Ecco perché le aziende non hanno successo con il Machine Learning

Tradotto da Luca Cittadini dall’articolo originale di Cassie Kozyrkov

Voglio condividere un segreto: quando la gente parla di “machine learning”, si ha l’impressione che la parola indichi una sola disciplina. In realtà ce ne sono due, e se le aziende non capiscono la differenza tra le due, potrebbero doverne pagare le conseguenze.

La storia dei due machine learning

Immagina di ingaggiare uno chef per costruire un forno, o un ingegnere elettrico per cuocere il pane. Quando si parla di machine learning, questo è il tipo di errore che le aziende fanno continuamente.

Per aprire un negozio di prodotti da forno, assumere un fornaio esperto in pane e dolci è un’ottima idea. Servirà anche un forno. Nonostante sia uno strumento critico, probabilmente nessuno penserebbe di chiedere ad un bravo pasticcere di costruire un forno; perché le aziende invece commettono un errore equivalente quando si tratta di machine learning?

Il business è vendere pane o vendere forni?

Questi sono due business completamente diversi! Purtroppo troppi progetti di machine learning falliscono perché il team non ha capito se deve costruire il forno, scrivere la ricetta, o produrre il pane.

Ricerca nel campo del machine learning

Ciò che non viene detto è che tutti quei corsi e quei libri sul machine learning insegnano a costruire forni (e microonde, frullatori, tostapane, bollitori, … un fritto misto!). Non insegnano a cucinare, né a creare ricette innovative.

Chi sviluppa algoritmi per il machine learning vuole realizzare strumenti flessibili che altri possano usare (elettrodomestici, per continuare la metafora). Questa è attività di ricerca nel campo del machine learning e tipicamente si fa in posti come le università o Google.

Quando si tratta di machine learning, molte organizzazioni scelgono il business sbagliato.

Il livello di formazione che serve per lavorare in questo campo è alto, perché c’è tanto da imparare. Alcuni algoritmi famosi esistono da secoli. Per esempio, il metodo dei minimi quadrati per la regressione è stato pubblicato nel 1805. E l’umanità ne ha fatti di progressi in 200 anni.

Gli elettrodomestici di oggi sono piuttosto sofisticati… come è possibile costruire un microonde migliore senza sapere come funziona quello che c’è già? Per questo occorre tutta quella preparazione! Servono anni per diventare un ricercatore e c’è un motivo se i corsi cominciano con le basi del calcolo.

Machine learning applicato

La maggior parte delle aziende vuole semplicemente cucinare — risolvere i propri problemi di business. Non ha interesse nel vendere microonde, eppure spesso commette l’errore di tentare di costruirli da zero. Non possiamo biasimare le aziende — sia l’offerta formativa sia il circolo mediatico sono concentrati prevalentemente sulla ricerca, piuttosto che sulle applicazioni del machine learning.

Chi ha delle ricette innovative non deve reinventare la ruota. I forni a microonde esistono già e c’è l’imbarazzo della scelta per averli gratis. E se costruire la “cucina” per il machine learning sembra troppo oneroso, fornitori come Google Cloud Platform ti fanno usare la loro, completa di elettrodomestici, ingredienti e ricettari.

Chi ha delle ricette innovative non deve reinventare la ruota.

Nella maggior parte delle applicazioni, il team non ha la necessità di comprendere a fondo la matematica della backpropagation nelle reti neurali, almeno non più di quanto uno chef abbia bisogno di capire lo schema elettrico di un microonde. Ma c’è molto da sapere per pianificare una cucina su scala industriale: dal curare gli ingredienti fino al controllo di qualità sui piatti prima di servirli ai clienti.

Quale di questi prodotti vuoi vendere? La composizione del team cambia a seconda della risposta.

Problemi con il machine learning

Purtroppo, vedo molte aziende che non riescono ad ottenere benefici dal machine learning perché non si rendono conto che il machine learning applicato è una disciplina molto diversa dalla ricerca. Invece, la leadership tenta di mettere in piedi una cucina ingaggiando persone che hanno costruito componenti per forni a microonde tutta la vita, ma non hanno mai cucinato nulla. Cosa può andare storto? Anche quando le cose funzionano, è solo perché alcuni ingegneri, per puro caso, sono anche ottimi chef.

Ma, di solito, gli ingegneri non sono chef. Il tempo a disposizione è limitato, e se passi la tua vita a studiare come funziona un microonde, hai meno tempo da dedicare al perfezionamento dell’arte culinaria. Prendiamo per esempio un ricercatore in intelligenza artificiale, magari con un dottorato di ricerca: dove — e quando! — potrebbe aver acquisito le competenze richieste per il machine learning applicato? E se si decide di assumere un ibrido che è esperto in entrambi i campi, non ci si può certo lamentare della scarsità di talento sul mercato!

