L'IA non scala finché non smetti di chiamarla innovazione

La maggior parte delle aziende ha un team che si occupa di AI. Poche hanno l'AI completamente operazionalizzata. Il divario tra sperimentazione e distribuzione a livello aziendale è dove la maggior parte delle organizzazioni si blocca, passando attraverso prove di concetto che non raggiungono mai il cliente. Il cambiamento in atto riguarda la disciplina operativa per distribuire l'AI come prodotto.

Philippe Rambach è il Chief AI Officer presso Schneider Electric, leader globale nella gestione dell'energia e nell'automazione industriale. Le due attività principali dell'azienda, la tecnologia per la gestione dell'energia e l'automazione delle operazioni industriali, si concentrano sull'aiutare i clienti a essere più efficienti utilizzando meno risorse e energia a minore impatto di carbonio in edifici, fabbriche, case, data center, reti elettriche, ecc.

Schneider Electric utilizza Databricks come piattaforma chiave all'interno del suo più ampio ecosistema di dati e AI, applicando le capacità unificate di dati e AI di Databricks per ingerire ed elaborare grandi volumi di telemetria industriale, potenziare il machine learning su larga scala in ambienti multi-cloud e abilitare l'accesso ai dati in linguaggio naturale tramite Databricks Genie. Philippe ha costruito l'organizzazione AI dell'azienda da zero. Il suo team di 400 persone è equamente diviso tra l'integrazione dell'intelligenza nei prodotti rivolti ai clienti e il miglioramento delle operazioni interne su larga scala.

Dalla prospettiva di Philippe, le aziende che distribuiscono con successo l'AI su larga scala sono quelle che applicano lo stesso rigore di sviluppo del prodotto che applicherebbero a qualsiasi altra funzionalità che distribuiscono, con revisioni dei gate, gestione del portafoglio e team responsabili della produzione.

Cosa significa realmente AI-native

Aly McGue: Man mano che più organizzazioni incorporano l'AI nei loro prodotti, la linea tra un'applicazione genuinamente AI-native e un prodotto tradizionale con intelligenza sovrapposta può diventare sfumata. Come pensi a questa distinzione?

Philippe Rambach: Il punto chiave è che quando l'AI è nativa, fa completamente parte della proposta di valore dell'applicazione. Senza AI, il prodotto o non ha valore o ne perde la maggior parte. Non stiamo costruendo qualcosa sopra l'applicazione. È fondamentale per ciò che la soluzione offre.

Le esigenze dei nostri clienti non sono realmente cambiate con l'AI. Vogliono ancora risultati: migliore uptime, migliore efficienza energetica, costi energetici inferiori e maggiore resilienza. Potresti andare nella nostra base installata e dire: "Dovreste comprare questo perché è nuovo", e non sarebbero molto entusiasti. Il vero cambiamento è passare da un'aggiunta a un'AI-native, da "è super eccitante" a fornire valore fondamentale: aiutare i clienti a operare con meno energia, energia più economica ed energia più decarbonizzata. Questo deve essere al centro della soluzione, non a fianco.

Costruire per la scala, non per le prove di concetto

Aly: Hai descritto l'AI-native come fondamentale per il valore del prodotto. Cosa è stato necessario, a livello organizzativo, per renderlo reale attraverso persone, processi e piattaforme?

Philippe: Dal lato delle persone, si torna alla necessità di unire la conoscenza del dominio con la conoscenza dell'AI. Un team AI da solo costruirà cose super fantasiose che sembrano molto belle, quelle che chiamo "oggetti luccicanti", ma non necessariamente cose che aiutano veramente i clienti. Quindi, abbiamo creato un modello hub-and-spoke.

Ogni soluzione inizia con un business case di proprietà della linea di business. Quindi formiamo un team scrum nel puro senso agile con tutte le risorse necessarie per distribuire su larga scala: esperti AI, persone a contatto con i clienti, integrazione IT, sviluppatori software del business, formazione alle vendite, prezzi, ecc. Il team non si ferma quando ha dimostrato la fattibilità tecnica o consegnato una prova di concetto. Si ferma quando la soluzione è in produzione e passa alla manutenzione.

