Come rendere il Machine Learning operativo nei processi aziendali

Il Machine Learning esprime ogni giorno potenzialità incredibili, in vari ambiti applicativi; tuttavia, solo una minima parte delle aziende impegnate in un percorso di transizione 4.0 riesce oggi ad implementarlo con successo nei processi aziendali. Cosa occorre fare per rendere profittevoli le applicazioni di Machine Learning?

TAKEAWAY

  • Secondo uno studio pubblicato da McKinsey & Company soltanto il 15% delle aziende impegnate nella transizione 4.0 ha reso il Machine Learning operativo e lo ha implementato in almeno due processi aziendali; soltanto un terzo avrebbe superato la fase del progetto pilota;
  • Lo studio “Operationalizing Machine Learning in processes” propone un framework per rendere il Machine Learning operativo con una implementazione nei processi aziendali basata su quattro fasi, capaci di associare competenze tecniche e metodologiche alle effettive esigenze di business;
  • Tecniche, competenze e metodologie non bastano, se non vengono supportate da un corretto mindset all’interno delle aziende che vogliono innovare i propri processi aziendali grazie ad una cultura davvero data-centric.

Il potenziale del Machine Learning sorprende ogni giorno con nuove straordinarie applicazioni. Tuttavia, rendere il Machine Learning operativo ed introdurlo in maniera persistente e diffusa nei processi aziendali rappresenta una sfida che poche eccellenze finora sono state in grado di affrontare con successo. Perché oggi è ancora così complesso creare valore grazie alle funzionalità predittive delle tecniche di Machine Learning? Cosa frena le aziende dall’accelerazione 4.0? Cosa si potrebbe fare per muovere il primo passo?

Un tentativo di risposta a queste ricorrenti domande sull’innovazione arriva dal recente studio “Operationalizing Machine Learning in processes”, pubblicato da McKinsey & Company nel settembre 2021. Attraverso l’analisi dei suoi passi essenziali, proviamo a riassumere le dinamiche di una questione aperta, a cui i decisori aziendali, i tecnologi e i professionisti dell’innovazione dovranno iniziare quanto prima a dare risposte pratiche e convincenti.

Il Machine Learning operativo in azienda, tra barriere, ottimismo e curiosità

Il paradigma dell’industria 4.0 incentiva le aziende a modernizzare e ottimizzare i loro processi e, nel contesto dell’intelligenza artificiale, il Machine Learning figura quale una delle principali tecnologie abilitanti, in particolare per quanto concerne l’automatizzazione delle operazioni. La ragione è del resto piuttosto semplice da focalizzare: un sistema di Machine Learning è in grado di apprendere nel tempo, migliorare la propria base conoscitiva e diventare progressivamente sempre più efficiente nell’analisi dei dati.

Grazie all’implementazione del Machine Learning nei processi aziendali è infatti possibile estrarre valore informativo dalla principale risorsa digitale di cui le aziende dispongono: i dati. Tuttavia, secondo i dati riportati dallo studio “Operationalizing Machine Learning in processes“, soltanto il 15%15 delle aziende coinvolte nel survey avrebbe implementato il Machine Learning in almeno due processi. Il dato viene contestualizzato in maniera ancora più rilevante se consideriamo che soltanto il 36% è andato oltre la fase del progetto pilota.

Allo stato attuale delle cose, i numeri del problema non lascerebbero troppo spazio all’ottimismo, facendo piuttosto intuire quanta strada ci sia ancora da fare per modernizzare i processi delle aziende. I dati incoraggianti tuttavia non mancano, se consideriamo come l’introduzione delle tecniche di Machine Learning abbia contribuito ad un aumento medio di efficienza dei processi di circa il 30%, con una ricaduta positiva in termini economici variabile dal 5% al 10%, oltre agli evidenti vantaggi in termini di scalabilità e resilienza complessiva.

In definitiva, l’interesse nei confronti del Machine Learning c’è e la disponibilità ad investire inizia ad avviarsi verso scenari confortanti. Tuttavia, appare ancora difficile fare il secondo passo, indispensabile per non fermarsi al proof-of-concept e andare oltre la fase esplorativa.

Rendere il Machine Learning operativo e diffuso nei processi aziendali: un framework in quattro step

Per superare la fase di ristagno operativa cui abbiamo fatto accenno nel precedente paragrafo, lo studio “Operationalizing Machine Learning in processes” propone una linea d’azione articolata in quattro fasi, cercando un ponte strategico tra la teoria e la pratica ai fini di incoraggiare le aziende a ridisegnare i propri processi in funzione delle opportunità tecnologiche concesse dal Machine Learning.

