Massimizzare i vantaggi dei dati e dell'intelligenza artificiale

Dayle Hall:  

Salve e benvenuti al nostro ultimo podcast per Automating the Enterprise. Sono il vostro ospite, Dayle Hall, CMO di SnapLogic. Questo podcast è stato progettato per fornire alle organizzazioni le intuizioni e le best practice su come integrare, automatizzare e trasformare l'azienda.

Il nostro ospite di oggi è uno stimato leader nel campo dei dati e dell'analisi. Infatti, nel 2021 è stato riconosciuto come uno dei cinque migliori leader di analisi in Australia. La sua missione e la sua dedizione sono sempre state quelle di contribuire a plasmare il futuro dell'Australia attraverso l'uso responsabile di dati e analisi. Diamo il benvenuto al podcast al dottor Alex Antic, amministratore delegato del Dr. Alex Antic Group. Alex, benvenuto al podcast.

Alex Antic:

Grazie, Dayle. È un piacere assoluto parlare con lei oggi.

Dayle Hall:

Già. Prima di iniziare, Alex, credo che sarebbe interessante per i nostri lettori, perché non sono sicuro che le persone siano pienamente consapevoli di ciò che fate laggiù e del gruppo, quindi perché non iniziare con un po' di background sulla vostra organizzazione, su ciò che fate, su dove lavorate e su come siete arrivati a focalizzare la vostra carriera in questo settore.

Alex Antic:  

Certo. Gestisco un'attività di consulenza e formazione incentrata sulla scienza dei dati e sull'intelligenza artificiale. Lavoro con organizzazioni del settore pubblico e privato e anche con il mondo accademico. Per me è un grande divertimento poter lavorare in tutti i settori in cui ho lavorato in passato e attingere a questa esperienza per aiutare le organizzazioni ad allineare l'uso dei dati e dell'analisi per ottenere risultati strategici e creare impatto e cambiamento.

Il lavoro di consulenza può essere molto diverso tra i vari progetti, e mi piace la variabilità dei clienti con cui lavoro. Un giorno posso far parte di un comitato consultivo e parlare con i vertici aziendali, mentre il giorno dopo potrei lavorare con persone che si occupano di codifica a basso livello e cercare di ottenere da me qualche spunto per capire perché un determinato progetto non sta andando nella direzione giusta in base alla tecnologia utilizzata o ai problemi che stanno affrontando.

E per quanto riguarda il mondo accademico, essendo stato un accademico in passato, credo che la vera chiave per la sopravvivenza del mondo accademico a lungo termine sia proprio l'integrazione con l'industria, il settore pubblico e privato nel suo complesso, per cercare di fare in modo che entrambe le parti possano lavorare insieme. A volte ho visto questo fallimento. Ho visto che i diversi incentivi da entrambe le parti rendono tutto molto difficile. È quindi un vero piacere poter cercare di fare la differenza con i gruppi con cui lavoro, e questo mi piace molto.

Dayle Hall:

In termini di formazione, di studi, di inizio carriera, ha sempre avuto un interesse per i dati e l'analisi o ha visto un'opportunità? Ovviamente il suo background è molto tecnologico, come ha iniziato?

Alex Antic:

È successo molto tempo fa. E vorrei poter dire di aver avuto un'intuizione magica. Fondamentalmente, fin dalla tenera età, ho avuto un vero interesse per la matematica e per la sua capacità di cercare di dare un senso al mondo attraverso il pensiero logico, utilizzando varie tecniche quantitative e la risoluzione di problemi. E proprio mentre i computer stavano diventando mainstream e la norma nella nostra vita quotidiana, ho pensato che studiare matematica e informatica all'università sarebbe stato vantaggioso e anche divertente. Non sapevo esattamente quanto sarebbe diventato vantaggioso in termini di scienza dei dati e intelligenza artificiale. È questo che mi ha spinto a passare dalla matematica e dall'informatica alla matematica pura e alla matematica applicata, per poi passare alla scienza dei dati.

Il passaggio alla scienza dei dati, che oggi conosciamo come scienza dei dati, è stato del tutto naturale, dato che si basava su tutta la formazione che avevo già acquisito in matematica, statistica e codifica. E poi, col tempo, ho sviluppato la passione di condividere queste conoscenze con gli altri. E li ho aiutati a fare la differenza usando i loro dati e le loro analisi, che oggi stanno diventando molto più accessibili alle persone.

Dayle Hall:

Sì. Come lei, anch'io penso che l'ingresso in questo settore sia avvenuto molto tempo fa. Beh, come lei, anch'io sento che entrare in questo settore è stato molto tempo fa. Ma se mi guardo indietro e penso a quando si inizia a parlare di big data e si guarda a ciò che abbiamo oggi intorno all'analisi predittiva e all'industria del data warehousing cloud e così via, è davvero incredibile come i dati siano diventati una parte centrale di quasi tutto. E quello che mi interessa davvero, come ha detto prima, sono le organizzazioni in cui lavora, come l'istruzione, il settore pubblico e quello privato. Le persone hanno processi di pensiero simili su come utilizzare l'analisi dei dati. Ovviamente le sfide sono diverse, lo capisco. Ma le persone guardano al problema e dicono: "Vogliamo fare di più con i nostri dati, ma non sappiamo da dove cominciare"? Le sfide sono simili? O sono molto diverse nei tre diversi settori dell'istruzione, del pubblico e del privato?

Alex Antic:

Ottima domanda. Penso che, in poche parole, ci siano molti punti in comune. Ci sono molte delle stesse sfide affrontate dalle persone che cercano di capire: siamo seduti su questo grande mucchio di dati e abbiamo alcuni risultati strategici specifici a cui miriamo, come possiamo effettivamente passare dall'ingestione e dall'archiviazione di questi dati all'analisi per poi ottenere un risultato che ci aiuti a prendere decisioni migliori. Alcuni pensano che renderà più facile il processo decisionale. Non credo che sia necessariamente così. Penso che l'utilizzo di un paradigma guidato dai dati aiuti davvero a prendere decisioni migliori, ammesso che si sia fatto tutto nel miglior modo possibile.