Mettere in piedi un ristorante ingaggiando gente che ha costruito componenti per microonde tutta la vita ma non ha mai cucinato nulla… cosa può andare storto?

Chi assumere allora? Esattamente come nel caso di una cucina su scala industriale, c’è bisogno di un team interdisciplinare con una leadership che capisca il settore. Altrimenti, i progetti fanno fiasco e finiscono nel nulla.

Il team giusto per il progetto

Se vendi elettrodomestici d’avanguardia, assumi ricercatori. Se vendi cibo su vasta scala e vuoi usare ricette innovative, hai bisogno di chi decide cosa cucinare / quali sono gli obiettivi (decision-makers e product managers), chi sa capire i fornitori e i clienti (esperti di dominio e social scientists), chi sa maneggiare grosse quantità di ingredienti (data engineers e analysts), chi sa sperimentare rapidamente varie combinazioni di ingredienti-elettrodomestici per generare potenziali ricette (ingegneri esperti di ML applicato), chi sa controllare che la qualità della ricetta sia sufficiente (esperti di statistica), chi sa trasformare una ricetta in milioni di piatti serviti con efficienza (software engineers), chi si assicura che il team interdisciplinare funzioni a dovere (project/program managers) e chi assicura che i piatti siano serviti anche quando i fattorini consegnano erroneamente delle patate invece del riso che avevi ordinato (reliability engineers).

Tutti i ruoli devono essere coperti, anche se non necessariamente da individui diversi. E prima che volino pomodori marci verso di me per aver fornito una caricatura così incompleta, ammetto che c’è molto più da dire sull’argomento della composizione del team nel campo del machine learning applicato. Per ora, deleghiamo questo aspetto ad un futuro articolo.

In tema di deleghe, se il team ha provato tutti gli strumenti esistenti e non è riuscito a produrre una ricetta che soddisfi i requisiti di business, allora può avere senso aggiungere delle competenze nel costruire elettrodomestici (ricercatori). A seconda della grandezza e della maturità del progetto, potrebbe essere il caso di ingaggiare queste persone come staff permanente oppure delegare l’attività ad un’azienda che fa ricerca di mestiere.

Un altro motivo per entrare in contatto con i ricercatori si materializza quando il prototipo è così di successo che ha senso usare elettrodomestici costruiti apposta per sfruttare al meglio la vasta scala in cui si ha la fortuna di operare (questo sì che è un bel problema da avere!).

Decision intelligence

Gli esperti dovrebbero parlare di decision intelligence, ma non lo fanno. Non c’è la consapevolezza del fatto che ci sono due distinti aspetti del machine learning, e l’offerta formativa è concentrata soprattutto nella creazione di algoritmi piuttosto che nel loro uso.

Il mio team lavora su questo problema. Abbiamo creato una nuova disciplina per coprire l’aspetto delle applicazioni, e abbiamo formato più di 15.000 dipendenti. L’abbiamo chiamata decision intelligence engineering e copre tutti gli aspetti del machine learning applicato e della data science.

In altre parole, se la ricerca nel campo del machine learning costruisce microonde ed il machine learning applicato usa i microonde, la decision intelligence engineering usa microonde in maniera sicura e rispettando gli obiettivi, e usa qualcos’altro quando il microonde non serve.

Buona fortuna e buon divertimento!

Quando si tratta di machine learning applicato, la parte più difficile è capire cosa cucinare e come controllare il piatto prima di servirlo ai clienti. Questa parte non è poi così difficile — basta non dimenticarla.

Per il resto, risolvere problemi di business con il machine learning è molto più facile di quello che si pensa comunemente. Quelle cucine sfavillanti sono lì per giocarci. Per immergersi, un po’ come in una vera cucina. Sperimentare! Ogni volta che incontro qualcuno che pensa di dover fare un corso tradizionale sugli algoritmi del machine learning — o, peggio, un’intera specializzazione — prima di poter cominciare, non posso fare a meno di immaginare una persona che rifiuta di usare un microonde solo perché non ne ha mai costruito uno. Non credere alla bugia che hai bisogno di un dottorato di ricerca per fare cose incredibili con il machine learning. La cosa di cui hai davvero bisogno, invece, è un po’ di creatività. Buona fortuna e buon divertimento!

Clicca qui, per saperne di più sulla scienza dei dati e l’intelligenza artificiale.