Step 1: Creare economie di scala e di competenze in azienda

Uno dei principali limiti rilevati a livello operativo quando si parla di innovazione dei processi è dato dal fatto che, troppo spesso, le singole linee di business (LoB) agiscono in maniera isolata, modernizzando di fatto le applicazioni senza superare i silos che impediscono di scalare con successo l’operatività del processo oltre il proof-of-concept.

Occorre dunque acquisire una visione end-to-end nell’implementazione tecnologica del Machine Learning, capace di spaziare dal concept alla produzione, per riutilizzare le conoscenze acquisite da un’iniziativa per perfezionarne un’altra, generando un incoraggiante ritorno sull’investimento nel breve e medio termine, oltre ad innescare quell’effetto a catena utile a coinvolgere un numero sempre maggiore di processi.

Per incoraggiare il redesign dei processi aziendali in chiave moderna, lo studio propone l’implementazione di nove archetipi di applicazioni Machine Learning, capaci di adattarsi in maniera trasversale con risultati immediatamente tangibili: language processing, text extraction, routing, classification, ranking, decision engine, recommendation engine, anomaly detection e language generation.

Step 2: Valutare nel dettaglio le esigenze di business e scegliere metodi di sviluppo adeguati

Nei processi di trasformazione digitale e transizione tecnologica, tipici dell’industria 4.0, un elemento chiave risiede nel trovare la giusta misura di intervento, per evitare azioni la cui portata potrebbe risultare insufficiente o spropositata rispetto alle effettive esigenze operative. Alla luce di questa semplice osservazione, appare pertanto fondamentale affrontare una fase di analisi lucida e consapevole, svolta da personale dotato di competenze specifiche nella valutazione degli aspetti di business e dei processi tecnologici che vedrebbero un contributo sostanziale da parte del Machine Learning.

A livello operativo, lo studio Operationalizing Machine Learning in processes propone tre opzioni tipo, che prevedono un impegno elevato, medio o basso in termini di risorse, in funzione delle esigenze di business di ogni specifica azienda:

  • Modello Machine Learning totalmente personalizzato: costituisce l’opzione più gravosa in termini di tempi e costi e consente di risolvere in maniera specifica tutte le esigenze operative. Si rende opportuna nei casi in cui le aziende dispongano di IP di notevole valore e genera indubbi vantaggi in fatto di implementazione delle competenze interne. Consigliata per le realtà che fanno dei processi interessati dal Machine Learning un elemento fondamentale nel core business aziendale;
  • Modello Machine Learning plaftform-based: rappresenta l’opzione capace di adattarsi alla maggioranza delle situazioni operative e consiste nell’adozione di soluzioni Machine Learning presenti sul mercato, con un significativo vantaggio in termini di costi, tempi di implementazione e competenze richieste a livello interno, a fronte di una maggior complessità nel personalizzare le applicazioni qualora si rendesse necessario deviare dagli standard proposti;
  • Modello Machine Learning per una soluzione specifica: l’opzione prevede di procedere caso per caso qualora si presenti la necessità su un singolo processo, con l’obiettivo di ridurre al minimo il time to market e le competenze necessarie per procedere. I limiti di questa linea d’azione coincidono in costi elevati, soprattutto nel medio e lungo termine, oltre alla scarsa possibilità di riutilizzo delle soluzioni implementate.

Step 3: Fornire ai modelli di ML dati di qualità per il training

Il terzo aspetto su cui lo studio “Operationalizing Machine Learning in processes” si sofferma è relativo al data management ed in particolare alle questioni riguardanti la data quality. Una miglior qualità complessiva dei data set disponibili nei sistemi di sintesi dei dati agevola in maniera sostanziale sia le fasi di training del modello di Machine Learning, sia le fasi operative previste dalle attività di business intelligence e business analytics.

Le opzioni disponibili per il training di un modello di Machine Learning sono moltissime e la scelta della soluzione più opportuna dipende da una pluralità di fattori, che rimandano ancora una volta all’unicità dei singoli business. Lo studio propone un flusso articolato su tre fasi: development, user-acceptance testing e production, in cui si rileva l’opportunità di una supervisione umana nella generazione degli output necessari (human in the loop), soprattutto quando la tipologia dei dati disponibili è soggetta a particolari restrizioni relative alla privacy. In questi casi, i dati si rendono disponibili soltanto nella fase di produzione, quindi allenare il modello diventerebbe oltremodo complesso se la procedura di apprendimento fosse interamente automatizzata.

