Questo articolo è apparso originariamente per conto del Consiglio Tecnologico di Forbes, una comunità di CIO, CTO e dirigenti tecnologici di classe mondiale. Leggi il post originale qui.

Quando si tratta di intelligenza artificiale (IA) e apprendimento automatico, in particolare, il modo in cui progettiamo il software sta cambiando in modo fondamentale. Gli ingegneri tradizionali non dovevano contemplare l'idea che il software avesse bisogno di "imparare" per essere utile. Abbiamo definito le "regole" che volevamo considerare, le abbiamo codificate in modo permanente nelle applicazioni in fase di sviluppo e le abbiamo rilasciate. Successivamente, le abbiamo iterate e migliorandole in un ciclo continuativo.

Questo è diverso con l'IA. Piuttosto che codificare permanentemente le regole nelle applicazioni, i prodotti di IA si basano sui dati di addestramento per funzionare. Ad esempio, quando sono state introdotte le prime applicazioni GPS, tutto è cambiato - addio mappe cartacee! Circa un decennio dopo, l'applicazione software di navigazione Waze ha ridefinito nuovamente quell'esperienza. Waze ha scoperto che aggregando i dati di tutti i loro utenti, non solo potevano dire a un utente dove andare successivamente, ma anche il modo più rapido per arrivarci e aggiornare tali raccomandazioni in tempo reale.

Man mano che diventavamo più intelligenti nello sviluppare applicazioni software, abbiamo appreso che pratiche di sviluppo come il modello a cascata non funzionano perché non tengono sufficientemente conto dell'utente nel ciclo di vita dello sviluppo del software. Alla fine, è probabile che gli utenti abbiano nuovi requisiti. Quindi, ci siamo spostati verso nuovi approcci, come quelli resi famosi in libri come The Lean Startup. Mentre le persone oggi mettono in discussione concetti come il "prodotto minimo vitale", le idee sono assolutamente corrette: Inizia piccolo e porta il tuo prodotto nelle mani degli utenti il prima possibile in modo da poter ricevere i loro feedback e migliorare il prodotto lungo il percorso.

L'IA dovrebbe essere affrontata allo stesso modo. È allettante trascorrere anni a costruire il perfetto sistema di intelligenza artificiale, addestrato da enormi quantità di set di dati perfetti. Ma non stupirti se il prodotto è completamente obsoleto e irrilevante al momento della sua introduzione nel mondo.

Forse il tuo set di dati rifletteva vecchie pratiche che non hanno più senso, o il tuo algoritmo non è mai stato esposto a un particolare idioma. O forse la persona che pensavi avrebbe usato il tuo prodotto non è chi alla fine lo utilizza. Un'IA addestrata nel vuoto può solo reagire a ciò a cui è stata esposta. Sono fermamente convinto che far uscire il tuo algoritmo, dove può imparare, adattarsi e migliorare, è la scelta giusta. Ecco perché va bene far iniziare la tua IA "sciocca".

Trova il tuo Focus

Sappiamo già che gli strumenti di IA non sono ancora in grado di sostituire le persone, e non ci aspettiamo che possano farlo in un prossimo futuro. Tienilo presente quando progetti la tua soluzione. Fai dell'utente il focus del tuo algoritmo e concentra intenzionalmente su un caso d'uso che questo utente ritiene importante.

Un esempio qui è Textio, una rete di coaching basata su IA che si concentra sull'aiutare i professionisti del talento a scrivere descrizioni di lavoro migliori. Si tratta di un compito molto specifico. Non sono concentrati nel trasformare tutti in migliori scrittori. Hanno scelto una specializzazione - le descrizioni di lavoro - e sono andati a fondo. I maggiori successi dell'IA che abbiamo visto iniziano con un compito discreto per poi espandersi. E più è concentrata la soluzione, più velocemente l'IA imparerà.

Non Mettere Il Fantasma Prima Della Macchina

Una volta che hai trovato il tuo focus, non farti troppo entusiasmare dal cambiare il mondo subito. Solo considerando le cose che devono accadere per far funzionare un sistema AI (anche uno stupido) è un processo intenso ed esaustivo che include:

• Impostare l'ambiente tecnico
• Configurare il sistema che memorizza tutti i dati di addestramento
• Configurare l'algoritmo fondamentale che addestra i dati e suggerisce indietro

Anche se il cloud ha reso più semplici questi passi, sono comunque un lavoro noioso. Ecco perché dovresti concentrare soprattutto i tuoi sforzi nell'impostare e stabilizzare i processi sopra indicati, ciò ti permetterà di procedere molto più velocemente una volta che inizi a testare il tuo prodotto con i potenziali clienti rispetto a se avessi scelto di passare la maggior parte del tempo ad addestrare i tuoi dati. Se lavori in un mondo teorico e cerchi di raccogliere dati di addestramento senza un reale input dei clienti, stai lavorando in un vuoto che ti restituirà le tue supposizioni preesistenti.

Porta Il Tuo AI Di Fronte Alle Persone

I tuoi dati di addestramento sono cruciali all'inizio del processo, ma per creare un prodotto AI che possa migliorare nel tempo, devi fare il passo verso il più grande set di dati di tutti: l'esperienza umana. E fare ciò richiede di investire nella tua user experience (UX). Più migliore è l'esperienza nell'uso della tua AI, più le persone vorranno utilizzarla, il che significa che il tuo modello raccoglierà dati molto più rapidamente.

È fondamentale collegare l'importanza dell'UX al successo della tua iniziativa AI. Purtroppo, la maggior parte delle persone non la pensa in questo modo. Si fanno prendere dall'idea di una vita migliore attraverso gli algoritmi e tendono ad assumere che l'AI riguardi la macchina. La realtà è che stai facendo tutto questo lavoro per poter accedere ai dati. Ma i dati devono provenire da qualche parte.

Il concetto fondamentale spesso dimenticato da cogliere qui è che "da qualche parte" sono le persone che utilizzano il tuo software. L'AI funziona quando la trattate come una partnership tra esseri umani e macchine. Ecco perché se non hai un buon UX, non avrai mai un buon AI. Se non inizi dicendo: "Sto creando un sistema che le persone desiderano utilizzare, che è facile da usare e che useranno spesso", allora nulla del resto conta.

Un algoritmo può sempre essere regolato. Più tempo rimane nel mondo reale, migliore diventa. È meno importante che sia brillante fin dall'inizio rispetto a trovare il problema specifico che vuoi risolvere e preparare il tuo ambiente tecnico per assorbire i dati. Alla fine, un'intelligenza artificiale intelligente è semplicemente quella che funziona.