AI Strategy A Step-by-Step Guide-Daiki-ITA
AI Strategy A Step-by-Step Guide-Daiki-ITA
OBIETTIVO
Strategia IA:
Un passo dopo passo
Guida
Marzo 2024
dai.ki
Sommario
I. Introduzione 1
6. Scoperta dei casi d'uso: esplorazione degli esempi del mondo reale e dei migliori
19
Pratiche
8. Analisi di fattibilità 24
Fase 4: implementazione 38
I. Introduzione
Molte organizzazioni hanno bisogno di aiuto per identificare i giusti progetti di intelligenza
artificiale (AI) o machine learning (ML) in linea con i loro obiettivi aziendali. Le complessità tecniche
dell’intelligenza artificiale possono rendere le cose ancora più scoraggianti.
Questo white paper presenta una guida passo passo per lo sviluppo di una strategia di
intelligenza artificiale ben strutturata, offrendo assistenza pratica per guidare
le organizzazioni attraverso il panorama dinamico di AI e ML.
Sia che la tua organizzazione si stia avventurando nel mondo dell'intelligenza artificiale
e del machine learning o stia cercando di migliorare le iniziative esistenti, questa risorsa
fornisce informazioni utili per aiutarti a garantire un approccio strategico ed efficace.
Nel frenetico panorama aziendale odierno, il fermento attorno all'intelligenza artificiale (AI) sta
diventando sempre più forte, promettendo di rimodellare il modo in cui le organizzazioni operano,
competono e prosperano in diversi settori.
Per le imprese più piccole, la grande domanda è se termini come Intelligenza Artificiale e Machine
Learning siano solo parole d’ordine o parti essenziali delle loro operazioni quotidiane che
potrebbero influenzarne il successo e la competitività futuri.
La risposta a questa domanda dipende dal settore, dal modello di business e dagli obiettivi
specifici di ciascuna azienda.
Come integrare efficacemente l’intelligenza artificiale nei flussi di lavoro e nei processi esistenti
può rappresentare un ostacolo anche per le piccole e medie imprese (PMI). Tuttavia, con la
guida e le risorse adeguate, queste sfide possono essere superate, consentendo alle PMI
di sfruttare tutto il potenziale dell’IA a proprio vantaggio.
Secondo l’ IBM Global AI Adoption Index 2022, solo il 35% delle aziende ha integrato l’intelligenza
artificiale nelle proprie operazioni aziendali. Un ulteriore 42% delle aziende sta esplorando attivamente
l’adozione dell’intelligenza artificiale come parte delle proprie considerazioni strategiche.
Allo stesso modo, l’indice di preparazione all’intelligenza artificiale di Cisco evidenzia una sostanziale
disparità tra le aspirazioni delle aziende all’adozione dell’intelligenza artificiale e le sfide pratiche che
devono affrontare nel farlo.
loro organizzazioni
Secondo l’annuale McKinsey Global Survey sullo stato attuale dell’IA dall’agosto 2023, l’adozione
complessiva della tecnologia AI rimane relativamente costante, con il 55% degli intervistati che conferma
che le proprie organizzazioni hanno abbracciato l’AI in qualche modo.
La mancanza di competenze in materia di intelligenza artificiale, problemi di qualità dei dati, allineamento
con gli obiettivi aziendali e considerazioni normative sono ostacoli comuni che le organizzazioni devono affrontare
superare.
Elaborare una strategia di successo in linea con la conformità e la governance può essere un’impresa
complessa. Implementando approcci strategici e promuovendo la collaborazione tra le varie parti
interessate, le organizzazioni possono affrontare queste sfide e sbloccare il potere trasformativo
dell’intelligenza artificiale, aprendo la strada a una maggiore competitività e innovazione.
Una strategia di
intelligenza artificiale è un piano completo
su come un’organizzazione utilizzerà
l’intelligenza artificiale per raggiungere
obiettivi specifici.
Una strategia di IA chiara e ben implementata riduce al minimo i rischi, ottimizza l’allocazione
delle risorse e aumenta significativamente la probabilità di ottenere risultati positivi nei progetti
di IA.
Una solida strategia di intelligenza artificiale ruota attorno alla selezione ponderata e alla definizione
delle priorità dei casi d'uso in linea con gli obiettivi definiti, garantendo al tempo stesso uno sviluppo
responsabile e un'esecuzione di successo.
I casi d'uso rappresentano applicazioni del mondo reale in cui l'intelligenza artificiale può
avere un impatto significativo all'interno o per conto di un'organizzazione.
Mentre alcuni casi d’uso possono produrre vantaggi immediati, come il miglioramento del servizio clienti
tramite chatbot, altri possono rappresentare sforzi a lungo termine, come l’ottimizzazione delle
operazioni della catena di fornitura per risparmi sui costi sostenuti.
Inoltre, l’intelligenza artificiale viene sempre più applicata all’esperienza del cliente e alla
gestione finanziaria, aree in cui può migliorare significativamente le interazioni e ottimizzare i
processi finanziari.
Una strategia di intelligenza artificiale allinea il processo di scoperta dei casi d'uso con gli scopi e gli
obiettivi generali dell'organizzazione.
Fornisce il quadro per identificare i casi d’uso direttamente rilevanti per il raggiungimento di
questi risultati strategici.