Machine Learning operativo - Le performance dipendono dai data set: abbinare il giusto set di dati alla giusta fase di produzione è fondamentale per una distribuzione di successo del Machine Learning [fonte: "Operationalizing Machine Learning in processes" - McKinsey & Company 2021]
Machine Learning operativo – Le performance dipendono dai data set: abbinare il giusto set di dati alla giusta fase di produzione è fondamentale per una distribuzione di successo del Machine Learning [fonte: “Operationalizing Machine Learning in processes” – McKinsey & Company 2021]

Step 4: Standardizzare i progetti ML per favorirne l’implementazione e la scalabilità

L’innovazione richiede sperimentazione e non concede sconti. Chiunque abbia maturato un minimo di praticità nella modellazione dei processi è perfettamente consapevole del fatto che l’investimento nella ricerca vada messo a sistema per creare dei protocolli utili a favorirne la replicazione all’interno dell’azienda. Il Machine Learning con fa eccezione ed è in grado di generare valore e conoscenza anche a fronte di un esperimento fallito, se si traggono le indicazioni utili per migliorare i cicli di apprendimento o disegnare uno scenario più aderente rispetto al contesto reale.

Per mettere a sistema la conoscenza sviluppata nella ricerca sul Machine Learning, lo studio di McKinsey suggerisce di avvalersi di metodologie come MLOps, il cui verso a DevOps prevede la combinazione di sviluppo software e operazioni IT basate su procedure agili nel loro percorso di implementazione. Tale approccio è in particolar modo caldeggiato ai fini di favorire la praticità e la concretezza, anche a dispetto di quella ridondanza strategica che in alcuni casi potrebbe dare luogo ad una certa inconcludenza.

Machine Learning Operativo - Raggiungere la scalabilità richiede un approccio standardizzato e ripetibile all'operazionalizzazione del machine learning. [fonte: "Operationalizing Machine Learning in processes" - McKinsey & Company 2021]
Machine Learning Operativo – Raggiungere la scalabilità richiede un approccio standardizzato e ripetibile all’operazionalizzazione del machine learning. [fonte: “Operationalizing Machine Learning in processes” – McKinsey & Company 2021]

Competenze e mindset per il Machine Learning operativo nei processi aziendali

Oltre alle competenze tecnologiche e metodologiche, per “operazionalizzare”, ossia rendere il Machine Learning operativo nei processi aziendali, si rende necessario anche un adeguato mindset negli attori che devono supportare il cambiamento. L’automatizzazione dei processi non può prescindere da una serie di atteggiamenti e condizioni che soltanto una solida cultura dei dati può garantire, al di là della qualità degli algoritmi utilizzati.

Gli autori dello studio ipotizzano tre mindset di riferimento attorno a cui costruire un atteggiamento utile e propositivo all’implementazione del Machine Learning nei processi aziendali:

  • Più dati, e migliori: al contrario dell’automatizzazione tradizionale, basate su regole incentrate sui processi, il Machine Learning è per natura data-centrico e pertanto è sulla quantità e sulla qualità dei set di dati utilizzati che devono essere rivolte le maggiori attenzioni.
  • Pianificare prima di agire: l’entusiasmo dell’innovazione porta spesso a strafare, avviando tante iniziative con il rischio di non concluderle o non riuscire a metterle a sistema come meriterebbero. Iniziando ad implementare gli archetipi di Machine Learning nei processi è possibile implementare una politica di casi studio di successo con la logica dei piccoli passi.
  • Pensare “end-to-end”: quando si ragiona sul processo, è essenziale mettersi nell’ottica di un re-design integrale, capace di prevedere ogni effetto su tutto il ciclo di vita, evitando di dover rifare tutto di fronte alla più banale variazione di esigenza.

Dopo tanta teoria in merito, è dunque arrivato il tempo dove il Machine Learning deve tradursi in applicazioni concrete. Le opportunità per automatizzare con successo i processi aziendali non mancano, ma è necessario pensare in maniera differente rispetto a quanto si faceva in passato, sfruttando la tecnologia per innovare in primo luogo il design delle applicazioni.

Default image
Francesco La Trofa
Da vent’anni attivo nella ricerca relativa alle tecnologie 3D, divulgatore sul tema delle applicazioni enterprise di tali tecnologie e autore di “VR Developer. Il creatore di contenuti in realtà virtuale ed aumentata” (2018), edito da Franco Angeli (vrdeveloper.info). Scrive di IT anche per il portale https://www.sergentelorusso.it/
Articles: 47