L'uso del machine learning (ML) può facilitare significativamente i processi di lavoro nelle aziende. Ma cos'è esattamente il machine learning e quali condizioni devono essere soddisfatte per l'uso della soluzione?
L'uso del machine learning (ML) aiuta a utilizzare correttamente e a dare un senso alla massa intricata di dati che viene creata ogni giorno. Questa applicazione pratica dell'IA è erroneamente usata come un termine ombrello per tutto ciò che in qualche modo sembra "intelligente". Ma cos'è esattamente il machine learning e come funziona? I sistemi basati sull'apprendimento automatico riconoscono gli schemi nei dati, li generalizzano e creano modelli, come le previsioni di abbandono dei clienti o il rilevamento delle frodi nelle transazioni. Ma le soluzioni di ML richiedono un sacco di preparazione prima di poter essere utilizzate in modo significativo: I dati devono essere vagliati, ordinati e valutati. Inoltre, deve essere chiaramente definito fin dall'inizio cosa si vuole ottenere con la tecnologia, secondo il dottor Andreas Becks, Manager Business Analytics DACH presso la software house SAS.
Passo dopo passo
Il primo passo è quello di alimentare il sistema con materiale di apprendimento sotto forma di dati. La qualità dei dati gioca un ruolo particolarmente importante nell'apprendimento automatico. Come questo possa andare male è dimostrato dal chatbot Tay di Microsoft, che è stato (educato) ad essere razzista dopo poco tempo. L'IA dietro Tay doveva imparare attraverso i canali dei social media come parlano i giovani dai 18 ai 24 anni. Quando il chatbot ha fatto dichiarazioni sessiste e ha propagato il genocidio, l'esperimento è stato interrotto.
Fondamentalmente, una tecnologia ML analizza i dati, li impacchetta in gruppi e crea modelli su, per esempio, cospicuità o deviazioni. Nella produzione, i sensori attaccati alle macchine che sono in costante scambio di dati con il sistema ML possono essere usati per riconoscere se un difetto è presente, per esempio, dal rumore della macchina. In questo modo, un tecnico può essere chiamato e sostituire la parte ancora intatta prima che sia effettivamente difettosa, il che, in definitiva, fa risparmiare sui costi.
Problemi di integrazione
Una volta creato un modello, il prossimo passo importante è integrare il software nell'azienda. Spesso, però, un progetto di ML fallisce in questo passo elementare. La ragione di questo è il ruolo tradizionale dell'IT. Per anni, gli è stato attribuito un ruolo puramente operativo. Di conseguenza, le idee creative di digitalizzazione e le innovazioni, che di solito (86%) provengono dal dipartimento IT, non sono prese abbastanza sul serio. Anche qui, un ripensamento deve avvenire in azienda e il dipartimento IT deve posizionarsi come un'autorità creativa.
Inoltre, i cambiamenti nella struttura aziendale ostacolano l'integrazione: mentre nel 2016, il 51% delle aziende intervistate per uno studio Bitkom includeva ancora la suite esecutiva per i progetti di digitalizzazione e le innovazioni, in una recente indagine, questa cifra è solo del 42%. Poiché l'implementazione di questi progetti non è nelle mani della suite esecutiva, di solito non vengono introdotti nel modello di business alla fine.
Un ciclo auto-ottimizzante
Se il software è integrato nella struttura aziendale, può, se lo si desidera, prendere le prime decisioni in modo indipendente con l'aiuto dei dati che gli vengono forniti. Questi sono a loro volta valutati di nuovo e utilizzati per un'ulteriore formazione. Si tratta di un ciclo di auto-ottimizzazione, con l'obiettivo di creare un sistema auto-organizzato. Ciononostante, il monitoraggio costante da parte degli umani, i cosiddetti data scientist, è necessario fin da oggi.