Con l'aiuto di una strategia di intelligenza artificiale, è possibile stabilire la priorità dei casi
d'uso in base al loro potenziale impatto sugli obiettivi dell'organizzazione. Ciò garantisce che gli
investimenti nell’intelligenza artificiale siano mirati e scelti in base al loro allineamento con
obiettivi strategici piuttosto che in base alle preferenze personali.
Una buona strategia di intelligenza artificiale comprende anche la valutazione dei casi d’uso
per i rischi etici, legali e operativi e l’integrazione della mitigazione del rischio nel piano.
Stabilisce inoltre scadenze chiare per ciascun caso d'uso, descrivendo in dettaglio quando verranno
avviati, sviluppati, testati e lanciati. Questo approccio garantisce che i progetti di intelligenza
artificiale vengano eseguiti in modo sistematico e strategico.
Il processo sistematico di
identificazione e definizione
delle priorità di specifici casi
d’uso dell’IA, guidato da una
strategia AI, garantisce che la
scoperta di preziose applicazioni
AI per il business non sia una questione di caso
ma piuttosto un consolidato
e procedura ripetibile.
Inoltre, con una strategia strutturata, le organizzazioni possono valutare e dare priorità in modo
coerente ai potenziali casi d'uso in base a criteri predefiniti.
Una strategia di intelligenza artificiale ben definita include indicatori chiave di prestazione (KPI) che
consentono alle organizzazioni di misurare il successo di ciascun caso d'uso.
In che modo questo caso d'uso si allinea con gli obiettivi Quale approccio AI (ad esempio, apprendimento automatico,
strategici generali dell'organizzazione? elaborazione del linguaggio naturale) verrà utilizzato per questo caso d'uso?
Descrivere gli obiettivi strategici specifici che questo caso d'uso Quali origini e tipi di dati sono necessari per supportare questo
mira a raggiungere. caso d'uso?
Quali sono gli obiettivi specifici di questo caso d’uso? Ci sono considerazioni etiche/legali associate a questo caso d'uso?
In che modo questo caso d'uso si allinea con gli obiettivi Quali requisiti e sfide tecnologici e infrastrutturali sono associati a
strategici dell'organizzazione? questo caso d’uso?
Descrivere gli obiettivi strategici specifici che questo caso d'uso L'organizzazione è attrezzata per supportare gli aspetti tecnici di
mira a raggiungere. questo caso d'uso?
Chi sarà responsabile della supervisione e della Quali competenze e competenze sono necessarie per eseguire
promozione di questo caso d’uso? questo caso d’uso?
In che modo il loro ruolo influisce sulla corretta esecuzione del caso L’organizzazione dispone della capacità e delle risorse necessarie
d'uso? per implementare questo caso d’uso in modo efficace?
Come verrà implementato il caso d'uso (ad esempio, internamente, Stimare il potenziale impatto di questo caso d'uso sul
in outsourcing, in partnership)? raggiungimento degli obiettivi aziendali.
Qual è l’approccio di implementazione proposto e perché è stato Considera fattori come l'aumento dei ricavi, la riduzione dei costi, il
scelto? miglioramento della soddisfazione dei clienti, l'efficienza operativa e
qualsiasi implicazione etica e sulla privacy.
In che modo l'implementazione di questo caso d'uso avrà un impatto sui È necessario un PoC per convalidare la fattibilità e gli aspetti
dipendenti o sui processi? tecnici di questo caso d'uso?
Quali stakeholder dovrebbero essere inclusi nelle prime fasi dello In tal caso, delineare le componenti chiave del PoC e i suoi
sviluppo e dell’implementazione dei casi d’uso per facilitare processi obiettivi.
di cambiamento di successo?
Valutare la fattibilità complessiva dell'implementazione di questo utilizzo Come si colloca questo caso d'uso in termini di potenziale impatto
caso.
sul business e allineamento con gli obiettivi organizzativi?
Questa sezione ti guiderà attraverso i componenti essenziali dello sviluppo della strategia
AI. Sia che la tua organizzazione stia entrando nel dominio dell'intelligenza artificiale per la
prima volta o che abbia già esperienza, il nostro obiettivo è demistificare le complessità dello
sviluppo della strategia di intelligenza artificiale.
Ciò implica allineare gli obiettivi dell’intelligenza artificiale con gli obiettivi aziendali generali, garantire le
risorse necessarie e promuovere una cultura che abbraccia e si adatta ai progressi dell’intelligenza artificiale.
Il supporto visibile dei leader ai massimi livelli garantisce uno sforzo coeso e coordinato,
rendendo la strategia di intelligenza artificiale parte integrante dell’agenda organizzativa.
Molti leader sono sorpresi nell’apprendere che investire nello sviluppo di soluzioni di intelligenza
artificiale non produce rendimenti solo da pochi casi d’uso isolati. È invece essenziale disporre di
una strategia di intelligenza artificiale integrata in tutta l’azienda e strettamente allineata alla
strategia aziendale complessiva.
Tuttavia, un errore comune Molte aziende fanno è concentrarsi troppo sui singoli casi d’uso o lasciare
la strategia AI prevalentemente nelle mani dei dipartimenti IT o di data science. Questo approccio può
limitare la capacità dell'organizzazione di sfruttare efficacemente l'intelligenza artificiale in varie aree
come il coinvolgimento dei clienti, i lanci di aziende orgogliose, l'accelerazione dell'ingresso nel
mercato, la protezione delle catene di fornitura e altro ancora. Ecco perché è fondamentale coinvolgere le
parti interessate in tutti i dipartimenti.
