Ogni progetto portato a termine con successo non è solo un risultato positivo di per sé, ma anche un’opportunità per imparare come rendere i progetti successivi ancora più efficaci e realizzarli in tempi ancora più rapidi.
Quando un progetto di intelligenza artificiale ha successo, il vero valore non sta solo nel risultato in sé. Sta piuttosto in ciò che quel progetto mette in luce riguardo al divario tra il modo in cui un processo è documentato e il modo in cui viene effettivamente gestito giorno per giorno, e in ciò che colmare tale divario insegna a SnapLogic su come realizzare il prossimo progetto in modo più rapido ed efficace.
Questo articolo illustra come si svolge in pratica tale processo di apprendimento, attingendo ai modelli emersi dalle implementazioni di IA di SnapLogic in diversi settori, e si conclude con una riflessione sul significato di tali modelli per i team che stanno pianificando la propria implementazione dell'IA.
Perché la valutazione dei progetti di IA è più importante del solito
L'unico modo per valutare appieno la tecnologia è utilizzarla "sul campo", in una situazione reale. Ciò è ancora più vero nel campo dell'integrazione, che opera a cavallo tra altri sistemi, applicazioni e dati. Mentre un'applicazione autonoma viene valutata solo in base ai propri meriti, un data fabric di integrazione rappresenta il culmine di un progetto di architettura aziendale complessivo.
Il motivo per cui è importante valutare i progetti non è solo quello di aggiungere altri loghi dei clienti al proprio portfolio, ma di imparare da ciascuno di essi e migliorare i risultati nei progetti futuri. Questo processo di apprendimento è ancora più importante nel campo dell’intelligenza artificiale, dove le migliori pratiche sono ancora in rapida evoluzione e semplicemente non esistono molte conoscenze consolidate del tipo “è così che si fa” a cui fare riferimento.
Noi di SnapLogic abbiamo ottenuto numerosi successi nel campo dell’intelligenza artificiale in vari settori e ambiti, quindi vorrei illustrare alcuni fattori comuni a molti progetti di questo tipo.
Dove il processo documentato incontra quello reale
Le specificità della tecnologia e del processo aziendale variano notevolmente. Tuttavia, gli aspetti comuni ruotano tutti attorno alla necessità di garantire che ciò che è stato realizzato corrisponda effettivamente ai requisiti e aiuti gli utenti a ottenere risultati concreti.
In ogni progetto di implementazione tecnologica è necessaria una fase di accettazione da parte degli utenti, durante la quale il team di SnapLogic collabora con gli utenti finali del cliente per comprendere cosa sia necessario affinché una prima bozza di implementazione, basata sulla nostra visione esterna del processo e dei suoi obiettivi, possa effettivamente essere messa in produzione.
Con l'IA, tale processo assume un'importanza ancora maggiore, poiché possono esserci notevoli discrepanze tra le aspettative su ciò che l'IA è in grado di offrire e la realtà dell'implementazione di un progetto di IA nel complesso mondo reale.
In particolare, capita piuttosto spesso che la procedura ufficiale, quella descritta nei documenti su cui il team di progetto aveva basato il proprio lavoro, non fosse esattamente quella che gli operatori seguivano nella realtà.
5 schemi che si ripetono continuamente
Non si tratta di casi in cui si siano prese scorciatoie; non c'è alcun problema legato al mancato rispetto delle istruzioni o cose simili. Piuttosto, ciò che i nostri consulenti hanno riscontrato ripetutamente sono state situazioni in cui le persone facevano ricorso al proprio giudizio e alla propria iniziativa, in cui la realtà complessa non corrispondeva perfettamente alla logica ordinata del processo così come era stata descritta per iscritto.
1. Incoerenza nei tempi del flusso di lavoro (debito operativo)
Nel processo manuale, gli operatori avviavano abitualmente la fase primaria del flusso di lavoro prima che tutti gli aggiornamenti dei dati necessari o gli input esterni fossero pienamente disponibili nel sistema, gestendo queste lacune in modo informale man mano che procedevano. Poiché gli agenti di IA operano immediatamente, metteranno in evidenza i casi in cui i flussi di lavoro venivano eseguiti sulla base di informazioni incomplete. Le valutazioni iniziali spesso li identificavano erroneamente come “errori dello strumento”, ma un’indagine approfondita rivela solitamente che gli agenti stavano semplicemente elaborando i dati così come forniti.
