Get your daily dose of tech!

We Shape Your Knowledge

La strada accidentata verso l'adozione del Machine Learning

Kirey Group

  

    Machine Learningquali sono i principali ostacoli alla sua diffusione?

    Le tecnologie di Machine Learning sono incredibili: permettono di raccogliere dati per ottenere informazioni che, altrimenti, sarebbe molto più difficile recuperare.

    Nella pratica però, l'adozione dei paradigmi di Machine Learning richiede il superamento di diversi ostacoli che costituiscono le principali ragioni per cui il Machine Learning non è ancora ampiamente diffuso. Analizziamoli insieme. 

    Una base dati insufficiente 

    Nel metodo tradizionale, il programmatore scrive il codice e il computer esegue. Attraverso gli strumenti di Machine Learning, questo processo è semplificato e molto più efficiente perché si insegna al computer come comportarsi non attraverso istruzioni, ma esempi. 

    La base fondamentale di questo processo è costituita dai dati, che vengono passati al modello e ciclicamente il modello impara. Un modello di Machine Learning ben progettato è in grado di "apprendere" dai dati. I dati vengono trasformati in informazioni, e successivamente in informazioni automatizzate.  Ma se i dati a disposizione non sono sufficienti, il modello avrà prestazioni inferiori. Quindi, all’inizio del processo le domande da porsi sono: "Esiste una sufficiente base dati?" "Quanti dati possediamo?".  

    Spesso la mancanza di dati è causata dal fatto che la maggior parte delle informazioni non vengono tracciate e archiviate, ma semplicemente “buttate via” perché considerate non utili. Ciò significa che abilitare il Machine Learning significa iniziare a memorizzare informazioni utili (e se si ha bisogno di dati storici significa che l’adozione verrà posticipata). 

    Supponendo di avere i dati, la domanda successiva è "I dati di cui disponiamo sono sufficienti?". Questa è una domanda molto complicata, poiché per rispondere correttamente è necessario prima analizzare i dati attentamente. La tecnologia moderna, ad esempio, può superare la mancanza di dati sfruttando il "Transfer Learning". Un esempio è Google Auto ML, che è in grado di catalogare le immagini sulla base di pochissimi esempi: il modello non parte da zero ma è già abbastanza avanzato nel comprendere le immagini, quindi richiede pochi dati per capire la nostra attuale esigenza. 

    Dati incompleti 

    Tutte le aziende dispongono di enormi quantità di dati, ma spesso non riescono a ricavarne tutte le informazioni possibili. Questo aspetto emerge soprattutto quando vi è la necessità di risolvere un caso d'uso particolare, e si scopre di non disporre di tutte le informazioni di cui si ha bisogno. 

    Inerzia al cambiamento 

    L'innovazione è fondamentale e il Machine Learning è ancora tra le iniziative più innovative per un'azienda. Spesso, le grandi aziende o hanno già provato tecniche di ML e non sono rimaste soddisfatte, oppure sono reticenti ad adottare un paradigma di lavoro diverso perché hanno già un flusso di lavoro consolidato per aggiungere i loro obiettivi di business.  

    In questo mondo, adottare gli strumenti di Machine Learning significa essere un "early adopter" e non un “late adopter”, ma questo può fare una grande differenza per determinare la sopravvivenza o meno della propria azienda quando arriva il cigno nero (e probabilmente è già arrivato, pensando alla pandemia).

     

    Bumpy road ita

    Scarsa fiducia nei confronti della tecnologia 

    È molto difficile fidarsi di qualcosa che non si comprende appieno. Infatti, alcuni pensano ancora al Machine Learning come ad una magica scatola nera che fornisce risposte (non sempre corrette).  

    Questo è probabilmente il più grande mito: l’apprendimento automatico non è magia, ma matematica.  

    La quantificazione del ROI 

    Spesso le aziende ritengono vantaggiosa una tecnologia solo se è quantificabile e sintetizzabile in numero. Ma a volte non è così facile quantificare il ROI (Return On Investment) che deriva dall’adozione di tecnologie di Machine Learning,  Vantaggi come il time saving e la riduzione del numero di persone necessarie per svolgere una determinata azione non bastano per determinare il vero valore di una tecnologia.  

    Partendo dalle domande “Dov'è il valore?” “Cosa voglio ottenere?” è più facile definire lo scenario e quantificare il ROI.

    Gli strumenti di Machine Learning migliorano costantemente e sono sempre più intelligenti. Anche se la loro adozione richiede il superamento degli ostacoli descritti, alla fine del processo è possibile ottenere grandi risultati che giustificano l'effort. 

    We Shape Your Innovation

    Kirey Group può accompagnare la tua azienda lungo il percorso di digital transformation, offrendo uno specifico know-how nel campo dell’innovazione tecnologica, della gestione dei processi e la consulenza necessaria per realizzare le strategie di business e una vasta collezione di soluzioni IT progettate sulle esigenze di alcuni dei principali settori di mercato.

    New call-to-action

    Post correlati:

    Kirey Group collabora con Supernovae Labs per acce...

    Le due aziende esploreranno insieme nuovi percorsi per generare valore e innovazione e rispondere al...

    Bridge Consulting | Kirey Group sponsor di Master ...

    Nel corso dell’evento verrà presentata l’edizione 2021-2022 del Master Big Data and Social Mining de...

    Kirey Group al webinar “Sistemi di intelligenza ar...

    Il webinar è stata una occasione per riflettere sul ruolo dell’AI nella operatività dei marketplace ...