Quindi penso che ci siano molte sfide comuni e molte insidie ed errori comuni che le persone fanno lungo il percorso. Sì, possiamo discuterne alcuni. Ma in realtà si tratta di capire come allineare fondamentalmente ciò che sto facendo nell'ambito dell'analisi dei dati agli obiettivi strategici della mia organizzazione. Quando questo si rompe, penso che sia il momento in cui le persone possono avere problemi, quando se ne allontanano. Si lasciano prendere troppo dal clamore e dalla tecnologia in sé, invece di pensarla come un mezzo per raggiungere un fine.

Dayle Hall:

E quante delle organizzazioni con cui lavorate hanno diversi tipi di progetti? Vengono da voi con la sensazione di poter fare di più? O hanno casi d'uso specifici o problemi che stanno cercando di risolvere? Ho posto questa domanda perché, nel corso di questo podcast, abbiamo incontrato diverse persone e la cosa che ho sentito di più è che il successo dell'utilizzo dell'IA per estrarre i dati e prendere decisioni migliori è di solito maggiore quando si inizia con: "Stiamo cercando di risolvere questo caso d'uso o questo problema aziendale o questa sfida". È coerente con quanto ha sentito dire? E consigliate alle aziende di pensarci prima?

Alex Antic:  

Al 100%, il successo in questo campo dipende dalla comprensione del problema aziendale e dalla determinazione se i dati e/o l'analisi fanno parte della soluzione o se la politica e le persone sono qualcosa di diverso. Spesso si confonde tutto insieme, quindi a volte mi sembra di occuparmi di politica dei dati invece che di scienza dei dati. Quindi sì, sono completamente d'accordo con questa affermazione.

Se qualcuno viene da me, un cliente viene da me e mi dice: "Ecco i miei dati, cosa mi puoi dire? A quel punto mi rivolgo a loro e dico: dobbiamo parlarne, più che altro per fare un lavoro educativo e cercare di aiutarvi a capire cosa sono e cosa non sono la scienza dei dati e l'IA. E parliamo dei vostri problemi aziendali. Non parlatemi di soluzioni e dati. Voglio solo sentire quali sono i vostri problemi e poi possiamo approfondire se i dati e la tecnologia che avete a disposizione vi aiutano davvero a risolverli o se dobbiamo ripensare quello che state facendo, perché sono molto agnostico rispetto alla tecnologia che uso. Si tratta di sviluppare soluzioni su misura per il cliente, a seconda di ciò a cui ha accesso o che vuole potenzialmente acquistare, e di collaborare con altre organizzazioni per offrire il miglior valore possibile. Il tutto è guidato da problemi di business. Non si deve mai pensare ai dati e alla tecnologia separatamente o da soli. Non si può pensare a tutto questo in modo isolato.

Dayle Hall:

Qualcuno dei settori di cui parla è più avanti? Si potrebbe pensare che a volte le aziende tecnologiche o i consulenti siano più avanti perché sono più abituati a trattare con nuovi software e a introdurre processi diversi. Ma ritiene che l'istruzione sia avanzata anche nel governo perché, potenzialmente, hanno o vogliono spendere più fondi per questo? Qualcuno di loro è più avanti degli altri nell'utilizzo di questo tipo di dati e di analisi?

Alex Antic:

Sì e no, dipende da cosa si intende per avanguardia. Se utilizzano i dati e l'analisi per risolvere i loro problemi specifici, allora penso che siano in prima linea, ovviamente. Ognuno di loro affronterà sfide diverse e sarà guidato da incentivi diversi. Per quanto riguarda il governo, si tratta di una questione di bene sociale. Hanno quadri e politiche rigorose all'interno delle quali devono lavorare, il che può rendere le cose un po' più lente e difficili. Ma questo è comprensibile, dato che come cittadini del governo abbiamo grandi aspettative in termini di dati da condividere e di utilizzo degli stessi. E ci sono regolamenti e legislazioni rigorose che coprono questo aspetto. E anche cose semplici, relativamente semplici, come la condivisione di informazioni da parte di diverse agenzie e dipartimenti per fornire servizi e valore all'utente, possono essere davvero difficili.

Il settore privato, se si pensa al Big Bang, le grandi aziende tecnologiche, Facebook, Apple e così via, da un punto di vista tecnico sono probabilmente più avanti di tutti gli altri, grazie alla grande quantità di dati a cui hanno accesso. Quindi possono fare cose come l'apprendimento profondo su scala, mentre per molte organizzazioni l'apprendimento profondo non è in prima linea. Non hanno abbastanza dati o non ne hanno davvero bisogno, a volte. Sono proprio le soluzioni semplici che possono fornire un grande valore. Si tratta di automatizzare e migliorare i processi, aumentando l'efficienza. Credo che molte organizzazioni si trovino in questo momento nella condizione di cercare di risolvere il problema, di mettere a punto i fondamenti, di ottenere i diritti di governance dei dati, di avere le persone giuste nei ruoli giusti. È in questo senso che mi trovo ad aiutarli molto di più che non entrando in azienda e sviluppando una soluzione puramente tecnica su larga scala, cosa che mi piace molto fare, ma credo che molti clienti con cui lavoro ne abbiano meno bisogno, rispetto alla necessità di mettere le basi giuste e di aiutarli a capire come si fa ad avere successo in questo campo.

Dayle Hall:

Giusto. Allora andiamo avanti e parliamo un po' delle organizzazioni con cui avete a che fare e potenzialmente di come le consigliate. Che aspetto ha un programma o un progetto di data science sostenibile e di successo all'interno di un'organizzazione? E come consigliate a queste, direi, entità, perché ci sono aziende, università o governi, da dove consigliate loro di iniziare? Che aspetto hanno le loro organizzazioni?

