Algorithm Economy: le skill richieste all’AI expert

Intervista a Stefano Gatti, autore di “#AI Expert. Architetti del futuro”

Stefano Gatti
Head of Data & Analytics @Nexi

L’Intelligenza Artificiale è diventata un argomento di pubblico dominio, a dispetto del fatto che gran parte dei concetti su cui si basa non sono ancora comprensibili al grande pubblico.

Eppure, è una rivoluzione che non deve trovarci impreparati. La capacità di generare regole o algoritmi per cercare insight nei dati, combinando modelli statistici avanzati e potenza di calcolo, ci permette di sfruttare al meglio le risorse informative di cui disponiamo.

Di certo è un passaggio non facile, che comporta la revisione delle strutture organizzative esistenti e l’acquisizione di nuove competenze. Approfondiamo l’argomento con Stefano Gatti, Head of Data Analytics di Nexi e co-autore insieme ad Alessandro Giaume del recente “#AI Expert. Architetti del futuro” (Franco Angeli Editore).

 

D: Per quale motivo le organizzazioni algoritmiche del futuro dovranno essere strutturate in modo da essere antifragili ed avere competenze liquide?

R: Le aziende algoritmiche, che sono, come abbiamo scritto in #AI Expert, un’evoluzione delle aziende data-driven, hanno una parte importante del loro modello di business basato su algoritmi.

Un esempio nel presente di azienda algoritmica è Uber: il meccanismo di definizione del prezzo e l’assegnazione a uno specifico guidatore si basano infatti sui dati di geolocalizzazione di passeggeri ed autisti, sulla numerosità di richieste in un’area ma anche sulle condizioni atmosferiche e molti altri parametri. 

Tutti questi dati vengono utilizzati dagli algoritmi di Uber sia per massimizzare in tempo reale i ricavi e la profittabilità dell’azienda sia per soddisfare le esigenze degli autisti e dei passeggeri. Questo tipo di aziende per essere antifragili devono avere algoritmi che si adattano in maniera continuativa ai contesti e agli scenari del mondo esterno. 

In questo tipo di aziende la gestione degli algoritmi non è più lasciata ai soli data scientist ma per essere adattivi al cambiamento e quindi antifragili è necessario sia che le competenze di questi team di AI expert siano molto liquide sia che altre figure si affianchino ai data scientist nel team di progetto.

Come abbiamo evidenziato nel libro il tavolo virtuale dei protagonisti dei progetti che hanno a che vedere con l’Artificial Intelligence si è allargato e stanno assumento sempre più importanza altri profili come il data engineer, il data architect, il data subject expert e altri ancora.

 

D: Qual è il potenziale della tecnologia cloud per abilitare l'Intelligenza Artificiale?

R: Il cloud è un forte abilitatore e acceleratore di progetti AI driven per due motivazioni principali. La prima è legata al potenziale di innovazione che porta con sé consentendo a tutte le aziende, dalla piccola startup alla grande corporation, di poter accedere ai tools che i giganti del cloud quali Amazon, Microsoft e Google mettono loro a disposizione. 

E il punto positivo sta nell’accesso a tutte le migliorie che vengono rilasciate ogni mese, cose che sembra sempre più difficile da attivare anche nei datacenter delle aziende più grandi. In questo senso si può parlare del cloud come un fattore fortemente democratizzante per quanto riguarda l’uso dei sistemi AI-driven. 

La seconda motivazione è legata all’elasticità della potenza computazionale che il cloud mette a disposizione. Questo è tanto più importante in questi progetti perché la fase di training (allenamento) di questi algoritmi richiede molta più computazione rispetto a quella che sarà necessaria quando il progetto sarà a regime. Anche in questo senso il cloud è un abilitatore e un acceleratore soprattutto della fase di set-up.

 

D: Secondo lei quali sono le capacità e le conoscenze che dovrebbe avere una figura professionale per definirsi “AI expert”? 

R: Lo scenario è molto cambiato negli ultimi 10 anni. Quando Drew Conway nel 2010 aveva definito le skill fondamentali per fare con successo progetti di data science, li aveva individuati in conoscenze di tipo matematico e statistico, conoscenze di computer science e di dominio specifico.

Dopo quasi 10 anni, soprattutto gli insuccessi, hanno evidenziato l’importanza di altre hard skill ma soprattutto della componente più soft delle competenze. In particolare, la capacità di raccontare i progetti e la loro evoluzione all’interno dell’azienda con tutti gli stakeholder è emersa come caratteristica importante che deve essere presente all’interno di un team di AI expert. Ma anche la conoscenza degli aspetti legali e di sicurezza del dato si sta imponendo come conoscenza fondamentale non solo in fase iniziale ma anche e soprattutto lungo tutto il ciclo di vita di questi progetti.

Nel libro ci siamo anche soffermati su altri aspetti strategici perché questi progetti non si perdano all’interno degli immancabili Proof of concept ma diventino un fattore strategico di successo per traghettare ogni azienda nella sua fase “algoritmica”.