebbero affascinarvi con parole d'ordine fantasiose, ma se l'IA non fa parte del loro DNA, potreste finire per pagare la loro curva di apprendimento anziché beneficiare di competenze complementari. Scegli un partner che abbia già svolto il lavoro più duro e sia disposto a trasmetterti la sua competenza.

 

Raddoppia gli sforzi di comunicazione e coordinamento.

Nei modelli di partnership è fondamentale che la comunicazione e il coordinamento tra le parti interessate siano efficaci. Ecco alcuni importanti ruoli comunicativi da padroneggiare nella tua azienda:

• I leader e gli esperti del settore devono identificare e comunicare chiaramente i problemi aziendali che vale la pena risolvere (oltre alle migliori pratiche per condividere idee sull'intelligenza artificiale) qui).
• Gli utenti finali devono condividere le proprie esigenze in anticipo, fornire feedback durante l'utilizzo e, ancora meglio, diventare partner nella definizione dell'esperienza dell'IA.
• I team IT e di governance devono garantire conformità, sicurezza e protezione, consentendo al contempo l'innovazione dell'intelligenza artificiale, non ostacolandola. Tieni presente che queste abilità non sembrano completamente sviluppate.

Nei progetti di intelligenza artificiale aumenta il rischio di scarso coordinamento e di compartimenti stagni improduttivi. L'intelligenza artificiale è ancora un campo relativamente nuovo e la terminologia stessa può creare confusione. Se vi è mai capitato di trovarvi coinvolti in un dibattito sulla differenza tra "IA" e "Machine Learning", saprete cosa intendo. In caso contrario, ti invito a provarlo durante il tuo prossimo incontro con i colleghi. Può essere altrettanto sfuggente quanto quella conversazione con il tuo partner che inizia con, "Dobbiamo parlare."

Puntare al riavvicinamento da entrambe le parti per risolvere ambiguità e divergenze. I tuoi team interni dovrebbero investire nell'aggiornamento delle competenze e nell'acquisizione di una comprensione fondamentale dei concetti di intelligenza artificiale. D'altro canto, i tuoi partner di intelligenza artificiale dovrebbero venirti incontro a metà strada. Dovrebbero evitare termini tecnici e utilizzare un linguaggio chiaro e orientato al business, con cui il tuo team possa effettivamente collaborare. Una collaborazione efficace inizia con una comprensione condivisa.

Conclusione

La vera domanda non è: "Sviluppiamo l'intelligenza artificiale o la compriamo?" Piuttosto, "Come possiamo sviluppare le nostre capacità di intelligenza artificiale in modo da bilanciare velocità, controllo e valore a lungo termine?" La risposta sta nella consapevolezza che l'intelligenza artificiale è una combinazione di tecnologia e competenza, e che il successo dipende dall'abbinamento delle risorse giuste ai compiti giusti.

Per la maggior parte delle organizzazioni, la strada più intelligente è quella di Collaborazione – Combina i punti di forza del tuo settore con le competenze esterne in materia di intelligenza artificiale per costruire più velocemente, apprendere più velocemente e, in definitiva, ottenere il massimo dal tuo percorso verso l'intelligenza artificiale.

Cosa puoi fare ora:

• Definisci i casi d'uso dell'intelligenza artificiale in base alle tue capacità interne. Siate onesti riguardo alle lacune.
• Scegli partner che trasferiscano conoscenze, non solo risultati.
• Stabilisci quali componenti devono essere costruiti, acquistati o co-creati. Non è necessario fare una scelta binaria.
• Man mano che avanzi, migliora le abilità della tua squadra. Ogni progetto dovrebbe renderti più capace e indipendente, non più dipendente dalle risorse e dalle competenze del tuo partner.
• Iniziare con progetti pilota mirati. Creare valore e slancio per l'apprendimento interno.

Adottando oggi un approccio strategico allo sviluppo delle capacità, si gettano le basi per diventare un'organizzazione abilitata dall'intelligenza artificiale e, in definitiva, un'organizzazione guidata dall'intelligenza artificiale, nel lungo termine.