Quali priorità? Il punto di svolta dalla POC alla produzione

Spesso i clienti ci dicono che sono entusiasti di quello che potrebbero fare con i dati e l’AI, ma non sanno come farlo. O che i team tecnologici sono pronti a tutto, ma non riescono a convincere i poteri forti a fare il passo successivo. Non è che non sappiano cosa fare: potrebbero elencare una serie di iniziative o casi d'uso che trarrebbero vantaggio dalle informazioni ricavate dai loro dati o a cui potrebbero applicare l'intelligenza artificiale. Ma molte organizzazioni sembrano soffrire di paralisi istituzionale. 

Al Summit Snowflake di quest’estate, un dirigente di un’importante azienda manifatturiera ha riflettuto tristemente: “Se solo sapessimo quello che sappiamo”. In altre parole, immagina tutte le cose che potremmo fare se potessimo ricavare insight da tutti i dati che abbiamo raccolto, da tutto quello che sappiamo sui nostri clienti o sui nostri prodotti. 

Tuttavia, la sfida consiste nel sapere da dove iniziare. E la risposta sta nel lavoro preliminare: è quello che fai prima ancora di accendere lo strumento. Immagina di costruire una casa senza averla progettata. Ma prima ancora che l'architetto metta la matita sulla carta, c'è una lista dei desideri per la casa dei sogni. Come immagini la tua vita nella casa? “Beh, vorremmo approfittare della splendida vista sulla natura circostante. Per massimizzare la vista, vorremmo grandi finestre o un portico avvolgente. Vogliamo anche garantire la vivibilità della casa con un sacco di spazio, quindi non dimenticare lo spazio negli armadi.” Avendo recentemente affrontato questo processo, lo so bene. La mia lista dei desideri era lunga. 

Poi arriva la parte difficile. Hai un budget e probabilmente una serie di regole da seguire, come la normativa edilizia o le ordinanze del quartiere. I vincoli richiedono di fare scelte difficili e dare priorità a determinate funzionalità rispetto ad altre. Idealmente, è possibile iniziare da fondamenta solide e le caratteristiche chiave, aggiungendone altre in un secondo tempo. E forse dovrai imparare a fare alcune cose da solo in modo che le caratteristiche diventino progetti fai da te. Ma probabilmente alcuni di questi progetti non vedranno la luce.

Suona familiare? Forse hai costruito una casa. O forse hai creato una strategia dati e AI e hai iniziato a utilizzarla. Hai aperto le porte alle opportunità e sperimentato con una serie di progetti pilota, ma ora è il momento di stabilire cosa mantenere nel progetto finale.

Secondo un recente articolo della Harvard Business Review, l’80% dei progetti AI non arriva in produzione. Questa cifra è stata utilizzata per illustrare il fallimento. Tuttavia, uno sguardo più attento rivela che alcuni di questi progetti sono stati ignorati intenzionalmente. Il primo passo per passare dalla sperimentazione all’implementazione consiste nella selezione dei progetti o prodotti da portare avanti. Come mi ha descritto un CDO anni fa, l’obiettivo della definizione delle priorità è garantire che la vista valga la fatica.

Le idee provengono da tutti i settori dell’azienda e questo è un bene. Occorre incoraggiare la diversità di idee. AI sandbox e hackathon incoraggiano la sperimentazione. Alla fine, tuttavia, queste idee devono essere messe alla prova. Un framework di priorità rigoroso e trasparente aiuta a garantire che i progetti e i prodotti proposti siano allineati agli obiettivi aziendali e che sia realistico per il team crearli. 

La vista. Nella matrice precedente, l’asse y mostra, a grandi linee, l’allineamento con gli obiettivi aziendali strategici. È qui che si stima la “vista” potenziale. 

• L’iniziativa è allineata agli obiettivi aziendali? La priorità deve essere data a progetti o prodotti che hanno un legame diretto con obiettivi aziendali specifici. Esiste uno sponsor commerciale per l’iniziativa? I data product non forniranno valore a meno che non guidino l’azione, ovvero a meno che non siano adottati dagli utenti finali. Ciò richiede la collaborazione tra i team aziendali e i team dati e formare entrambe le parti su ciò che è necessario e ciò che è possibile fare. 