Una strategia di intelligenza artificiale efficace richiede un approccio più olistico a livello aziendale per
ottenere un impatto significativo e un vantaggio competitivo.
fornisce fin dall’inizio le competenze necessarie per guidare in modo efficace la progettazione, lo
Garantisce inoltre un perfetto allineamento tra i casi d'uso selezionati e le capacità e gli obiettivi
La leadership dell’intelligenza
artificiale è uno dei fattori più critici in
Una leadership efficace implica che i leader nominati per lo sviluppo della strategia di intelligenza artificiale e/
o le iniziative concrete di intelligenza artificiale debbano creare una visione chiara per i progetti di intelligenza
artificiale, garantendo che siano in linea con gli obiettivi generali dell'organizzazione.
L'obiettivo è garantire che la strategia aziendale stabilita a livello esecutivo si traduca perfettamente
in esecuzione IT.
dipartimenti. Il loro ruolo è fondamentale nel garantire che l'organizzazione si adatti e si evolva con le
L’impegno della leadership è particolarmente importante per l’AI/ML perché, rispetto agli sviluppi più iterativi
di altre tecnologie, l’implementazione dell’AI può essere piuttosto dirompente o di grande impatto e,
pertanto, richiede processi di cambiamento sostenuti dalla fiducia e dalla visione del management.
Avere tutte le mani sul ponte garantisce che gli sforzi di intelligenza artificiale siano allineati con gli obiettivi strategici,
protegga le risorse e promuova pratiche di intelligenza artificiale responsabili durante tutto il ciclo di vita dell'intelligenza artificiale.
Ad esempio, durante le fasi di definizione delle priorità dei casi d'uso o di analisi di fattibilità per
garantire valutazioni complete, mitigazione del rischio e analisi costi-benefici.
Questi ambiti includono, tra gli altri, il diritto, l’etica e il design.
La mancata gestione dell’allineamento del team può portare a una mancanza di supporto
e adozione. I team con priorità contrastanti potrebbero non investire il tempo e gli sforzi
necessari per adattare i propri processi, portando al fallimento della soluzione AI.
Team diversificati sono importanti anche per affrontare i pregiudizi e aumentare la probabilità di
creare una strategia di intelligenza artificiale completa e lungimirante, in linea con gli
obiettivi organizzativi e le tendenze del settore.
Ad esempio, nel settore sanitario, la collaborazione tra esperti medici, data scientist,
specialisti legali, esperti di etica, progettisti e professionisti operativi garantisce
che i sistemi diagnostici basati sull’intelligenza artificiale si allineino agli standard clinici,
mantengano la riservatezza dei dati, affrontino i bias, si integrino perfettamente nei
flussi di lavoro clinici e gestiscano le operazioni e rischi finanziari.
Questa realtà evidenzia la necessità di formulare una politica sull’intelligenza artificiale che
funga da bussola, garantendo l’implementazione responsabile dell’intelligenza artificiale in
linea con gli obiettivi e i valori generali dell’organizzazione.
Garantisce che le politiche pertinenti guidino l’intero ciclo di vita dei sistemi di intelligenza artificiale,
inclusi sviluppo, acquisto, funzionamento e utilizzo. Inoltre, una policy sull’intelligenza artificiale valuta
l’impatto degli obiettivi dell’intelligenza artificiale su altre politiche, in particolare nei settori che si
intersecano con l’intelligenza artificiale, come qualità, sicurezza e privacy.
Lo sviluppo di una politica di intelligenza artificiale comprende considerazioni cruciali, tra cui:
allineamento
con la strategia aziendale adesione ai
valori organizzativi valutazione della
tolleranza al rischio
Questa politica incorpora principi guida che modellano tutte le attività legate all’intelligenza artificiale
e delinea le procedure per gestire deviazioni ed eccezioni. Inoltre, in genere approfondisce aspetti
specifici dell'argomento, coprendo aree come le risorse di intelligenza artificiale, le valutazioni
dell'impatto dei sistemi di intelligenza artificiale e lo sviluppo di sistemi di intelligenza artificiale.
Dovrebbero essere condotti analisi periodiche e aggiornamenti delle politiche per garantirne la pertinenza,
e la politica sull’IA dovrebbe essere informata dalle politiche stabilite dall’organo di governo
dell’organizzazione.
Inoltre, nel contesto delle politiche sull’IA, è diventata una best practice definire obiettivi che
guidino l’uso dell’IA in modo responsabile e affidabile
maniera.
Questi obiettivi, spesso articolati come linee guida sull’intelligenza artificiale responsabile (RAI),
abbracciano diverse dimensioni e obiettivi come equità, manutenibilità, privacy, robustezza,
sicurezza, protezione e trasparenza.
Le Linee Guida RAI vanno oltre la compliance. Costituiscono una risorsa strategica per allineare le
pratiche di intelligenza artificiale ai valori aziendali e alle aspettative della società.