Alex Antic:

Sì, ottima osservazione. Credo che una delle prime cose che vorrei che capissero è cosa sia effettivamente la scienza dei dati. C'è molta, credo, disinformazione e incomprensione in giro. Secondo la mia esperienza, molti dirigenti di alto livello non hanno necessariamente l'alfabetizzazione sui dati che vorrei vedere in molti leader di C-suite. Credo che questa sia un'area ancora emergente.

Inizialmente ho cercato di inculcare il concetto che la scienza dei dati è davvero la scienza del cambiamento. E ci sono due elementi chiave. C'è la parte scientifica, ovvero la nozione di esplorazione e incertezza. E poi c'è il cambiamento, che riguarda la trasformazione di un'organizzazione. Per questo motivo, per molte organizzazioni può essere molto impegnativo, perché si concentrano sul fatto che si tratta solo di tecnologia. Basterà acquistare un software, assumere dei data scientist e improvvisamente la magia si compirà.

In breve tempo, si rendono conto che non è così semplice, soprattutto quando si sta realizzando un progetto di cambiamento a lungo termine nella propria organizzazione, e si sta spostando l'ago della bilancia per essere veramente guidati dai dati. Quindi, per assicurarsi che il processo decisionale sia supportato da dati e analisi basati sull'evidenza, è necessario impegnarsi in un'iniziativa strategica a lungo termine, immagino, sul cambiamento trasformazionale. E questo è un altro aspetto che molti faticano a capire: non è necessariamente una cosa veloce, non è una soluzione rapida, può essere un investimento a lungo termine.

Una delle barriere, o meglio due barriere, che io chiamo le due R, in termini di aziende in difficoltà è l'avversione al rischio. Per molti versi hanno così paura di provare cose nuove e di affrontare l'incertezza che non investono nell'innovazione in senso vero e proprio. E l'altra, l'altra R, è la resistenza al cambiamento. Sono talmente bloccati nei loro vecchi metodi che, ancora una volta, è la paura a trattenerli. Non sanno come andare oltre, come cambiare la percezione sull'uso dei dati e creare la giusta cultura nelle loro organizzazioni.

Quindi, quando si tratta di cercare di consigliarli, cerco di concentrarmi su quelle che chiamo le tre "T". Fiducia, tecnologia e dialogo. La parte della fiducia riguarda le persone e la cultura. È avere, innanzitutto, la giusta leadership, ad esempio a livello di chief data officer o qualcosa di simile. Penso che nella maggior parte delle organizzazioni con cui ho lavorato, dove ho visto le cose andare molto bene o andare molto male, è stato a causa del supporto o della mancanza di supporto da parte della leadership senior, e questo può essere un vero e proprio ostacolo. Penso davvero che sia una questione di vertice. Se si spinge dal basso verso l'alto, ci si trova di fronte a un viaggio enorme. L'ho visto fallire così tante volte e ci sono passato anch'io in passato. Per questo motivo, credo che il sostegno dei leader senior sia assolutamente fondamentale per il successo in generale. E una parte di questo è rappresentata dall'avere la giusta cultura, di cui parleremo in dettaglio più avanti.

E questo dipende anche dal fatto che abbiano la giusta alfabetizzazione sui dati, che capiscano cosa sono i dati, che capiscano come porre domande ai loro collaboratori, che capiscano, almeno a livello concettuale, come sfruttare la tecnologia esistente, almeno ad alto livello, per guidare gli obiettivi strategici. E molto di questo aspetto riguarda i team interdisciplinari, non solo il tradizionale team di tecnici smanettoni seduti in un angolo a fare le loro cose. Devono essere davvero integrati nell'intera azienda ed essere consapevoli di come e cosa stanno facendo per guidare il successo strategico.

Dayle Hall:

È molto interessante. E mi piace il concetto che deve provenire da qualcuno più in alto nell'organizzazione, che si faccia carico di cose come la resistenza al cambiamento e superi l'avversione al rischio, cosa che penso sia, in generale, per qualsiasi tipo di cambiamento come questo, necessario un campione. Ne abbiamo parlato. Quando cerchiamo di chiudere gli accordi, si tratta di capire chi è il campione nella vostra organizzazione. È molto simile.

C'è una sfida culturale anche in questo? Ovviamente credo che la cultura di un'organizzazione nasca dai leader. E questa si diffonde verso il basso, le persone la recepiscono e la portano avanti. Ma non solo il leader, anche l'aspetto culturale dell'organizzazione è un fattore determinante per il successo futuro. Anche una volta che avete consigliato qualcuno, ci vuole un po' più di tempo e non è una soluzione rapida, non otterrete subito grandi risultati, ma in che modo la cultura gioca un ruolo in questo?

Alex Antic:  

Riporto la citazione di Peter Drucker, spesso citata, secondo cui la cultura si mangia la strategia a colazione. Credo che questa frase sia rilevante al 100% per il settore dei dati e dell'analisi.

Dayle Hall:

Il mio amministratore delegato lo usa probabilmente una volta al mese. Quindi questo episodio del podcast gli piacerà molto.

Alex Antic:

Mi fa piacere sentirlo, perché troppe volte ho visto organizzazioni concentrarsi sulla propria strategia. Una strategia è assolutamente fondamentale, soprattutto se si tratta di una strategia sui dati. E io chiedo sempre: avete una strategia che supporti la vostra strategia aziendale in modo da avere un rapporto simbiotico e da essere davvero intrecciati? Non parlo mai abbastanza di cultura. È un argomento che viene fuori molto raramente. A volte qualcuno viene da me e mi dice: "Sappiamo di avere una scarsa cultura dei dati, puoi aiutarci a risolverla? E questa è un'ottima conversazione. Hanno capito dove c'è un enorme collo di bottiglia e un'enorme opportunità di cambiare le cose.

