Le tecniche di Intelligenza Artificiale e di Advanced Analytics non sono più riservate ad una minoranza di grandi aziende ma sono ormai alla portata di qualsiasi organizzazione, PMI con piccoli budget comprese, che possono iniziare ad integrarle nella propria realtà senza più timori reverenziali.
Passato
Se torniamo con la memoria ad una decina di anni fa, iniziare un progetto di Advanced Analytics (o, come era più di moda dire allora, Data Mining) richiedeva in genere i seguenti passi:
- selezionare e acquistare una piattaforma software proprietaria specializzata, tra le poche esistenti;
- dialogare con il vendor del software per dimensionare correttamente un server e lo storage necessari;
- acquistare e attendere l’arrivo di tale hardware per poter finalmente installare il software;
- iniziare a raccogliere laboriosamente al proprio interno i primi dati su cui avviare le analisi;
- assumere personale o consulenti esperti nell’uso della particolare piattaforma proprietaria scelta oltre che, se possibile, nella tematica di interesse.
Tutto questo, con un costo raramente inferiore ai 100K€ (escludendo il personale e l’effort organizzazionale), anche per le installazioni meno ambiziose.
A quell’epoca difficile quindi per soggetti diversi da banche, assicurazioni, telco e grandi aziende manifatturiere, poter solo concepire una sperimentazione in questi ambiti. Era praticamente impossibile per la tipica PMI italiana accedere alle opportunità di una soluzione avanzata.
Presente
Avanzando veloci ad oggi, può invece bastare:
- aprire un browser e puntarlo ad una delle tante soluzioni analitiche in cloud (quali AWS Sagemaker o Google Colaboratory);
- scegliere uno dei notebook (oggetti che integrano codice, documentazione e grafici) già messi a disposizione da queste piattaforme (o caricarne uno proprio);
- selezionare un set di dati di pubblico dominio (o caricarne uno proprio);
- avviare l’elaborazione su un hardware specializzato (ad esempio per il deep learning) e che scala automaticamente in base alle esigenze.
Tutto questo a costo zero per le prime esperienze e poi ad un costo nell’ordine di qualche migliaio di euro all’anno per un’applicazione seria in produzione; ma, soprattutto, pagando esclusivamente in base all’uso effettivo di risorse.
Oppure, se si preferisce un approccio più tradizionale, basta scaricare una delle tante piattaforme open source (quali Python, H2O o Knime), installarla su un laptop adeguato ed iniziare a lavorare sui propri dati, per passare quando necessario ad un dispiegamento in produzione su server singolo o su cluster, on-premises oppure in cloud.
In ogni caso, qualsiasi sia l’opzione preferita, tutte queste soluzioni hanno in comune la possibilità di potersi adattare perfettamente ai bisogni effettivi dell’utente, in termini di esigenze reali, maturità della sua organizzazione e capacità di spesa.
Il nuovo scenario di grande flessibilità e di accessibilità economica è finalmente ideale per le caratteristiche delle PMI: non è più necessario sostenere costi significativi ex-ante soltanto per iniziare a verificare quali benefici può offrire un’applicazione basata sul Machine Learning, nè dover ottenere l’approvazione di diverse funzioni aziendali per provare a sperimentare un’intuizione.
La nuova situazione di “democratizzazione” degli Advanced Analytics rende finalmente possibile coniugarli alle caratteristiche di creatività e problem-solving tipiche delle nostre medie aziende, aprendo la strada ad un numero crescente di nuove applicazioni.
Futuro
Detto questo, non bisogna banalizzare eccessivamente ed illudersi che, soltanto perché la semplicità di accesso è aumentata enormemente, sia altrettanto scontato riuscire ad applicare in modo proficuo queste opportunità nella propria azienda. Come ogni tecnologia, anche l’Intelligenza Artificiale è fondamentale venga governata tenendo in considerazione gli obiettivi concreti che si possono perseguire, senza farsi condizionare dal bombardamento quotidiano di notizie sugli straordinari risultati raggiunti. Partire da applicazioni specifiche e ben definite, imparare da esperienze affini e costruire progressivamente in base alle proprie esigenze reali è il percorso virtuoso da seguire.
Un altro aspetto che generalmente condiziona e limita l’applicazione delle tecnologie analitiche è la paura di non disporre delle conoscenze indispensabili e di avere difficoltà a reperire sul mercato le professionalità necessarie.
Questo timore non è del tutto infondato, visto che il fattore umano più che la tecnologia è la chiave per applicare proficuamente gli analytics; tuttavia si deve considerare che anche qui lo scenario è cambiato. Poiché la maggior parte dei nuovi sviluppi sono disponibili (anzi, in genere nascono) nel mondo open source, con uno scambio rapidissimo tra mondo accademico e implementazioni, analogamente si sviluppa la libera disponibilità di documentazione, tutorial, descrizione di esperienze reali. Non si è più vincolati ai testi quasi iniziatici forniti dai vendor ma si ha a disposizione una varietà di fonti estremamente vasta e completa.
Allo stesso modo, i giovani che escono dalle università hanno spesso avuto modo di sperimentare con passione una varietà di tecnologie abbastanza ampia e, soprattutto, sono immersi in un ecosistema fatto di incontri informali, gruppi di discussione, hackaton e competizioni che permette una buona crescita delle competenze.
Rimane fondamentale la capacità di saper integrare gli aspetti più tecnologici e scientifici con una vera comprensione dei business e delle esigenze concrete delle aziende, per poter tradurre le possibilità degli analytics in soluzioni a problemi reali, mantenendo nello stesso tempo una visione di medio-lungo periodo senza legarsi alle mode contingenti. E questa capacità nasce in genere dall’esperienza concreta unita ad un corretto approccio metodologico ma anche all’entusiasmo per le nuove opportunità che quotidianamente questo campo offre.