L’intelligenza artificiale responsabile richiede inoltre l’inclusione delle parti interessate durante tutto il
Stabilire chiare competenze decisionali e responsabilità tra questi ruoli è fondamentale per una gestione efficace
Nelle organizzazioni più grandi con iniziative di intelligenza artificiale complesse, potrebbero esserci
ruoli aggiuntivi oltre a quelli sopra menzionati, che possono essere fondamentali per eseguire con
successo progetti di intelligenza artificiale.
Inoltre, ruoli essenziali come sviluppatori ML, architetti di dati e software, ingegneri ML, ingegneri di
dati, steward dei dati e progettisti di intelligenza artificiale svolgono funzioni cruciali
nell'implementazione di modelli di machine learning, nella costruzione e nella supervisione
dell'infrastruttura dei dati, nel mantenimento della governance dei dati e nella creazione di esperienze utente. .
Sebbene gli sviluppatori di ML e gli sviluppatori di software siano parte integrante di quasi tutti i progetti
interni di ML, ruoli come Data Steward e AI Designer potrebbero non essere comunemente presenti nei
team più piccoli.
In generale, nelle organizzazioni o nei progetti più piccoli, la struttura dei team AI può essere più compatta,
con alcuni ruoli combinati o ricoperti da un minor numero di persone. Le dimensioni e la
complessità del progetto o dell’organizzazione in genere determinano il grado di specializzazione
necessaria nel team di intelligenza artificiale.
La solida base per lo sviluppo della strategia di intelligenza artificiale è una comprensione approfondita
degli obiettivi generali e delle sfide specifiche della tua organizzazione. Dai uno sguardo critico agli
indicatori chiave di prestazione (KPI) e alle metriche di successo della tua organizzazione.
Se la tua organizzazione non ha ancora stabilito i KPI, è essenziale iniziare a svilupparli. Questo
passaggio fondamentale getta le basi per identificare i casi d’uso dell’IA che possono affrontare
efficacemente sfide specifiche, sfruttare potenziali opportunità o generare risparmi sui costi.
È fondamentale tenere presente che una strategia di intelligenza artificiale non dovrebbe mai
esistere isolatamente, ma dovrebbe essere centrale nella strategia aziendale complessiva.
Stabilisci come regola l'obiettivo preciso di cui ha bisogno qualsiasi progetto di intelligenza
artificiale per aiutare la tua organizzazione a raggiungere risultati aziendali tangibili e misurabili.
di intelligenza artificiale.
Alcuni casi d'uso generali di AI/ML in varie funzioni aziendali includono l'automazione delle
attività di dati e analisi, l'assistenza clienti tramite chatbot e sistemi di chiamata basati sulla NLP,
operazioni tramite l'automazione dei processi robotici, vantaggi di marketing derivanti dall'analisi
del deep learning, utilizzo dell'intelligenza artificiale per lo sviluppo di lead in vendite o l’utilizzo
dell’intelligenza artificiale nelle risorse umane per migliorare le revisioni del profilo dei candidati e i
sondaggi sulla soddisfazione dei dipendenti.
Nel settore sanitario, l’intelligenza artificiale facilita diagnosi più rapide attraverso analisi
predittive in tempo reale, amplia l’accesso ai servizi e accelera la scoperta di farmaci e la
ricerca clinica.
L’ascesa dei veicoli elettrici e autonomi vede l’intelligenza artificiale contribuire alla
percezione del veicolo, all’assistenza alla guida e alla manutenzione predittiva.
Nella finanza, l’intelligenza artificiale aiuta nel rilevamento delle frodi, automatizza la
fatturazione e migliora la ricerca sugli investimenti, con conseguente aumento della
soddisfazione del cliente e offerte di servizi diversificati.
Le organizzazioni devono intraprendere un processo completo di scoperta dei casi d’uso per
sfruttare il potere di trasformazione dell’intelligenza artificiale.
Ciò implica imparare da esempi del mondo reale, condurre ricerche di mercato, analizzare i
concorrenti ed esplorare casi di studio. Esplorando i casi d’uso, le organizzazioni possono
imparare da strategie comprovate che offrono un prezioso modello per implementare l’intelligenza
artificiale in modo efficace nel loro contesto.
Esempi concreti di successo fungono da punto di riferimento per valutare una strategia di
intelligenza artificiale, garantendo che sia in linea con le migliori pratiche del settore e che sia impostata per il success
Incoraggiare il contributo di diverse parti interessate a tutti i livelli, implementare metodi per mitigare
il pensiero di gruppo e creare un ambiente in cui le idee innovative e non convenzionali
siano benvenute.
Prendi in considerazione l'utilizzo di tecniche come l'invio anonimo di idee per evitare pregiudizi
e garantire che durante l'ideazione venga presa in considerazione un'ampia gamma di prospettive
processi.
Gli esempi del mondo reale fanno luce anche sulle potenziali sfide e insidie che potrebbero
sorgere durante l’implementazione dell’intelligenza artificiale, consentendo alle organizzazioni
di gestire questi rischi in modo proattivo.
Quando è possibile anticipare e affrontare gli ostacoli sulla base delle esperienze
del mondo reale, si riduce significativamente la probabilità di costosi contrattempi e si
garantisce un percorso di adozione dell'intelligenza artificiale più agevole.