Credo davvero, attraverso le esperienze che ho avuto come dipendente e come consulente, che la cultura possa fare o distruggere il successo in questo campo, non solo per quanto riguarda il modo in cui si investe e si cerca di ottenere risultati strategici attraverso la scienza dei dati e l'analitica in senso lato, ma anche in termini di attrazione e mantenimento delle persone giuste, cosa che sta diventando difficile, come vedo da molte organizzazioni in qualsiasi settore attraverso il COVID e il post-COVID, in molti modi. E credo che la cultura sia davvero l'elemento che spinge il personale a sostenere ciò che si sta cercando di fare e il modo in cui si sta cercando di fornire valore ai clienti, ai cittadini, qualunque sia il caso.

Vale la pena investire nella giusta cultura incentrata sui dati, aiutando le persone a capire come utilizzare i dati per rendere il loro lavoro più facile, più divertente e, in ultima analisi, più vantaggioso per l'azienda e l'entità organizzativa. E credo che, ancora una volta, questi due punti di cedimento, l'avversione al rischio e la resistenza al cambiamento, possano davvero far arretrare l'organizzazione perché non si rende conto di quanto sia importante l'elemento culturale. Ma ancora una volta, come si può immaginare, è uno dei più difficili da cambiare. È molto impegnativo.

Dayle Hall:

Sì, lo immagino. E come ho detto, penso che sia così... Sono sicuro che vedete entrambi i lati, sono sicuro che vedete una cultura molto forte che può essere sostenuta. E sono sicuro che vedi anche l'altro lato, come, oh, questo potrebbe essere un problema. Se vedete un'organizzazione in cui avete la sensazione che ci sarà resistenza al cambiamento o che la cultura potrebbe non essere pronta, che cosa consigliate in genere? Quali sono le cose che secondo lei potrebbero fare per prepararsi o per essere un po' più aperti?

Alex Antic:

Sì. In termini di cultura dei dati, in particolare?

Dayle Hall:

Sì.

Alex Antic:  

Per cominciare, come abbiamo detto poc'anzi, si tratta di avere una leadership di alto livello che sostenga e incarni la nozione di cultura orientata ai dati. Quindi è necessario avere il loro sostegno o cercare di cambiare la loro percezione, il che può essere impegnativo. Quindi, spesso, se c'è una certa resistenza, si tratta di fare un corso di alfabetizzazione sui dati, aiutandoli a capire che cosa sono davvero i dati, l'analisi e l'IA, e che cosa significano nel loro settore specifico, che cosa fanno alcuni dei loro colleghi, quali sono i rischi che non investono davvero in questo settore.

Perché spesso la domanda che mi pongo è: quali sono le best practice in questo campo, nel mio settore, cosa fanno i miei concorrenti, i miei colleghi, i miei collaboratori, come faccio a farlo in un modo che sia davvero adatto alla mia attività piuttosto che copiare qualcuno e investire alla cieca? Penso che domande di questo tipo spesso significhino - per me - che hanno riflettuto su questo. E stanno ponendo domande davvero intelligenti in termini di: vogliamo cambiare, come possiamo farlo?

Oltre a questo, cerco di discutere con loro, di avere una cultura che sia fondamentalmente costruita su quei concetti di innovazione e sperimentazione, la parte scientifica di cui abbiamo parlato prima, l'esplorazione, dando al personale la libertà, gli strumenti, l'accesso alle persone di cui hanno bisogno per cercare di esplorare e innovare, fondamentalmente, per esplorare nuove potenziali soluzioni a cui non avrei mai pensato integrando i loro obiettivi aziendali con la tecnologia emergente e attuale che potrebbe esistere. Potrebbero quindi lavorare con l'elaborazione del linguaggio naturale in un modo a cui non hanno mai pensato. Forse si sono resi conto di avere tutte queste note scritte a mano o informazioni testuali che non hanno mai veramente esplorato perché gli esseri umani non sono in grado di farlo. Non possono scalare in termini di tempo.

Stiamo esaminando la computer vision per risolvere altri problemi che non avevo mai preso in considerazione. In definitiva, si tratta di ciò che abbiamo sentito dire molte volte durante l'avviamento e il fallimento di anni fa: fallire velocemente, fallire in modo economico, ma anche cercare di imparare molto da questo. Credo che ci sia molto di vero in questo. È dare al personale la possibilità di provare le cose. E se non funzionano, va bene, ma non etichettatele come fallimenti. È allora che le persone diventano un po' più resistenti all'innovazione, si trattengono, non fanno tante domande, e questo è un male. Devono mettere in discussione lo status quo e chiedersi perché non è stato fatto qualcosa.

Poi si tratta di collaborare. Le persone devono collaborare. Come ho detto prima, non si può pensare che i data scientist e il personale IT siano isolati dall'azienda. Devono essere molto integrati nelle attività aziendali. Quindi bisogna essere in grado di promuovere forti relazioni di lavoro tra i diversi gruppi. La collaborazione e la diversità sono così fondamentali, credo, in questo campo, soprattutto quando parleremo in seguito di IA responsabile ed etica, che non ci si è resi conto di quanto sia importante avere diversità e inclusione in senso completo.

Poi c'è la nozione di condivisione dei dati, ma anche di condivisione delle informazioni, di ciò che ha fallito, di ciò che ha funzionato, di ciò che si è imparato. Si vuole che queste informazioni siano condivise al di là di un solo team di base. Credo che questi aspetti siano davvero fondamentali per creare la giusta cultura.

