Progetti di AI e Data Science: 3 gli ostacoli più comuni

Nell’ultimo periodo le aziende si affidano molto all’Intelligenza Artificiale e ai dati per portare avanti il loro business, ma purtroppo esistono degli ostacoli comuni.
Altair, azienda operante a livello mondiale nella scienza computazionale e nell’intelligenza artificiale (AI), ha pubblicato i risultati di un’indagine internazionale che ha rivelato alti tassi di adozione e implementazione di strategie organizzative basate su dati e AI a livello globale. L’indagine ha anche rivelato che spesso il successo dei progetti di AI e Data Science è condizionato da tre principali tipologie di ostacoli: organizzativi, tecnologici e finanziari.

L’indagine indipendente condotta su oltre 2.000 professionisti in 10 Paesi e in diversi settori industriali ha evidenziato un elevato tasso di fallimento dei progetti di AI e data science (tra il 36% e il 56%) laddove sono presenti ostacoli tra i reparti organizzativi.

Le tre principali aree di ostacolo ai progetti di AI e data science

Nel complesso, l’indagine ha identificato gli ostacoli organizzativi, tecnologici e finanziari come i principali limiti al successo dei progetti di data science e AI.

Ostacoli organizzativi

L’indagine ha rilevato che le organizzazioni stanno avendo difficoltà nel coprire i ruoli di data science, e questo rappresenta una causa significativa di insuccesso.

• Il 75% dei partecipanti ha dichiarato di avere difficoltà a trovare talenti nel campo della data science.
• Il 35% ha affermato che la conoscenza e la comprensione dell’intelligenza artificiale sono basse nella maggior parte del personale.
• Il 58% ha affermato che sono la scarsità di talenti e il tempo necessario per migliorare le competenze dei dipendenti attuali il problema più diffuso nella loro strategia di adozione dell’intelligenza artificiale.

Ostacoli tecnologici

Più della metà dei partecipanti ha dichiarato che la propria organizzazione si scontra spesso con limitazioni tecniche che rallentano i progetti di data science e AI.

• Nel complesso, i partecipanti hanno dichiarato di avere difficoltà a causa della lentezza nell’elaborazione dei dati, oltre alla difficoltà nel prendere decisioni informate rapidamente e a problemi legati alla qualità dei dati.
• Quasi due terzi dei partecipanti (63%) hanno affermato che la propria organizzazione tende a complicare l’utilizzo degli strumenti di dati basati sull’intelligenza artificiale più di quanto sia necessario.
• Il 33% ha citato l’incapacità dei sistemi legacy nello sviluppare iniziative avanzate di intelligenza artificiale e di machine learning, creando problemi tecnologici ricorrenti.

Ostacoli finanziari

Nonostante il desiderio delle organizzazioni di espandere i propri progetti di data science e AI, i team e gli individui si devono interfacciare continuamente con ostacoli di tipo finanziario.

• Il 25% dei partecipanti ha citato i vincoli finanziari come punto che influisce negativamente sulle iniziative di intelligenza artificiale all’interno della propria organizzazione.
• Il 28% ha affermato che la dirigenza è troppo concentrata sui costi iniziali delle strategie per capire come gli investimenti in intelligenza artificiale e apprendimento automatico potrebbero portare benefici alla loro organizzazione.
• Il 33% ha affermato che l’”alto costo di implementazione” – che sia reale o percepito – è una delle problematiche della loro organizzazione quando si fa affidamento sugli strumenti di intelligenza artificiale per completare i progetti.

Il fallimento dei progetti di AI e data science è comune, ma prevale comunque l’ottimismo

Le organizzazioni, di diversi settori e regioni geografiche, continuano ad utilizzare l’intelligenza artificiale nonostante l’alto tasso di fallimento dei progetti di AI.

• Un partecipante su quattro ha dichiarato che più del 50% dei loro progetti di AI fallisce.
• Il 42% dei partecipanti ammette di aver sperimentato un fallimento legato all’intelligenza artificiale nei due anni precedenti; tra questi partecipanti, il tasso medio di fallimento all’interno della propria organizzazione è stato del 36%.
• Nonostante i fallimenti dei progetti, le organizzazioni continuano a utilizzare l’intelligenza artificiale perché credono che ci sia l’opportunità di migliorare le capacità o i servizi nel lungo periodo (78%) e che i successi ottenuti, anche se limitati, dimostrino il potenziale di importanti progressi a lungo termine (54%).

Molte organizzazioni faticano anche a portare a termine i loro progetti di data science:

• Il 33% dei partecipanti ha dichiarato che più della metà dei progetti di data science non è mai arrivata alla fase finale di produzione negli ultimi due anni.
• Inoltre, il 55% ha affermato che più di un terzo dei progetti di data science non è mai arrivato alla fase di produzione nei due anni precedenti.
• Un impressionante 67% ha dichiarato che più di un quarto dei progetti non è mai arrivato alla fase di produzione.

Gli ostacoli esistono ovunque

A livello globale, l’indagine ha rivelato che sia la tecnologia che la scarsità di talenti rappresentano punti critici per le organizzazioni nell’implementazione di progetti di data science e AI.

• I partecipanti delle regioni Asia-Pacifico (APAC) e Europa-Medio Oriente (EMEA) hanno riportato un maggior numero di fallimenti legati all’intelligenza artificiale negli ultimi due anni (54% e 35%) rispetto alla regione America del Nord-Sud America (AMER) (29%).
• Il 65% dei partecipanti APAC e il 61% dei partecipanti EMEA hanno concordato sul fatto che le proprie organizzazioni complicano l’uso degli strumenti di intelligenza artificiale più di quanto sia necessario.
• Il 78% dei partecipanti APAC e il 75% dei partecipanti EMEA hanno dichiarato di avere difficoltà a trovare abbastanza talenti nel campo dei dati.

Cosa intendiamo quindi con Frictionless AI?

Quando le organizzazioni raggiungono la “Frictionless AI”, l’analisi dei dati diventa una parte facile e naturale del business, con progetti semplici, ripetibili e scalabili. Non ci sono scogli tecnologici tra le organizzazioni e i loro dati; non ci sono limiti organizzativi tra gli esperti di dati e gli esperti del settore; non ci sono ostacoli nel flusso di lavoro tra la progettazione dell’applicazione dei dati e l’implementazione produttiva; e non ci sono difficoltà di migrazione quando infrastrutture o strumenti cambiano.

“Oggi le organizzazioni riconoscono l’imperativo di utilizzare i dati come una risorsa strategica per creare vantaggi competitivi“, ha dichiarato James R. Scapa, Fondatore e Amministratore Delegato di Altair. “Ma è chiaro che esistono numerosi ostacoli legati alle persone, alla tecnologia e agli investimenti che impediscono alle organizzazioni di ottenere informazioni data driven necessarie per ottenere risultati. Per raggiungere quella che noi chiamiamo ‘Frictionless AI’, le aziende devono passare a strumenti di analisi dei dati self-service che consentano anche agli utenti non tecnici di lavorare in maniera semplice ed efficace su sistemi tecnologici complessi, evitando gli ostacoli che impediscono loro di progredire“.