• Possono beneficiare più business unit? Molti team dati sottolineano che il riutilizzo è il requisito per assegnare priorità: il valore aumenta con l’aumento del numero di business unit che utilizzano il modello AI o il data product. Immaginiamo ad esempio che un produttore di elettronica voglia capire come vengono utilizzati i suoi dispositivi e da chi. Un data product sull’utilizzo potrebbe fornire una Customer 360 per capire quali prodotti utilizzava un cliente e una Product 360 per vedere quali clienti utilizzavano un particolare prodotto. 

• Qual è il ritorno previsto? Per prima cosa occorre identificare le metriche da misurare, idealmente in termini di valore aziendale, e fare una prima stima. La definizione delle priorità richiede un confronto concreto tra iniziative concorrenti. 

La scalata. L’asse x riflette la complessità e la fattibilità di un’iniziativa specifica per stabilire se è realizzabile in termini di risorse e rischi. È qui che si stima la “scalata” richiesta.

• I dati sono disponibili? Il requisito più critico sono i dati per addestrare il modello. I dati interni sono facilmente reperibili e accessibili? Il modello richiede la trasformazione o l’accesso ai dati non strutturati? Servono dati esterni, come quelli dei partner o di altre terze parti, per un training in grado di mitigare i rischi di bias o allucinazioni? 

• Quali competenze e strumenti sono necessari? Serve essere realistici sul fatto di avere le risorse per produrre risultati e cosa serve per raggiungerli. Un’iniziativa AI non dovrebbe sembrare un film di fantascienza. 

• Ci sono rischi o altre preoccupazioni? Per cominciare, la legge UE sull’intelligenza artificiale adotta un approccio normativo basato sul rischio e classifica i sistemi AI secondo quattro diversi livelli di rischio: inaccettabile, elevato, limitato e minimo. Una serie di strumenti può aiutare a valutare il livello di rischio e fornire indicazioni sulle normative e i requisiti applicabili. 

• Qual è il costo di creazione e distribuzione? In ultima analisi, si tratta di un business case che richiede una stima dei costi di realizzazione, distribuzione e manutenzione del modello AI nel tempo. Tali stime dovrebbero includere anche l’acquisizione di tecnologia e dati, nonché la formazione richiesta. Non si tratta solo di creare un’applicazione. 

Il risultato finale è una matrice in cui ogni potenziale prodotto o progetto può essere inserito e valutato in base alla vista prevista e alla scalata richiesta.

La matrice 2x2 produce le seguenti categorie: 

• Risultati rapidi di valore elevato: ottima vista, breve e facile scalata. Si tratta di iniziative pienamente allineate agli obiettivi strategici di business e ritenute meno complesse o altamente attuabili. 

• Non vale la pena: vista limitata, scalata impervia. Queste iniziative sono considerate più difficili e a basso valore potenziale e non ne vale necessariamente la pena. 

• Investimenti a lungo termine: ottima vista, ma scalata lunga e ripida. Si prevede che queste iniziative forniranno un valore significativo, ma sono considerate più complesse o comportano requisiti di rischio o risorse significativamente maggiori. Questi potrebbero essere suddivisi in iniziative più piccole o data product modulari che potrebbero in seguito essere aggregati per fornire l’intero valore. 

• Da esaminare più a fondo: vista limitata, ma scalata relativamente breve e facile. Queste iniziative dovrebbero fornire un certo valore (o non sarebbero proposte), ma sono meno allineate strategicamente. Tuttavia, sono ritenute molto facili da realizzare. È una possibilità, ma solo con tempo o risorse rimanenti, da qui la priorità minore.

Non è un processo opzionale. Il passaggio dalla proof of concept al prodotto/progetto comporta scelte difficili. Un framework formale di priorità garantisce che le iniziative siano valutate in modo equo e trasparente, che supportino la strategia aziendale, che le iniziative siano fattibili per l’organizzazione e che i requisiti delle risorse e i risultati attesi siano allineati.

Per scoprire di più su come i clienti Snowflake hanno completato il percorso dell’AI dall’evangelizzazione e dalla sperimentazione all’operazionalizzazione e alla trasformazione, leggi la Guida all’uso efficace dell’AI per CDO.