Dayle Hall:

Sì, è vero. Hai detto qualcosa di interessante sulla collaborazione. E non voglio dilungarmi sulla pandemia e sull'impatto sulla vita di tutti. Credo che tutti siano stanchi di parlare dell'impatto sulla vita di tutti. È stata una cosa importante e credo che la stiamo ancora vivendo. Penso che la vita sia molto diversa. Ma quando si parla di questo tipo di progetti e di assicurarsi che l'IT e il team di scienza dei dati collaborino con il resto dell'organizzazione, con le unità aziendali, con il team E e così via, con il team esecutivo, come ha visto il lavoro progredire o evolversi durante la pandemia? E c'è un'opportunità per noi - ha reso le cose più difficili per noi o ha aperto nuove opportunità? Perché per me la collaborazione è fondamentale. E credo che la collaborazione sia più difficile quando non si è seduti accanto a qualcuno in ufficio. Che cosa ha visto nella sua azienda e intorno a essa?

Alex Antic:

Ho visto entrambi i lati. Ho visto alcune persone lottare per non avere tanto tempo a disposizione. Credo che ci sia ancora un'aspettativa prevalente da parte dei dirigenti che, se non possono vederti lavorare, dubitano del tuo impegno come membro del personale. Ma credo che nella maggior parte delle organizzazioni i risultati parlino da soli. E molti di quelli con cui ho lavorato si sono resi conto che ci sono così tanti strumenti e capacità di collaborare in modo virtuale e online che non dovrebbero ostacolarvi e non dovrebbero far fallire la vostra attività. Si tratta di capire come si fa a sostenere il personale e a infondergli fiducia e sicurezza per svolgere il lavoro, dando però la struttura di supporto di cui ha bisogno. E questo può variare da persona a persona, gli introversi rispetto agli estroversi hanno un paradigma diverso in termini di modalità e metodologie di lavoro.

Si tratta quindi di sostenere le diverse esigenze degli individui, aiutando ogni gruppo, se vogliamo dividerlo in due gruppi separati, a sentirsi valorizzato e a sentire che le sue esigenze sono soddisfatte. E credo che oggi si possa fare molto attraverso le piattaforme virtuali per promuovere questo aspetto. Oggi è un problema meno sentito. Dopo il COVID, credo che molte organizzazioni stiano passando al part-time. E questo potrebbe essere il nostro modo di lavorare definitivo. Ma credo che sia possibile aiutare entrambi i gruppi a lavorare nel modo migliore per loro. È questo il punto centrale. E questo può variare da organizzazione a organizzazione. Non credo che sia molto più complicato di così: basta essere in sintonia con ciò di cui il personale ha bisogno per dare il meglio di sé e sostenerlo.

Dayle Hall:

Già. Data l'ampia varietà di organizzazioni con cui lavora, ha notato che l'opportunità di utilizzare dati e analisi ha aiutato le persone a essere più produttive? Ha aiutato i dipendenti ad avere più successo o a essere più soddisfatti perché hanno accesso ai dati e possono avere più successo? Perché ho parlato con... Mi sembra di essere costantemente in fase di reclutamento. Poiché ci sono così tante opportunità là fuori, credo che la guerra dei talenti si sia intensificata durante il COVID, quando sembrava che le persone non volessero trasferirsi. Credo che le persone vogliano trasferirsi. E mi chiedo se l'opportunità di avere questo tipo di dati per aiutare le persone ad avere più successo, aiuti a trattenere le persone? Le persone si trasferiranno in posti di lavoro che dispongono di dati e modelli di intelligenza artificiale migliori, perché sanno di poter avere più successo?

Alex Antic:

È una domanda fantastica, Dayle. Per cominciare, credo che l'importante sia far sì che le persone, tutto il personale, anche quelle che non lavorano ogni giorno direttamente nel settore dei dati e dell'analisi, siano entusiaste dei dati in vostro possesso come organizzazione, come entità, e di come possano essere utilizzati per ottenere un impatto e un cambiamento per voi. Credo che questo sia il fulcro del far capire alle persone cosa possono fare i dati e le analisi, cosa sono in grado di fare e come possono svolgere un ruolo, grande o piccolo che sia, a seconda del loro ruolo e delle loro responsabilità specifiche.

E una parte di essi consiste nel dare loro la libertà e la responsabilità di contribuire a trasformare i dati in intuizioni attuabili e far sì che vedano che ciò che stanno facendo è integrato nei risultati strategici più ampi. Questo, a mio avviso, è assolutamente fondamentale. E parte di questo è il concetto di democratizzazione dei dati all'interno dell'organizzazione, per farli arrivare nelle mani di tutti fino a un certo punto, a ciò di cui hanno bisogno, e per aiutarli a iniziare a pensare a come utilizzare meglio i dati per aiutare i loro ruoli e l'organizzazione in modo più diretto.

E hai ragione, attrarre e trattenere il personale chiave, soprattutto nel settore tecnologico, è molto impegnativo. Credo che stia diventando sempre più difficile. C'è una guerra di talenti. Inoltre, dato che alcune organizzazioni hanno problemi con la giusta cultura, come abbiamo detto prima, e con vari altri elementi, inizialmente può essere difficile attrarre le persone giuste. Ma una volta attratte, come si fa a mantenerle a lungo termine, qualunque cosa sia il termine al giorno d'oggi? Non lo so. Quando ho iniziato la mia carriera, si trattava di anni. Ora si misura in mesi. Non ne sono più sicuro.

Dayle Hall:

Certo, sono d'accordo.

Alex Antic:

Capisci. Penso che una parte di questo sia che il senior data leader, non necessariamente il CTO, diciamo, il data leader di medio livello, che penso sia in realtà il fulcro di molte di queste organizzazioni, è il perno perché è quello che traduce i problemi aziendali in soluzioni tecniche. In definitiva, cercano di attraversare entrambi i lati, il mondo aziendale e quello tecnico. Credo che questo sia uno dei ruoli più difficili da ricoprire. Ma se si riesce a farlo bene, credo che queste persone possano davvero fare una grande differenza.