2. Variazioni nella configurazione (debito di conoscenza e variazioni da parte degli utenti)
Quando si gestiscono input complessi, gli operatori umani potrebbero applicare le impostazioni di configurazione in modo non coerente, basandosi su conoscenze non documentate o sulla propria discrezionalità. Gli agenti di intelligenza artificiale segnalano queste discrepanze poiché l’automazione richiede una logica condizionale coerente. La soluzione consiste nell’implementare impostazioni predefinite standardizzate per compensare le immissioni di dati storici disordinate.
3. Variazione del formato di input (debito igienico)
I processi legacy potrebbero richiedere la gestione di informazioni critiche in formati non strutturati e non standard (come l’incorporazione di file complessi all’interno di altri documenti). In questi casi, gli operatori spesso ovviano al problema raccogliendo manualmente le informazioni — in sostanza, copiando e incollando informazioni tra documenti e sistemi. Gli agenti di intelligenza artificiale metteranno in evidenza eventuali canali di informazione non standardizzati, spesso non riuscendo a estrarre dati da strutture intrinsecamente imprevedibili senza un lavoro aggiuntivo.
4. Contraddizioni strutturali (ambiguità dei requisiti)
Poiché gli agenti di IA richiedono percorsi decisionali ben definiti basati su politiche interne, metteranno in luce tutte le aree in cui le organizzazioni non hanno ancora standardizzato appieno le proprie regole operative fondamentali. Durante i test delle soluzioni di IA basate su agenti, queste discrepanze o politiche interne vaghe o contraddittorie verranno alla luce. In questi casi, gli agenti di IA fungono semplicemente da specchio delle ambiguità delle politiche che in precedenza erano passate inosservate o erano state mascherate da processi di correzione informali.
5. Il valore di riferimento della “precisione umana” (debito di validazione)
Infine, gli stakeholder interni spesso valutano inizialmente i risultati dello strumento di automazione come di bassa qualità, insistendo su uno standard di accuratezza perfetto. Tuttavia, un’analisi più approfondita dei processi manuali preesistenti rivela spesso errori di calcolo, discrepanze tra gli utenti e problemi di integrità dei dati. In altre parole, l’automazione non crea errori, ma evidenzia i punti in cui i parametri di riferimento storici stabiliti dall’uomo potrebbero non essere perfettamente standardizzati, come abbiamo visto nelle categorie precedenti.
Consigli per il successo
Queste situazioni non sono propriamente specifiche di SnapLogic, né tantomeno dell’intelligenza artificiale. L’automazione ha sempre messo in evidenza le differenze tra il processo così come è definito e il processo così come viene eseguito dagli esseri umani. La novità introdotta dall’intelligenza artificiale risiede nella velocità di implementazione e nella portata delle possibilità offerte.
Ad esempio, in passato era praticamente impossibile gestire i dati non strutturati: quel caos di PDF, fogli di calcolo, immagini e quant’altro era diventato la “materia oscura” dell’IT aziendale. L’intelligenza artificiale permette di automatizzare questo processo, ma così facendo mette in luce tutti i casi in cui gli esseri umani avevano applicato il proprio giudizio e la propria iniziativa a situazioni complesse.
Il rovescio della medaglia è che, trattandosi di agenti basati sull’intelligenza artificiale e non di un’automazione rigida e prescrittiva, possiamo applicare quelle stesse capacità positive al processo, evitando così agli esperti di dover sprecare il loro tempo prezioso a esaminare manualmente i PDF o a copiare e incollare informazioni tra fogli di calcolo.
È così che l’automazione basata sull’intelligenza artificiale può garantire i risultati ottenuti da CCB e che anche molti altri clienti di SnapLogic stanno iniziando a ottenere.
Ci farebbe molto piacere che fossi tu il prossimo. Puoi iniziare seguendo una presentazione autoguidata del prodotto oppure prenotando una demo personalizzata con uno dei nostri esperti.