Durante la fase di scoperta dei casi d'uso nell'intelligenza artificiale, è essenziale tenere a mente i
KPI per identificare e dare priorità ai casi d'uso in linea con obiettivi strategici e criteri di
successo misurabili.
L'integrazione dei KPI nel processo di scoperta dei casi d'uso garantisce un approccio
mirato e orientato agli obiettivi, facilitando la selezione di applicazioni IA in grado di fornire valore
tangibile e avere un impatto positivo sulle prestazioni complessive dell'organizzazione.
Oltre ai KPI, altri fattori importanti sono i rischi, l’allineamento strategico e la fattibilità.
Prima della valutazione finale, la scoperta dei casi d’uso dovrebbe essere aperta e iniziare
sempre pensando all’utente del futuro sistema di intelligenza artificiale. La progettazione
incentrata sull'utente può essere uno strumento prezioso per guidare la ricerca e la selezione dei casi d'uso.
Impegnarsi in un sano dibattito all’interno del team di livello C e del team in generale
per discutere e determinare quali attività vale la pena perseguire e quali
quelli no.
Una volta stabilite le basi, è possibile iniziare a identificare un insieme compatto di utilizzo
casi.
È importante ricordare che non è una questione di quantità di casi d'uso, ma piuttosto di
qualità e allineamento con gli obiettivi aziendali generali. Questi casi d'uso dovrebbero
affrontare obiettivi, sfide e contesto unici del tuo settore.
Dopo aver identificato i casi d'uso dell'IA, sviluppa un piano di implementazione dettagliato. Questo
piano dovrebbe includere una sequenza temporale, l'allocazione delle risorse e gli indicatori chiave di
prestazione (KPI) per misurare il successo.
Non tutti i casi d'uso sono uguali in termini di potenziale impatto aziendale.
La definizione delle priorità degli obiettivi aziendali consente alle organizzazioni di allocare risorse e
concentrare i propri sforzi sui progetti di intelligenza artificiale più promettenti che sono strettamente
allineati ai propri obiettivi aziendali.
Puoi applicare un sistema di punteggio a questi criteri in modo che la tua organizzazione possa
successivamente valutare oggettivamente il potenziale ritorno sull'investimento (ROI) per ciascun caso d'uso.
In questo caso è fondamentale riconoscere la necessità di ridimensionare i casi d’uso
dell’IA per realizzare sostanziali ritorni sugli investimenti.
Quindi, determina a quali casi d'uso dell'intelligenza artificiale dovrebbe essere assegnata la
priorità in base al loro potenziale di fornire un valore significativo agli obiettivi organizzativi più
rilevanti.
Questo approccio mira a garantire che l’organizzazione investirà solo in progetti di intelligenza
artificiale che non sono solo tecnologicamente fattibili ma anche strategicamente vantaggiosi
e finanziariamente solidi.
Per i team più piccoli con risorse limitate è consigliabile adottare fin dall’inizio
una strategia più concentrata.
Ciò comporta la riduzione del numero di casi d’uso dell’IA a sole 2-3 opportunità
prima di passare alle fasi successive di analisi di fattibilità, valutazione del rischio
AI e Proof of Concept (PoC).
Questo approccio consente un utilizzo più efficiente delle risorse e una maggiore
probabilità di successo dell’implementazione.
Le vittorie rapide implicano l’ottimizzazione di semplici punti di contatto, spesso utilizzando il machine learning
I progetti a lungo termine mirano a ridefinire interi processi, come l’automazione di interi flussi di
lavoro.
8. Analisi di fattibilità
L’esecuzione di un’analisi di fattibilità completa è un elemento centrale della strategia AI.
Un’analisi di fattibilità:
Valuta in modo completo questi fattori per accertare l’efficacia e la fattibilità di un progetto
di intelligenza artificiale proposto.
Questa analisi include l’esame della disponibilità dei dati, dell’infrastruttura tecnologica e
dei potenziali ostacoli all’implementazione, garantendo che l’iniziativa di intelligenza artificiale
sia fattibile su più dimensioni.
Molti progetti di intelligenza artificiale non vanno oltre la fase pilota a causa
di carenze nel processo di analisi di fattibilità.
Un’analisi insufficiente può portare all’avanzamento dei progetti senza una chiara
comprensione della loro praticità, portando a problemi nelle fasi successive,
perdita di risorse e fallimenti del progetto.
La base dei casi d'uso di AI/ML di successo risiede in dati di alta qualità. L'analisi
di fattibilità valuta se i dati necessari sono accessibili e di qualità sufficiente per
supportare il caso d'uso.
Ciò include la valutazione delle origini dati, del volume e della pertinenza.
La preparazione dei dati rappresenta una sfida significativa, con l'AI Readiness Index 2023 di
Cisco affermando che più della metà delle organizzazioni attualmente hanno una preparazione dei
dati limitata o assente.
Un altro problema è la centralizzazione dei dati e i silos di dati che limitano il potenziale, aumentano
i rischi per la sicurezza e aggiungono complessità all’accuratezza dei dati.
Identificare eventuali lacune nei dati che potrebbero dover essere colmate.
Le lacune nei dati comprendono dati mancanti, disparità di dati e interpretazioni errate.
Affronta i dati mancanti identificando le lacune con strumenti come sondaggi, monitoraggio online
e analisi.
La preparazione vera e propria dei dati avviene nella Proof of Concept (PoC) e nelle fasi successive.