Dal lato della piattaforma, se si vuole davvero essere AI-native a tutta velocità in un'azienda come la nostra, non si possono avere migliaia di soluzioni tecniche diverse. Abbiamo istituito un team per definire e mantenere un unico set di tecnologie di base in tutta l'azienda. In qualsiasi momento, c'è una piattaforma. Databricks gioca un ruolo chiave in questo. Gestisce l'infrastruttura, i dati e il flusso dei dati, in modo che possiamo dedicare più tempo alla logica di business e al problema da risolvere piuttosto che alle difficoltà tecniche di basso livello.

La mia ferma convinzione è che le aziende dovrebbero smettere di trattare l'AI come innovazione e iniziare a trattarla come sviluppo del prodotto. Penso che questo sia il cambiamento più importante. Abbiamo un processo con revisioni dei gate proprio come qualsiasi prodotto, passando attraverso ideazione, esplorazione, incubazione, industrializzazione e operatività. Tra ogni fase, il mio omologo dal lato del business ed io decidiamo se è tecnicamente pronto, commercialmente valido e se il piano aziendale regge prima di procedere. Su base trimestrale, rivediamo l'intera roadmap e il portafoglio. Trattiamo l'AI come qualsiasi altro prodotto che distribuiamo. Questa è la differenza.

Allineare i team attorno al valore aziendale dell'AI

Aly: Con così tante parti in movimento, come mantieni allineati i team interfunzionali dal primo business case fino alla distribuzione in produzione?

Philippe: Partire dai casi d'uso e dal valore aziendale è il modo migliore per allineare le persone. Invece di discutere all'infinito su quale fornitore di tecnologia sia il migliore, partiamo dalle esigenze del cliente. In un'azienda ben gestita, è questo che muove le persone.

L'altra cosa che vorrei sottolineare è la struttura di responsabilità. In molte aziende che ho confrontato, un team costruisce una prova di concetto e un altro dovrebbe industrializzarla. Quei due team hanno obiettivi molto diversi e finiscono per essere disallineati. Nel nostro modello, lo stesso team è responsabile dell'intero percorso, dall'ideazione alla distribuzione su larga scala. Potrebbero comunque costruire una prova di concetto lungo il percorso, ma lo fanno con lo stato finale in mente. In altre organizzazioni, un gruppo può concentrarsi sulla dimostrazione di qualcosa di divertente mentre un altro ottimizza per la scalabilità. Quando un singolo team è responsabile di entrambi, quella tensione scompare.

Dal richiedere dati alla conversazione con essi

Aly: Databricks Genie offre agli utenti non tecnici un'interfaccia in linguaggio naturale per interrogare direttamente i dati. Quale cambiamento stai osservando internamente?

Philippe: Una delle sfide principali in questo momento, specialmente nelle soluzioni agenti, è come accedere alle giuste informazioni dai propri dati quando tali dati sono sempre più non strutturati. Genie è molto promettente in questo senso. Ci fa risparmiare tempo sulle attività principali comuni a molti clienti, come l'estrazione di dati da un database in linguaggio naturale.

Internamente, Genie è stato appena rilasciato, quindi è presto. Ma l'entusiasmo è enorme. Le persone sono stanche di chiedere a qualcuno di eseguire un'analisi e di ricevere un'ora o un giorno dopo qualcosa che non è esattamente ciò che volevano. La capacità di ottenere dati da soli in linguaggio naturale è un enorme miglioramento nel modo in cui lavoriamo. Dobbiamo assicurarci di ottenere un'accuratezza sufficiente e stiamo lavorando a stretto contatto con Databricks su questo. Ma il potenziale di adozione è molto forte.

