Il fatto che un'azienda abbia bisogno di intelligenza artificiale non significa che le serva solo una nuova schermata di chat. La vera domanda è quale lavoro possa essere svolto meglio. Scegliere un caso d'uso concreto, come la ricerca di documenti, la classificazione o la generazione di bozze, rende più semplice valutare il successo.
Non tutte le aziende hanno bisogno della stessa soluzione di intelligenza artificiale. Un team può avere difficoltà a classificare un gran numero di documenti, mentre un altro perde tempo a indirizzare le richieste in arrivo alla persona giusta. Il primo passo, prima di scegliere uno strumento, è capire quale di questi compiti si ripete davvero.
01Prima misuri il lavoro di oggi
Registri quante persone lavorano su un'operazione, quali passaggi si ripetono e dove si commettono più spesso errori. Generare una proposta di argomento e priorità per le richieste in arrivo, ad esempio, può essere un punto di partenza limitato e ben definito. Gestire invece l'intera relazione con il cliente senza controllo umano è un ambito molto più ampio e rischioso.
In questo primo esempio, il successo può essere misurato in base alla correttezza della proposta, alla necessità di correzione da parte del dipendente e ai tempi di elaborazione. Un quadro di questo tipo porta la decisione di investimento da aspettative generiche a un risultato concreto.
02Scegliere un compito misurabile
Invece di dire "aumentare l'efficienza", scriva quale compito verrà completato. Ad esempio, indirizzare correttamente una richiesta di assistenza al team giusto o trovare la sezione pertinente in un documento. Definisca lo stato iniziale, il risultato atteso e il punto in cui interviene l'essere umano. Automatizzare ogni attività non deve essere l'obiettivo della prima versione.
03Non ogni passaggio richiede l'intelligenza artificiale
Per un calcolo o un controllo eseguibile con una regola precisa, l'automazione tradizionale può essere più adatta. Verificare se un campo obbligatorio è compilato e interpretare una richiesta in testo libero, ad esempio, non sono lo stesso tipo di lavoro. Una buona soluzione, quando necessario, utilizza insieme questi due metodi.
Questa distinzione può ridurre i costi superflui e rendere più comprensibile il comportamento del sistema. Più che affermare che "l'AI è ovunque", conta sapere in quale passaggio e per quale motivo viene utilizzata.
04Limitare l'accesso ai dati
Il fatto che un modello possa tecnicamente raggiungere un dato non significa che possa mostrarlo a ogni utente. I permessi dei documenti di origine devono essere rispettati anche nel livello di ricerca e risposta. Valuti in anticipo quali dati verranno inviati a un fornitore esterno e a quali condizioni di conservazione. Il fatto che l'applicazione sia ospitata a Vienna non significa che ogni fornitore di AI esterno utilizzato si trovi nello stesso luogo; le condizioni sui dati di ciascun fornitore vanno verificate separatamente.
Anche documenti dispersi, descrizioni non aggiornate e informazioni contraddittorie influenzano il risultato della soluzione; quale fonte sia valida va stabilito fin dall'inizio.
05Non confondere una risposta fluida con una risposta corretta
Costruisca un set di valutazione con esempi rappresentativi e difficili. Includa anche casi di informazioni mancanti, documenti contraddittori e situazioni senza risposta. Mostrare le fonti, esprimere l'incertezza e passare, quando necessario, alla revisione umana fanno parte del comportamento del prodotto. Il Quadro di gestione del rischio AI del NIST è una risorsa di riferimento per affrontare i rischi durante lo sviluppo e l'uso.
06Definisca in anticipo l'approvazione umana e il percorso in caso di errore
L'intelligenza artificiale può produrre un risultato errato o incompleto. Un preventivo da inviare al cliente, una comunicazione esterna o una modifica importante a un dato registrato possono richiedere un passaggio di approvazione. Vanno pianificati in anticipo il fatto che un risultato a bassa affidabilità venga sottoposto a revisione, come proseguire il lavoro in caso di interruzione del servizio e la registrazione delle modifiche effettuate.
07Rendere visibili costi e fallimenti
Spieghi all'utente lo stato dei lavori lunghi o ritentati. Monitori coda, quote ed errori del fornitore; non mostri il messaggio "completato" prima che il risultato sia effettivamente pronto. Quando il modello o i dati cambiano, esegua di nuovo lo stesso set di valutazione. Un buon prodotto AI non è solo una demo d'effetto, ma uno strumento di lavoro dai limiti noti e monitorabili. Nel nostro servizio di intelligenza artificiale progettiamo le soluzioni secondo questi criteri; il ruolo della competenza umana nel processo di sviluppo lo abbiamo spiegato in un articolo dedicato.
In particolare, scegliamo prima un ambito di utilizzo con confini definiti, lo validiamo con dati di esempio e colleghiamo la soluzione risultata efficace al flusso di lavoro esistente.
08Da preparare prima di iniziare
- L'unico compito misurabile che l'intelligenza artificiale dovrà supportare
- Esempi reali di come questo compito viene svolto oggi
- I documenti e le fonti di dati da utilizzare e i relativi permessi di accesso
- I tipi di dati che non potranno essere inviati a un fornitore esterno
- Le decisioni che richiedono l'approvazione umana
- Esempi di valutazione per distinguere risposte corrette da risposte errate
Scritto da
Il team Paradigma7
Prodotto, ingegneria e operations
Siamo un team con base a Ankara che sviluppa software per l'Europa. Qui non c'è teoria: sono i processi che usiamo davvero nei progetti dei clienti.
Chi siamo