Nelle fasi PoC e implementazione , gli ingegneri e gli scienziati dei dati devono pulire,
preelaborare e trasformare i dati per la formazione e l'inferenza.
Capacità tecniche
L'analisi di fattibilità esamina l'infrastruttura e gli strumenti per valutare la preparazione
tecnica della tua organizzazione per l'intelligenza artificiale.
Requisiti di risorse
I requisiti in termini di risorse nell'analisi di fattibilità comprendono l'identificazione delle
competenze umane necessarie, dei costi potenziali e della disponibilità di personale
qualificato per un'implementazione di successo.
Consultare esperti legali per verificare se il caso d'uso proposto e le fonti di dati che coinvolge
sono fattibili anche a questo proposito. Le decisioni strategiche in questa fase influiscono
sulla credibilità e sul successo del sistema di intelligenza artificiale.
IA responsabile ed etica
L’integrazione dei principi dell’IA responsabile in uno studio di fattibilità implica la valutazione
dei potenziali progetti di intelligenza artificiale rispetto ai principali standard etici.
Ciò include l’esame degli aspetti di governance dell’IA come privacy, responsabilità,
verificabilità, robustezza, sicurezza, trasparenza, spiegabilità, equità, non discriminazione,
controllo umano e promozione dei valori umani.
Valutando questi fattori, uno studio di fattibilità può garantire che l’iniziativa sull’intelligenza
artificiale sia in linea con le pratiche etiche e i valori sociali, affrontando i potenziali rischi e gli impatti
sociali.
Quantificare la fattibilità aiuterà a dare priorità ai casi d’uso, garantendo che le risorse
siano allocate ai progetti con la massima probabilità di successo.
Aiuta inoltre a identificare potenziali rischi e sfide che potrebbero dover essere affrontati
nelle prime fasi del ciclo di vita del progetto, riducendo al minimo le interruzioni future
e le responsabilità legali.
Una volta che un progetto è ritenuto fattibile, il passo successivo è condurre una
valutazione del rischio AI per ciascun caso d'uso.
Mentre la fattibilità si concentra sulla fattibilità del progetto, la valutazione del rischio
identifica e mitiga i potenziali impatti negativi.
Questo passaggio è diventato sempre più importante a causa della crescente consapevolezza
e preoccupazione per le implicazioni etiche dell’intelligenza artificiale. La valutazione è solitamente
proporzionale al potenziale impatto del sistema di IA.
Per una valutazione del rischio AI, le organizzazioni possono seguire questi passaggi:
Come con qualsiasi valutazione del rischio, la valutazione del rischio AI dovrebbe
iniziare con considerazioni preliminari e documentazione della propensione al rischio
dell'organizzazione, idealmente basata sulla definizione di criteri per distinguere tra rischi
accettabili e non accettabili.
Per ogni caso d'uso sottoposto a una valutazione del rischio IA, l'organizzazione
identifica i rischi che possono facilitare o ostacolare il raggiungimento dei suoi obiettivi IA.
Ciò comporta una valutazione completa dei potenziali fattori che possono contribuire
positivamente o presentare ostacoli al successo della realizzazione degli obiettivi legati
all’intelligenza artificiale.
Procedendo in questo modo, l’AI Risk Assessment potrebbe rivelare rischi che portano a
ingiustizie per specifici individui o gruppi, divulgazione di dati personali, aumento dei costi,
diminuzione della soddisfazione del cliente o inefficienza operativa, evidenziando impatti negativi
sugli obiettivi dell’AI.
I risultati di queste valutazioni d’impatto vengono poi incorporati nella valutazione complessiva del
rischio AI.
Durante l'intera valutazione del rischio IA, inclusa la valutazione dell'impatto del sistema IA,
documentare accuratamente le potenziali conseguenze e la probabilità di eventi avversi
eventi.
Ciò si tradurrà in livelli di rischio riferiti al grado di potenziale danno o impatto associato a rischi
specifici.
Nella fase successiva, si dovrebbe valutare il livello di rischio, confrontando i risultati con i criteri
predefiniti e la propensione al rischio dell'organizzazione.
Per gestire in modo efficace i rischi prioritari dell’IA, l’organizzazione deve scegliere opzioni
adeguate di trattamento del rischio.
Una dichiarazione di applicabilità può essere utilizzata per delineare i controlli selezionati per
trattare i rischi dell’IA.
Giustifica l'inclusione e l'esclusione dei controlli, garantendo che siano in linea con gli
obiettivi organizzativi.
Sulla base di questa valutazione viene formulato un piano di trattamento del rischio.
Il piano di trattamento dei rischi funge da guida per affrontare i rischi IA identificati
all’interno dell’organizzazione.
6. Seguito
Sebbene sia necessario effettuare una valutazione del rischio dell’IA prima di mettere in
funzione un sistema di IA, è essenziale rivederlo e adattarlo periodicamente per riflettere i cambiamenti.
Sulla base dei risultati delle valutazioni del valore aziendale, del rischio e della fattibilità
dei progetti di intelligenza artificiale, uno o pochi casi d’uso e potenziali progetti per l’uso e
l’implementazione dell’intelligenza artificiale emergeranno naturalmente come più promettenti.