Perché i modelli da soli non sono la risposta

Aly: Quando così tanti modelli potenti sono disponibili esternamente, qual è il caso per la creazione di applicazioni AI-native sui propri dati e infrastrutture?

Philippe: Utilizziamo assolutamente modelli esterni. Non sviluppiamo i nostri modelli linguistici; ne utilizziamo molti. Ma un modello da solo non è mai una soluzione completa. Ha bisogno di contesto, guardrailing, interfacce utente, a volte una combinazione di AI analitica classica con modelli linguistici di grandi dimensioni, a volte più LLM che potenziano più agenti che prendono decisioni su basi diverse. Costruiamo sistemi multi-agente in cui gli agenti a volte competono piuttosto che collaborare.

Prendi ad esempio il nostro EcoStruxure™ Microgrid Advisor. Un cliente ha alcuni edifici, forse un campus universitario, con pannelli solari e generazione eolica. Ingeriamo tutti quei dati del sito ad alta frequenza per prevedere accuratamente la produzione e la domanda di energia. Quindi l'AI ottimizza ogni 15 minuti in base alle prossime 48 ore: è meglio usare l'energia che stai producendo ora, venderla alla rete, comprarla dalla rete o immagazzinarla per domani? Non è un modello. È previsione, ottimizzazione e processo decisionale in tempo reale che lavorano insieme sui dati operativi del cliente. Vediamo riduzioni fino al 20% dei costi energetici da soluzioni come questa.

I modelli sono disponibili per tutti. Ciò che non è disponibile per tutti è la base specifica del dominio attorno alla quale li si orchestra. Hai bisogno di tutto.

Consigli per i leader che iniziano questo lavoro

Aly: Per i leader che sono all'inizio di questo lavoro, quali sono le lezioni che vorresti che più organizzazioni interiorizzassero prima di scalare l'AI?

Philippe: Primo, inizia con il business case, non con la tecnologia. Non iniziare da "c'è una nuova cosa da qualche fornitore". Inizia con ciò che devi trasformare e come l'AI può aiutare, in modo da poterti concentrare sull'impatto su larga scala.

Secondo, forma le tue persone. La trasformazione AI non avverrà se le persone non avranno quello che chiamo un rapporto adulto con l'AI. Fa cose meravigliose, ma non tutto. Non è così spaventoso come alcuni pensano. Devi educare i tuoi team su come usarla e sui suoi limiti.

Terzo, e probabilmente il più provocatorio: non dimenticare tutto ciò che sai già. Quando le persone iniziano un progetto AI, dimenticano che è prima di tutto un progetto. Dimenticano che è prima di tutto una trasformazione. La nostra azienda ha imparato per anni come gestire il cambiamento. Una grande parte di un progetto AI è proprio questo. Alcune parti necessitano di reinvenzione, ma non tutto.

Pensieri finali

La scelta più ponderata di Philippe è quella di rifiutare di trattare l'IA come qualcosa di speciale. Non nel suo potenziale, che è enorme, ma nel modo in cui dovrebbe essere gestita. Il modello hub-and-spoke, le revisioni di gate, l'insistenza su una piattaforma e la proprietà del team end-to-end. Queste non sono strategie IA. Sono strategie di prodotto applicate con lo stesso rigore che Schneider Electric applicherebbe a qualsiasi altra funzionalità che invia ai clienti.

Per i dirigenti che gestiscono ancora l'IA come una funzione di innovazione con team separati, tempistiche separate e responsabilità separate, la provocazione merita una riflessione. Le aziende che distribuiscono l'IA su larga scala non sono quelle con i prototipi più creativi. Sono quelle che hanno smesso di chiamarla innovazione e hanno iniziato a distribuirla come prodotto.

Per imparare da oltre 25 leader del settore e definire il tuo percorso per operazionalizzare l'IA, scarica “Making AI Deliver” di Economist Enterprise, supportato da Databricks.

(Questo post sul blog è stato tradotto utilizzando strumenti basati sull'intelligenza artificiale) Post originale