“Operationalizing machine learning in processes” è l’ultimo report presentato da McKinsey & Company che analizza il potenziale che il machine learning riveste per le aziende e come queste possano implementarlo al meglio per generare un valore reale e duraturo.
Molte aziende sono bloccate nella fase pilota di implementazione; potrebbero aver sviluppato alcuni casi d’uso discreti, ma fanno fatica ad applicare il machine learning in modo più ampio o sfruttare le sue forme più avanzate. La McKinsey Global Survey, ad esempio, ha scoperto che solo il 36% degli intervistati ha affermato di aver applicato gli algoritmi di machine learning dopo la fase pilota.
Dalla ricerca, inoltre, si evince che integrando il machine learning nei processi, le organizzazioni leader stanno aumentando la loro efficienza del 30%, a cui si accompagna un incremento dei ricavi dal 5% al 10 %. In un’azienda sanitaria, ad esempio un modello predittivo che classifica le richieste di risarcimento in diverse classi di rischio è stato in grado di aumentare del 30% il numero di richieste pagate automaticamente, diminuendo lo sforzo manuale di un quarto.
Inoltre, grazie all’adozione del machine learning, le organizzazioni possono sviluppare processi scalabili e resilienti capaci di generare valore negli anni a venire.
La tecnologia del machine learning e i relativi casi d’uso si stanno evolvendo rapidamente, e i leader possono essere sopraffatti dal ritmo del cambiamento. Per ridurre la complessità, le organizzazioni più avanzate stanno applicando un approccio basato su quattro fasi:
-
Creare economie di scala e di competenze, che permettano al team di implementazione di riutilizzare le conoscenze acquisite da un’iniziativa per perfezionarne un’altra, generando un vantaggio in termini di ritorno sull’investimento.
Piuttosto che cercare di applicare il machine learning ai singoli passaggi di un processo, quindi, le aziende possono progettare processi end to end più automatizzati. Questo approccio sfrutta le sinergie tra elementi come i tipi di input, protocolli di revisione, controlli, elaborazione e documentazione. Ognuno di questi elementi rappresenta potenziali casi d’uso delle soluzioni basate su machine learning. -
Valutare quali siano le competenze necessarie per il business e come sviluppare modelli di ML adeguati. I casi d’uso descritti nel primo passaggio possono guidare le decisioni sulle capacità abilità di cui la società avrà bisogno. Ad esempio, le aziende che si focalizzano sul miglioramento dei controlli, dovranno essere capaci di rilevare le anomalie. Le aziende impegnate nella migrazione sui canali digitali potrebbero concentrarsi maggiormente sull’elaborazione del linguaggio ed estrazione del testo.
Esistono 3 opzioni per sviluppare modelli di machine learning adeguati. Le aziende possono: costruire modelli interamente su misura, per soddisfare le loro esigenze; sfruttare soluzioni basate su piattaforma utilizzando approcci low-code e no-code; soluzioni di punto d’acquisto per casi specifici, l’opzione più facile e veloce ma che richiede compromessi. -
Fornire ai modelli di ML dati di qualità da analizzare e da cui imparare. Anche se un’azienda dispone di dati di alta qualità, potrebbe non essere in grado di utilizzare i dati per addestrare il modello di machine learning, in particolare durante le prime fasi di costruzione del modello stesso. Per affrontare questa sfida, alcuni leader progettano il processo in modo da poter poi far revisionare il modello di ML da una persona specializzata.
-
Standardizzare i progetti ML per favorire la loro implementazione e scalabilità all’interno dell’azienda. L’applicazione del machine learning o di qualsiasi altra tecnologia, richiede delle sperimentazioni. Quando i ricercatori fanno delle ricerche, si attengono a dei protocolli che gli permettano di ripetere gli esperimenti in caso di errori e fallimenti, così da poter giustificare e spiegare tali errori. La stessa logica dovrebbe essere applicata al machine learning. Un’organizzazione dovrebbe accumulare conoscenza anche quando gli esperimenti falliscono. Applicare una best practice come MLOps può aiutare le organizzazioni nel processo di sperimentazione. Sebbene le pratiche MLOps possano variare in modo significativo, in genere comportano un insieme di standard e passaggi ripetibili che aiutano a scalare l’implementazione del machine learning.
