Mentre le organizzazioni di servizi sociali cercano di scoprire i sostanziali vantaggi potenziali che l’utilizzo dell’intelligenza artificiale (AI) può offrire, è sempre più importante il tipo di capacità di cui l’organizzazione ha bisogno per semplificare le operazioni quotidiane e ottenere i giusti risultati dai propri programmi. In collaborazione con l’Università del Queensland, il SAP Institute for Digital Government ha identificato le capacità chiave necessarie per garantire il successo dell’adozione dell’IA e ha formulato raccomandazioni per favorire un cambiamento di successo guidato dall’IA nei servizi sociali.

Le 5 capacità chiave

1. Comprensione del dominio: capacità di sviluppare una conoscenza nuova o migliorata dei domini aziendali, ad esempio codificando le conoscenze implicite degli attuali proprietari, cambiando i paradigmi esistenti (status quo) e aggiornando gli esperti del dominio (concetti e strumenti di IA, valore dei dati, questioni etiche).
2. Sviluppo di modelli: capacità di addestrare una serie di modelli di ML accurati e robusti per supportare varie attività organizzative, come la cura dei dati (accesso ai dati pregressi, generazione di nuovi dati e condivisione dei dati all’interno dell’organizzazione), l’acquisizione di talenti umani e la coproduzione di modelli.
3. Spiegazione del modello: capacità di comunicare gli obiettivi, la logica e gli output di un modello di ML a vari stakeholder, ad esempio spiegando la logica del modello agli stakeholder (comunicando le decisioni dell’IA), tracciando gli output negli input (trasparenza e validazione delle decisioni del modello, identificando le fonti di distorsione) e visualizzando gli output del modello per gli esperti del dominio.
4. Integrazione dei modelli: capacità di integrare i modelli di ML nelle interfacce tecniche, nei processi di lavoro, nei prodotti, nelle piattaforme e nelle strutture esistenti, ossia integrazione tecnica, gestione delle modifiche e riprogettazione del lavoro (modifica dei processi per supportare il processo decisionale basato sui dati).
5. Model Assurance: capacità di supervisionare, valutare e migliorare continuamente le prestazioni di un modello di ML e di controllarne gli effetti sugli stakeholder, ad esempio supervisionando le prestazioni del modello (meccanismi di governance, deriva del modello), misurando il valore del modello per gli stakeholder e prevenendo le conseguenze indesiderate (valutazione dell’impatto, meccanismo per l’introduzione di modifiche al modello).

Presentiamo le seguenti capacità chiave emerse dalla nostra ricerca per realizzare programmi di IA di successo nei servizi sociali:

Guardare avanti

Le organizzazioni pubbliche devono affrontare sfide uniche nell’adozione della tecnologia AI. Le cinque capacità che abbiamo discusso in precedenza indicano le raccomandazioni per alimentare un cambiamento di successo guidato dall’IA nei servizi sociali:

• Avviare lo sviluppo dell’IA con soluzioni pre-addestrate: le agenzie con budget limitati possono avviare lo sviluppo dell’IA investendo in soluzioni sviluppate esternamente per casi d’uso accuratamente selezionati e specificati. Considerate la possibilità di investire in soluzioni pre-addestrate e modelli precostituiti per evitare gli elevati costi iniziali dello sviluppo dell’IA da zero.
• Accrescere le competenze interne man mano che si matura: evitare di gestire sistemi di intelligenza artificiale che non si conoscono. Sebbene sia relativamente facile reperire competenze tecniche dai fornitori di IA, è vostra responsabilità assicurarvi che il vostro personale comprenda appieno il sistema e i suoi limiti e possa essere responsabile delle sue decisioni (ad esempio, identificare, comprendere e controllare i rischi derivanti dai sistemi di IA). Assumete la responsabilità di questi modelli facendo crescere nel tempo le vostre competenze interne in materia di scienza dei dati. Sviluppare competenze complementari in materia di etica, diritto e governance dell’IA per salvaguardare l’uso dei modelli.
• Esaminare i sistemi e i dati legacy: liberarsi dai silos creati dai vecchi sistemi. Investite risorse per la revisione dell’architettura IT. Rispetto ai sistemi analitici tradizionali che si concentravano su report o semplici statistiche, la costruzione sistematica dell’IA richiede una serie di piattaforme e sistemi contemporanei che consentano l’acquisizione di big data di alta qualità, necessari per l’addestramento dei modelli e che permettano la condivisione e la collaborazione. Questo è essenziale per creare un ambiente agile di condivisione dei dati e di sviluppo dell’IA.

Ulteriori ricerche

Questa fase della nostra ricerca ha identificato le capacità chiave necessarie per garantire che i progetti di IA di successo producano i risultati attesi e il valore per gli stakeholder. Un’ulteriore ricerca (pubblicata nelle precedenti edizioni della newsletter ESN) ha esplorato le sfide specifiche della “spiegabilità” dell’IA e ha identificato le linee guida per contrastare le barriere all’adozione dell’IA nei servizi sociali.

È possibile scaricare il nostro documento di ricerca qui e trovare ulteriori ricerche presso il SIDG.