I leader dei dati devono essere in grado di attrarre i migliori talenti e di valutare le persone. Alcuni clienti ci chiedono: "Abbiamo bisogno di data scientist e di senior leader nel campo dei dati e dell'analisi, ma noi non abbiamo un background. Non abbiamo mai lavorato e assunto. Come facciamo a sapere chi cercare? Molte persone sembrano brave sulla carta, ma, come sappiamo, alcuni si vantano un po' troppo. Quindi, come facciamo a verificare quanto sono bravi? Avere una persona di quel livello, in grado di apportare le competenze di cui si ha bisogno, credo sia assolutamente fondamentale. E mi piace sempre lavorare con i clienti quando si rendono conto di non avere le competenze necessarie per farlo, quindi abbiamo bisogno di aiuto. Credo che questo sia davvero importante, perché quando non lo capiscono bene, possono arrivare alle lacrime da entrambe le parti.

Questo senior data leader deve avere davvero, credo, una credibilità tecnologica. Se i membri dello staff cercano questa persona, hanno una sorta di presenza, hanno un background tecnologico tale da far pensare a loro stessi: "Voglio davvero lavorare con questa persona, penso di poter imparare da lei, capisce il mio mondo e quello che faccio, ha avuto un'esperienza diretta, possono aiutarmi, possono anche aiutarmi a controllare a un livello tecnico più profondo ciò che i loro collaboratori stanno facendo, possono fornire loro un orientamento professionale, un supporto tecnico e aiutarli ad allineare ciò che stanno facendo alla strategia generale dell'organizzazione, in modo che il personale si senta valorizzato.

Una cosa davvero importante che fanno e che spesso sfugge ai leader di alto livello o alle persone che non provengono da questo settore è trovare i problemi giusti da risolvere. Trovano i problemi giusti da risolvere, non problemi qualsiasi, ma problemi che abbiano un valore, un risultato strategico e che possano essere quantificati e dimostrati: guardate, avete investito in questa capacità, ecco come abbiamo sviluppato valore con voi.

E una parte di questo è la capacità di lavorare a stretto contatto con i leader aziendali e gli alti dirigenti. Devono essere in grado di comprendere il mondo del business, qualunque sia il settore in cui lavorano. E devono capire come trasformare questi problemi aziendali validi in risultati tecnici misurabili. Credo che la chiave del successo in questo campo sia proprio il livello intermedio, a cavallo tra le due parti. Sì, credo che sia assolutamente fondamentale.

Dayle Hall:

Sì. Credo che sia un punto molto... Sembra un punto secondario, ma è molto importante: trovare i problemi giusti da risolvere. E questo si ricollega ai casi d'uso e così via. Ma credo che ci siano organizzazioni - voglio dire, se avete visto l'ultimo panorama MarTech, ci sono 8.000 aziende MarTech. La maggior parte di loro probabilmente dice di fare qualche livello di IA o qualcosa di guidato dai dati. Penso che se si intende utilizzare una tecnologia o un processo, o se si intende fare di più con i dati, trovare i problemi aziendali giusti da risolvere è il primo passo giusto.

E poi ci sono persone come lei e altri, poi ci sono software e tecnologie che si possono usare per ottenere il massimo, ma bisogna sempre partire dal caso d'uso aziendale e assicurarsi che, come ha detto lei, la soluzione per la sua organizzazione sia quella giusta. E poi se c'è un leader dietro, qualcuno che capisce e che sa ispirare le persone, otterrete più successo dalle vostre iniziative.

Alex Antic:

Esattamente. E ottenere l'approvazione da parte dei dirigenti, cosa che può essere difficile e impegnativa per molte organizzazioni che hanno bisogno di finanziamenti continui per passare da una prova di concetto a una soluzione di produzione su larga scala. Quindi sì, decisamente.

Dayle Hall:

Passiamo all'ultimo argomento, che riguarda l'IA responsabile, l'etica dell'IA e così via. Mi sembra che, mentre si parla di IA da un po' di tempo, mentre si parla di utilizzo dei dati, la parte etica, credo, stia iniziando a essere discussa per le giuste ragioni. Credo che ci siano molte cose che le persone non capiscono sul significato dell'etica dell'IA e sul perché sia importante. Quindi, prima di entrare nello specifico, se dovessi descrivere a qualcuno il principio dell'IA responsabile e dell'etica dell'IA, come lo descriveresti a chi sta ascoltando questo podcast e potrebbe dire: "Oh, ne ho sentito parlare, ma cosa significa? Come lo descriverebbe?

Alex Antic:  

A dire il vero, lo farei in modo molto semplice: assicurarsi che l'uomo sia al centro della soluzione. Se state sviluppando un sistema che sfrutta la tecnologia, dovete capire quale impatto può avere sull'utente finale. Bisogna ricordare che questa tecnologia è in crescita e in scala, non c'è una sola persona che prende una decisione che riguarda un piccolo gruppo di persone, ma una soluzione che potrebbe interessare migliaia o milioni di persone. Come ci si assicura che ciò avvenga in modo etico, equo e giusto?

E poi, a seconda dell'ambito, probabilmente parlerò degli aspetti specifici che li riguardano. Ma in realtà credo che si tratti di equità o di dare a tutti, credo, una posizione paritaria nel modo in cui viene presa una decisione e di assicurarsi che abbiano il diritto di mettere in discussione alcune di queste decisioni. Hanno un certo livello di trasparenza, in modo da capire questa decisione che è stata presa su di me, ad esempio il credit scoring o qualsiasi cosa venga spesso utilizzata, come è stata presa sulla base delle informazioni che avete memorizzato su di me? E potete dimostrarmi che è stata presa una decisione giusta ed equa, piuttosto che oscurata in qualche modo? Credo che il nocciolo della questione sia proprio questo.

