Come trasformare l’AI in valore per il business

In un caso come questo, è probabile che sia necessario combinare più modelli e componenti per arrivare a una soluzione davvero utile per l’utente. Considerato isolatamente, il problema (e le aspettative del cliente) potrebbero non adattarsi perfettamente ai formati “data in/inference out” tipici dell’AI tradizionale o “prompt/risposta” della Generative AI. Per questo motivo, comprendere a fondo il problema di business è fondamentale: serve a scomporre quel divario, spesso percepito come una black box, in qualcosa di concreto, comprensibile e implementabile.

Non esiste una soluzione unica valida per tutti i casi, ma un approccio efficace per i progetti di AI in generale potrebbe prevedere i seguenti passaggi:

1. Comprendere e documentare le funzionalità desiderate dello strumento o sistema e le caratteristiche dell’interfaccia utente;

2. Documentare i dati disponibili;

3. Scomporre il problema in elementi che possano essere risolti con modelli di AI (ML, natural language processing, computer vision o generative AI);

4. Per gli elementi rimanenti, valutare se è possibile combinare più approcci per arrivare a una soluzione;

5. Stabilire eventuali regole che possano colmare efficacemente le lacune;

6. Se resta ancora un divario, verificare se possa essere colmato dall’intervento umano, magari supportato dalle opzioni generate dal sistema AI. In questo caso, la situazione ideale sarebbe poter apprendere o codificare i comportamenti della persona integrata nel sistema, un approccio utile anche per migliorare modelli con performance non ottimali.

Durante tutto il processo di mappatura della logica di business, è importante mantenere consapevolezza del valore che ogni elemento porta e delle risorse - economiche e di tempo - disponibili. In genere, è utile creare una value map, ovvero una mappa che distingua le attività più preziose per il business ma difficili da automatizzare da quelle che, pur essendo dispendiose in termini di tempo, possono essere automatizzate con maggiore facilità grazie all’AI.

Prendendo come esempio una soluzione di AI per l’automazione del marketing, dopo aver selezionato i casi d’uso di maggiore valore, abbiamo identificato la possibilità di costruire un modello capace di prevedere il customer churn (l’abbandono dei clienti). Si tratta di un caso tipico di applicazione dell’AI tradizionale (machine learning), ma lo stesso approccio potrebbe essere utilizzato anche se la tecnologia impiegata fosse di tipo generativo.

Senza entrare nei dettagli della costruzione del modello, supponiamo che funzioni correttamente, riuscendo a prevedere con buona precisione se un cliente è propenso ad abbandonare. È importante sottolineare che anche la valutazione delle prestazioni del modello dipende dall’applicazione di business e deve essere concordata in anticipo con gli stakeholder di riferimento.

Assumendo che gli aspetti ingegneristici siano stati affrontati con successo - come l’integrazione con i dati e l’infrastruttura esistente (uno sforzo da non sottovalutare in alcun progetto) - resta comunque fondamentale verificare che il modello generi davvero valore per il business.

Riprendendo il tema del precedente articolo, è altrettanto importante evitare di lavorare “in un vuoto”. Per garantire che il risultato finale produca l’impatto desiderato e non venga percepito come una “soluzione in cerca di un problema”, è necessario continuare a collaborare strettamente con senior stakeholder e end user. In questo caso, ad esempio, dopo aver lavorato insieme alle figure aziendali rilevanti, il modo per generare valore concreto potrebbe essere rendere i risultati del modello accessibili ai marketer, così da permettere loro di identificare e coinvolgere in modo mirato i clienti più a rischio di abbandono.

Un aspetto chiave, per chi utilizza i risultati di modelli di machine learning, è assicurarsi che l’output sia realmente utile e interpretabile. Ad esempio, se il modello fosse integrato in un’interfaccia di marketing, come sarebbe più efficace presentare i dati? Le probabilità espresse su una scala da 0,0 a 1,0 potrebbero non avere significato pratico; una classificazione in alto/medio/basso rischio oppure una lista dei top N clienti o top N% più propensi all’abbandono potrebbe invece risultare molto più utile. Come si può intuire, decisioni di questo tipo devono essere prese lungo tutto il percorso, in stretta collaborazione con gli stakeholder, per garantire che il progetto produca un risultato davvero utile.

Fornire ai marketer i risultati del modello in una forma utile e comprensibile permette di dimostrare il valore del modello e ottenere il loro consenso e coinvolgimento. Questo può aprire la strada a ulteriori automazioni o all’integrazione del modello in una soluzione end-to-end. Si tratta di un esempio concreto dei due benefici principali del lavorare a stretto contatto con utenti e stakeholder senior: non solo validare il valore della soluzione, ma anche creare un punto di controllo che può portare ad ampliare il perimetro del progetto o ad aumentare gli investimenti.

Attraverso l’esempio di un dipartimento marketing che desidera introdurre l’AI per automatizzare i propri processi, abbiamo visto come un modello di AI - in questo caso di machine learning - possa essere integrato nei processi aziendali esistenti. L’obiettivo è renderlo utile e utilizzabile dagli utenti finali, affinché possa generare valore tangibile per il business.

Nel prossimo, e ultimo, articolo, analizzeremo invece gli aspetti pratici che portano un progetto di AI dal design alla realizzazione di una soluzione operativa.