La decisione su quali casi d’uso dell’intelligenza artificiale passare alla fase successiva è
essenzialmente una decisione gestionale, generalmente presa da un consiglio o da un comitato e
dovrebbe coinvolgere le principali parti interessate come l’IT, i leader delle unità aziendali e i team di gestione de
Una volta approvato, inizia la fase di pianificazione dell'implementazione, che comprende scadenze
dettagliate, tappe fondamentali e assegnazione delle responsabilità.
Mentre un’analisi di fattibilità e una valutazione del rischio dell’IA servono come
valutazione iniziale della fattibilità dei casi d’uso dell’IA, generalmente condotte prima
dell’approvazione del progetto, una Proof of Concept (PoC) ha luogo prima
dell’implementazione su vasta scala di un progetto di intelligenza artificiale.
È progettato per convalidare la fattibilità tecnica della soluzione proposta prima di impegnarsi
nello sviluppo su vasta scala.
Nei progetti di intelligenza artificiale, un PoC è un'implementazione anticipata e di portata limitata della soluzione
di intelligenza artificiale.
Il suo obiettivo principale è fornire prove tangibili della fattibilità del concetto di intelligenza
artificiale e del suo potenziale per affrontare sfide specifiche o raggiungere obiettivi predefiniti.
Durante la fase PoC, le organizzazioni spesso utilizzano un set di dati ridotto o una
versione semplificata del modello AI per valutarne prestazioni e capacità.
Per sfruttare efficacemente i vantaggi dei PoC, le organizzazioni dovrebbero condurli per
i casi d'uso più promettenti, a cui era stata precedentemente assegnata la priorità nella
Fase 7, Dare priorità ai casi d'uso dell'intelligenza artificiale.
Lo sviluppo di PoC per questi casi d’uso selezionati implica la creazione di prototipi
su piccola scala che mostrino il valore e la fattibilità dell’applicazione dell’intelligenza
artificiale per affrontare specifiche sfide aziendali.
Questa fase è fondamentale per determinare l'efficacia e la fattibilità dei modelli e delle soluzioni
di intelligenza artificiale sviluppati durante la fase PoC .
Questo ciclo di feedback aiuta a valutare se i modelli ML forniscono i risultati attesi e soddisfano
gli obiettivi predefiniti.
raccogliere input dagli utenti finali e dalle parti interessate per perfezionare
l'esperienza utente della soluzione AI e allinearla alle aspettative degli utenti.
valutare la scalabilità della soluzione AI per garantire che possa gestire senza
problemi maggiori volumi di dati e carichi di utenti senza compromettere le
prestazioni.
Mentre uno studio di fattibilità valuta la fattibilità tecnica e un PoC convalida il concetto, un'analisi
costi-benefici approfondisce gli aspetti finanziari per valutare il potenziale ritorno
sull'investimento (ROI) per ciascun caso d'uso.
Inoltre, tiene conto dei vantaggi finanziari attesi generati dalla soluzione AI,
come aumento delle entrate, riduzione dei costi o miglioramenti
dell’efficienza operativa.
Oltre ai parametri finanziari, considera i vantaggi non finanziari, come una maggiore
soddisfazione del cliente o una migliore reputazione del marchio, che possono contribuire in
modo significativo alla proposta di valore complessiva.
Questa analisi è uno strumento vitale per valutare se i potenziali guadagni superano gli
investimenti, aiutando le organizzazioni a selezionare e dare priorità ai casi d’uso che si
allineano con i loro obiettivi strategici e offrono il valore più sostanziale.
Fase 4: implementazione
Gli ultimi passaggi nella selezione delle iniziative di intelligenza artificiale comportano
una valutazione e una scelta meticolosa tra i casi d'uso dell'IA identificati, con l'obiettivo di
concentrare le risorse su quelli che si allineano maggiormente con gli obiettivi strategici
dell'organizzazione e hanno il potenziale per fornire un valore significativo.
Il processo di individuazione e selezione dei casi d'uso non è valido per tutti; varia in base alle
dimensioni di un'organizzazione, alle risorse disponibili e agli obiettivi generali.
Nelle organizzazioni più grandi, l’ampiezza delle risorse e delle capacità spesso consente un
approccio più completo.
Questo approccio consente a queste organizzazioni di prendere decisioni basate sui dati
esplorando al contempo un’ampia gamma di possibilità.
Adottando questo metodo, i team più piccoli possono compiere progressi significativi con le loro iniziative di intelligenza
Consente loro di rimanere concentrati sugli obiettivi di maggior impatto, garantendo che i loro sforzi siano efficaci e
Questo approccio garantisce che la tabella di marcia sia allineata strategicamente e fondata
su passi pratici e realizzabili.
Una Proof of Concept (PoC) e una fase pilota vengono talvolta confuse; sono simili ma non
esattamente uguali.
Un PoC è in genere una fase iniziale per dimostrare la fattibilità pratica o il potenziale di un'idea
o di un progetto, spesso su scala ridotta e con portata limitata. Viene utilizzato per
convalidare gli aspetti tecnici e il concetto generale.
Il sistema pilota di intelligenza artificiale può anche fornire preziose informazioni sui processi
di cambiamento richiesti all’interno dell’organizzazione necessari per implementare completamente il sistema.