Dayle Hall:

Già. In uno degli altri podcast che ho fatto, ho parlato con un'organizzazione che stava valutando le risorse umane. E questo è stato uno degli aspetti che, quando hanno esaminato la tecnologia da introdurre nelle risorse umane, hanno preferito - pur comprendendo che l'IA può essere d'aiuto, se il fornitore a cui si rivolgevano non fosse stato in grado di spiegare come funziona l'algoritmo, l'IA, dove si trovano i dati, come li usano, non questa scatola nera del marketing o semplicemente magica, se non fossero stati in grado di spiegarlo, non avrebbero lavorato con quel fornitore, perché il pericolo di fidarsi semplicemente di una tecnologia per fare la cosa giusta e raccogliere i dati nel modo giusto è un rischio troppo grande in tutti i ruoli, ma in particolare nelle risorse umane. Come ha detto lei, il rischio riguarda l'individuo.

Come ci si protegge da questo? Quali sono gli aspetti a cui le organizzazioni dovrebbero pensare quando guardano a questo tipo di iniziative per assicurarsi, ad esempio, che i dati vengano raccolti nel modo giusto e che vengano utilizzati nel modo giusto? Come consigliate i vostri clienti?

Alex Antic:  

Ottima osservazione. E ci sono, credo, molti aspetti diversi di cui possiamo parlare, perché si tratta di una questione molto importante. E sono assolutamente d'accordo con la loro idea di avere un certo livello di trasparenza e di comprensione in termini di come vengono prese le decisioni.

Credo che sia importante, per i gruppi con cui lavoro, chiedersi innanzitutto: perché state raccogliendo i dati? Di quali dati avete bisogno? Per cosa userete questi dati nell'immediato? E per quali procedure si possono avere in futuro? E fondamentalmente, se siete dall'altra parte, come vi sentireste se i dati venissero usati per questi scopi? Cioè, vi sentite a vostro agio? Ci sono problemi o domande potenziali?

Alcuni gruppi con cui lavoro dicono: "Non raccogliete dati solo per il gusto di farlo", non solo per una questione etica, ma anche perché avete bisogno di dati di qualità che siano adatti allo scopo. Non si può prendere un dato qualsiasi e all'improvviso, come per magia, buttarlo in una scatola nera e ottenere una soluzione. Vedo molte idee sbagliate. Penso quindi che sia importante concentrarsi sull'acquisizione e sull'archiviazione sicura di questi dati, con linee guida etiche chiare e generali su ciò che può essere acquisito e sul motivo per cui viene acquisito e utilizzato. Inoltre, le linee guida e i quadri specifici possono dettare l'uso dei dati, ma a seconda del risultato che si sta cercando. Potrebbe trattarsi di un riscontro e di una de-identificazione dei dati per la loro condivisione. Ma tutto deve essere fatto entro i limiti della normativa e della legislazione e solo ciò che è giusto.

Ritengo quindi che sia importante per le organizzazioni pensare alla pipeline end-to-end e al ciclo di vita dei dati per capire cosa stanno raccogliendo, come li stanno archiviando, per cosa vengono utilizzati, quando vengono cancellati i dati, come si possono cancellare i dati, quali sono i metadati che sono stati raccolti e archiviati, quali sono i processi di governance dei dati. Credo che questi siano tutti aspetti importanti, piuttosto che limitarsi a raccogliere i dati e ottenere un risultato senza preoccuparsi di tutte le parti grigie ai lati. Quando si parla di uso etico e responsabile dell'IA, questi aspetti diventano assolutamente fondamentali per ottenere soluzioni responsabili.

Dayle Hall:

Giusto. E prima ha accennato a qualcosa. Hai citato una parola che oggi è ovviamente molto in voga, e voglio parlare dell'utilizzo del concetto di IA responsabile e di IA etica per proteggere dai pregiudizi. E ha parlato di diversità. Quindi, per quanto riguarda la diversità e l'IA responsabile, come si fa a proteggere, una volta che si è certi di acquisire i dati nel modo giusto, mi piace quello che hai detto sul fatto di assicurarsi che le persone capiscano perché e come stanno acquisendo i dati e come verranno utilizzati. Ma poi come ci si protegge dai pregiudizi? E che ruolo ha la diversità in questa conversazione sui pregiudizi?

Alex Antic:

Certo. E parlerò un po' delle regole che tendo a usare, ad alto livello, su come sviluppare un'intelligenza artificiale responsabile in relazione ai pregiudizi, anche in questo contesto. Prima di tutto, credo sia importante che l'organizzazione comprenda il contesto aziendale in cui opera e cosa significhi bias per loro. In genere, i pregiudizi riguardano aree che possono manifestarsi e dare luogo a risultati ingiusti. Spesso, però, molte organizzazioni non capiscono come questo si verifichi. Fa parte dei dati utilizzati per addestrare un modello di apprendimento automatico? Fa parte dei dati che si trovano in archivio? Si tratta di persone che fanno l'analisi e il processo decisionale che potrebbero avere - gli esseri umani sono prevenuti, ovviamente. Si tratta di un pregiudizio che hanno portato con sé in termini di dati che hanno scelto di raccogliere e di come li hanno analizzati?

All'inizio si tratta di capire: come possono insinuarsi i pregiudizi? Come si identificano i pregiudizi? Non si potranno mai eliminare, ma come si fa a identificarli e a lavorare con essi? E poi come definire, creare una definizione per la vostra organizzazione in termini di quanto sono parziali questi dati e come possiamo cercare di risolverli? Con cosa ci sentiamo a nostro agio? Alcune persone si rivolgeranno a me dicendo: "Gli esseri umani sono prevenuti". Se l'intelligenza artificiale riflette semplicemente i pregiudizi umani, perché è un problema? 

E credo che ci siano due aspetti molto importanti da capire. Uno è la scala. I modelli, come abbiamo detto prima, possono avere implicazioni di vasta portata. Possono rafforzare e perpetuare i pregiudizi in un modo che nessun singolo umano prevenuto potrebbe mai fare in termini di utilizzo di questa tecnologia. Ma hanno anche il potenziale per permetterci di nasconderci dietro i nostri obblighi morali e di giustificare giudizi immorali. Quindi, se il direttore di una banca dice: "Mi rendo conto che il modello che abbiamo creato era molto parziale, ad esempio, per le donne invece che per gli uomini, e cose del genere accadono spesso, o per qualche gruppo di minoranza, o altro ancora, guardate, i dati del modello, non sono io l'amministratore delegato o il capo dell'organizzazione. Non si può dare la colpa a me. Penso che sia... ovviamente, non è quello che può fare. Ecco perché ho visto persone che hanno cercato di aggirare il problema.