La fase pilota riguarda la messa a punto, l’identificazione di potenziali problemi e la valutazione delle
conseguenze operative e dell’accettazione da parte degli utenti prima
dell’implementazione su vasta scala.
Dopo la fase pilota, in cui l'efficacia e la fattibilità operativa della soluzione vengono testate su scala
limitata, l'attenzione si sposta sull'esecuzione su vasta scala.
Questo processo prevede l’implementazione della soluzione AI in modo più ampio, la sua
integrazione nei processi aziendali quotidiani e il monitoraggio attento delle sue prestazioni.
Questa fase prevede la valutazione regolare delle prestazioni del sistema di intelligenza
artificiale, l'apporto degli aggiustamenti necessari e la garanzia che continui a fornire valore in
linea con gli obiettivi in evoluzione dell'organizzazione monitorando le sue prestazioni rispetto
a parametri e KPI chiave.
È essenziale adottare un approccio dinamico nello sviluppo della strategia di intelligenza artificiale; non è uno sforzo
una tantum.
valutazione continui delle esigenze e delle opportunità in evoluzione dell'organizzazione sono fondamentali.
Questo approccio adattivo consente adeguamenti tempestivi alla strategia, garantendo l'allineamento
Man mano che il mercato si evolve e emergono nuove tecnologie, la strategia di intelligenza artificiale
Una volta stabilito un caso d'uso di machine learning di successo, il passo successivo è quello di
Allo stesso tempo, è essenziale continuare a esplorare nuovi casi d’uso e ripetere quelli esistenti per
Sviluppare un piano per migliorare sistematicamente le capacità di intelligenza artificiale della tua
organizzazione è fondamentale. Questo approccio adattivo garantisce l’utilizzo efficace delle soluzioni AI nel
La strategia aziendale principale e le capacità di intelligenza artificiale dovrebbero evolversi, con i leader
che affinano progressivamente i propri obiettivi per sfruttare attivamente l’intelligenza artificiale e il
Questo approccio agile aiuta le organizzazioni a stare al passo con i cambiamenti e garantisce che le
iniziative di intelligenza artificiale rimangano efficaci e allineate con gli obiettivi aziendali attuali e
futuri.
Queste misure comprendono protocolli di sicurezza dei dati, metodi di crittografia e controlli
di accesso. Dovrebbero essere affrontate domande sulla conformità alle normative di settore, sul
supporto per pratiche etiche di intelligenza artificiale, sulla scalabilità, sulle capacità di
integrazione, sul supporto e sulla formazione continui.
Inoltre, è essenziale valutare la gestione dei dati, il monitoraggio delle attività, le funzionalità di
gestione del flusso di lavoro, le analisi integrate e le funzionalità di reporting.
Inoltre, è fondamentale indagare sull'adattabilità della piattaforma alle mutevoli esigenze aziendali, sulla sua facilità
Casi di studio che dimostrano impatti positivi e ROI possono fornire informazioni sull'efficacia della
piattaforma.
In secondo luogo, le organizzazioni dovrebbero valutare ampiamente la facilità d'uso della piattaforma.
Solo se la piattaforma consente un accesso semplice alla gestione della strategia AI, i tuoi dipendenti
la utilizzeranno attivamente e trarranno vantaggio dai processi offerti. La soluzione SaaS dovrebbe
quindi essere dotata di un design user-friendly e fornire un onboarding utente fluido e un sistema di
guida in linea.
Come qualsiasi software, la soluzione SaaS fornirà valore solo se utilizzata regolarmente e si integra
perfettamente con i flussi di lavoro esistenti.
La valutazione del monitoraggio delle attività, delle funzionalità di gestione del flusso di lavoro
Inoltre, le richieste sui processi di aggiornamento e upgrade della piattaforma, inclusa una
tabella di marcia per gli sviluppi futuri, possono fornire informazioni sul suo impegno a
rimanere aggiornati.
Infine, comprendere la struttura dei costi e i potenziali costi aggiuntivi e cercare esempi o casi di
studio che mostrino l’impatto positivo e il ritorno sull’investimento della piattaforma possono guidare
le organizzazioni nel prendere decisioni informate sulla loro strategia di implementazione dell’intelligenza
artificiale.
collaborativa che fornisce modelli e processi tanto necessari, semplifica le attività, migliora la
Le soluzioni SaaS non solo affrontano la complessità, ma forniscono anche funzionalità essenziali per
l'assegnazione dei ruoli, la gestione delle attività, la profilazione delle competenze e la condivisione delle
conoscenze, facilitando l'implementazione responsabile dell'IA in linea con gli obiettivi organizzativi.
Le piattaforme SaaS emergono come strumenti preziosi per affrontare queste sfide e semplificare
Le piattaforme SaaS possono contribuire a raggiungere gli obiettivi RAI fornendo flussi di
Queste piattaforme facilitano l’integrazione sistematica delle Linee Guida RAI nel ciclo di vita dell’IA,
strategico delle soluzioni SaaS emerge come un approccio completo ed efficace, semplificando i processi e
Daiki Copilot, basato sul nostro LLM privato, guida gli utenti attraverso ogni fase del processo con una guida
proattiva e sensibile al contesto.
Contattaci per saperne di più su come Daiki può aiutare la tua organizzazione.
Autori
Contattaci: dai.ki
Kevin Michael Gibney, CSO
[email protected]