Quindi, anche se non possiamo eliminare completamente i pregiudizi, quello che possiamo fare è lavorare per comprenderli, identificarli e quindi ridurli in questi sistemi che possono scalare. Quindi ci sono tre cose che si possono fare, almeno ad alto livello, quelle che io chiamo le tre D. Per me si tratta di due e tre cose: dati, scoperta e diversità. Per quanto riguarda i dati, si tratta di comprenderli sia da un punto di vista tecnico sia da un punto di vista di dominio. Questo è fondamentale per capire in che modo i pregiudizi sono incorporati nei dati e se i dati che raccogliete sono equi e rappresentativi del gruppo a cui state lavorando per fornire soluzioni e valore. Si tratta di comprendere i dati in sé, in quanto le informazioni sono un widget tecnologico, ma anche il contesto aziendale più ampio: cosa fanno e cosa significano i dati e le informazioni che state raccogliendo. È ancora una volta questo il punto in cui la collaborazione tra i tecnici e gli esperti di business, che sono esperti di dominio, deve davvero lavorare insieme per capire.

Il prossimo punto D riguarda proprio la scoperta. Cioè, come si definiscono in realtà la correttezza e la parzialità? Parlando con tre aziende diverse, si passa da una definizione all'altra. Per esempio, l'equità è definita in base agli input del modello o ai suoi output? Come si definisce se il modello è corretto? Si tratta dei dati inseriti o di quelli che escono dall'altra parte delle soluzioni create? Quando ritenete che sia abbastanza corretto per distribuire un modello? Quale misura utilizzate? E per quanto riguarda la privacy dei dati, come vi assicurate che i dati raccolti siano archiviati, immagino, in modo da preservare la privacy? Il modello è spiegabile? Questo è un aspetto che emerge spesso. Prima ha parlato della trasparenza del funzionamento del modello.

Ma poi la domanda diventa - diventa molto più sfumata - spiegabile a chi? A uno sviluppatore? A qualcuno che cerca di eseguire il debug del modello? Al manager del team? All'amministratore delegato? A un revisore dei conti? Al cliente? Insomma, ci sono diversi livelli di spiegabilità. Ciò che è spiegabile per me sarà molto diverso da ciò che è spiegabile per voi. Quindi c'è sempre un compromesso tra correttezza e accuratezza, soprattutto con i modelli di apprendimento automatico che devono essere gestiti e accettati. E questa è una sfumatura che credo sfugga ad alcune persone di alto livello. Può essere molto difficile.

Per me, in definitiva, si tratta di sistemi di intelligenza artificiale che ci aiutano a prendere decisioni migliori. Ma sta a noi definire equità, moralità, privacy, trasparenza e spiegabilità. E penso che il futuro sia davvero nella collaborazione tra uomini e macchine per far progredire la società, piuttosto che nella dipendenza dalle macchine con l'IA. Si tratta di un'integrazione e di un rapporto uomo-macchina che credo sia fondamentale.

Dayle Hall:

Sì. Beh, ho l'impressione che potremmo parlare ancora a lungo. Ho la sensazione che potremmo parlare ancora a lungo. E mi piacerebbe, a un certo punto in futuro, fare un altro follow-up, magari approfondendo un po' di più i dettagli di questo argomento. Ma credo che per ora mi hai dato tanti spunti. Quello che mi piace di questi podcast, Alex, è che penso sempre alle persone che li ascoltano e penso a quali sono le cose che potrebbero portare via, quali sono le cose che hanno imparato. E parlando con te mi sento più intelligente. Quindi so che [è un buon podcast], giusto?

Alcune delle cose di cui avete parlato, a mio avviso, sono incredibilmente preziose. Assicuratevi di capire che cosa state catturando e perché dal punto di vista dei dati, pensate davvero ai pregiudizi che ci sono e assicuratevi di lavorare al loro interno, in modo che non si perpetuino. Non è possibile eliminarli, ma se li si identifica è più facile affrontarli. Mi piace l'idea di trovare un buon leader, qualcuno che faccia appassionare le persone, in particolare quando si cerca di democratizzare i dati: se le persone sono d'accordo, otterranno più valore, ma si sentiranno anche molto meglio su come li usano per attrarre e trattenere le persone. Penso che in futuro le persone vorranno rimanere o entrare a far parte di un'organizzazione perché questa dispone di un modello di dati molto solido.

Mi piace che lei abbia parlato della collaborazione tra IT, data scientist e il resto dell'organizzazione. Credo che sia fondamentale. E mi è piaciuto molto il suo concetto di politica dei dati. Non l'avevo mai sentito dire prima. Ma la politica dei dati è un concetto nuovo. Quindi non si tratta solo di scoperta e analisi dei dati, ma anche della politica che li circonda.

Ma la mia citazione preferita, e se c'è qualcosa che quando pubblichiamo questo podcast, la cosa che ne traggo, e questo sarebbe il mio titolo, è ciò che hai detto riguardo all'IA e all'etica, ovvero garantire che l'uomo sia al centro della soluzione. Penso che sia un modo eccellente di pensare all'IA, all'IA responsabile, e anche di pensare a cosa useremo i dati in futuro.

È stato un podcast straordinario. Vi ringrazio per aver partecipato. Dottor Alex Antic, grazie mille per essersi unito a noi nel podcast.

Alex Antic:

Grazie mille, Dayle. È un piacere assoluto.

Dayle Hall:

È tutto per questo episodio di Automatizzare l'impresa. Ci vediamo nella prossima puntata.