Lavora con noi
DI YOSSI SHEFFI
Direttore del MIT Center for Transportation and Logistics
I cambiamenti socio-economici dei primi anni 2020 hanno evidenziato la rilevanza delle catene di approvvigionamento nell'economia globale, nonché il ruolo crescente delle tecnologie digitali, come l'intelligenza artificiale (IA) e l'automazione, nel presente e nel futuro. In questo adattamento del suo ultimo libro, The magic conveyor belt: Supply chains, A.I., and the future of work, il Professore del MIT Yossi Sheffi sottolinea come l'automazione, la robotica e l'IA stiano cambiando e aumentando i posti di lavoro. Approfondisce inoltre gli strumenti che aiuteranno i professionisti a essere produttivi e a fornire più valore nella gestione di supply chain sempre più complesse.
Con l'avvento delle nuove tecnologie di automazione e intelligenza artificiale, le persone, i team e le organizzazioni avranno bisogno di nuovi strumenti per incrementare la produttività. Questi strumenti devono consentire a lavoratori, team e manager di collaborare tra loro e con la tecnologia. Dopo aver riflettuto sul ruolo degli esseri umani nel flusso di lavoro, le sezioni seguenti descrivono quattro categorie di strumenti che aiuteranno i professionisti a individuare, analizzare e consigliare linee d'azione in catene di fornitura globali intrinsecamente connesse.
Cicli di apprendimento: collaborazione tra uomo e IA
Gli strumenti di cui le persone avranno bisogno per lavorare con le macchine dipenderanno dal ruolo che l'uomo avrà nell'economia futura e da come potrà migliorare la collaborazione con l'IA e l'automazione. In un articolo di Harvard Business Review, due dirigenti di Accenture descrivono cinque principi che possono aiutare le società a ottimizzare la collaborazione tra uomo e IA: reinventare i processi aziendali, promuovere la sperimentazione nei team, guidare attivamente la strategia di IA, raccogliere i dati in modo responsabile e riprogettare il lavoro per incorporare l'IA e potenziare le competenze dei professionisti.
Per reinventare i processi aziendali, riprogettare il lavoro per integrare l'IA e potenziare le competenze professionali, è essenziale analizzare innanzitutto il flusso delle attività in azienda. Differenti esperti hanno sviluppato modelli tecnici focalizzati sulle persone e sulle organizzazioni con l’obiettivo di incrementare l’efficienza dei processi. Molti di questi scenari comportano una sorta di sequenza e iterazione (o "ciclo") di passi, dalla raccolta di dati sulla situazione allo sviluppo di piani, all'azione e alla compilazione di informazioni sui risultati.
Nel contesto dell'IA e dell'automazione, una domanda importante è quale ruolo debbano avere gli esseri umani e le macchine in questi cicli di attività di apprendimento controllato. Ad esempio, una persona può essere completamente immersa in un ciclo quando deve eseguire uno o più passaggi essenziali ogni volta che viene eseguito un compito. All'estremo opposto, una macchina è in grado di elaborare automaticamente la maggior parte delle fasi delle attività di routine e, solo in casi eccezionali, anomali o complessi, necessita dell'intervento di una persona. Un processo di questo tipo potrebbe funzionare 24 ore su 24, 7 giorni su 7, per la maggior parte delle attività e gestire solo una frazione dei casi durante le ore di ufficio.
In esempi ancora più avanzati di automazione, la persona potrebbe limitarsi a osservare i cicli di apprendimento del sistema attraverso un pannello di comando e indagare e intervenire nel processo quando si presenta un problema. Infine, il coinvolgimento umano potrebbe avvenire solo a un livello più alto, ad esempio nel caso della progettazione di sistemi completamente autonomi che funzionano continuamente e richiedono solo interventi occasionali durante le operazioni.
Illuminare la scatola nera dell'IA
Molti sistemi di machine learning agiscono come imperscrutabili scatole nere; forniscono risposte senza alcuna spiegazione del perché il software abbia scelto quella risposta. La mancanza di argomentazioni da parte dell'IA è un ostacolo sia all'adozione che all'uso affidabile dei sistemi di deep learning, perché le spiegazioni svolgono tre ruoli chiave in qualsiasi processo decisionale. In primo luogo, le ragioni sono necessarie per convincere le parti interessate che la risposta dell'IA è corretta. In secondo luogo, sono necessarie argomentazioni per effettuare un controllo incrociato o convalidare la risposta dell'IA: L'IA sta usando una logica o dei dati discutibili? In terzo luogo, le spiegazioni sono utili per aiutare le persone a imparare dall'IA, poiché non vedono solo la risposta ma anche la sua giustificazione.
Per risolvere questo problema della scatola nera dell'IA, ricercatori e ingegneri stanno lavorando a una nuova classe di sistemi di apprendimento automatico noti come intelligenza artificiale spiegabile (XAI). I sistemi di apprendimento automatico XAI generano risposte, ma anche spiegazioni.2 La ricerca necessaria per l'IA spiegabile ha comportato modifiche al modello di apprendimento automatico stesso, nonché analisi psicologiche per determinare il tipo di spiegazione di cui gli esseri umani avrebbero bisogno o che vorrebbero per utilizzare al meglio il sistema.
Digital twin per la gestione e la simulazione
Poiché l'ambiente aziendale, le supply chain e la tecnologia diventano sempre più complesse, le persone hanno bisogno di più strumenti per comprendere il sistema esistente e sperimentare in modo sicuro le decisioni, le tattiche e le strategie proposte. Il gemello digitale è una tecnologia che permette tutto questo. Un digital twin è una replica digitale dettagliata e realistica di un sistema fisico, che si tratti di un'apparecchiatura, di un mezzo di trasporto, di una fabbrica, di un magazzino, di una società o addirittura di un'intera supply chain. Tuttavia, un gemello digitale è più di una semplice rappresentazione informatica di una risorsa, poiché quest'ultima è collegata alla sua rappresentazione digitale per essere costantemente aggiornata in base alle sue condizioni reali.
La tecnologia del digital twin consente di utilizzare un tipo di IA noto come apprendimento per rinforzo, che apprende per tentativi ed errori
I digital twin possono essere utilizzati per visualizzare e monitorare le prestazioni del sistema fisico. Vengono anche utilizzati per formare i lavoratori sulle operazioni di base o per risolvere i problemi. Le aziende possono creare più copie di un gemello digitale per simulare e confrontare gli effetti della volatilità, di scenari diversi, di imprevisti o di modifiche proposte all'oggetto o al suo utilizzo.
La tecnologia del gemello digitale consente anche di utilizzare un tipo di IA noto come apprendimento per rinforzo, che apprende per tentativi ed errori, cioè prova varie azioni e viene "premiato" o "punito" a seconda dei risultati ottenuti. Le copie di un digital twin possono fornire un ambiente simulato realistico per questi sistemi di apprendimento per rinforzo.
Migliori interfacce e strumenti di collaborazione
Le interfacce uomo-macchina sono un elemento essenziale nella collaborazione uomo-robot. I progressi nei computer mobili, nei display e nelle fotocamere ad altissima velocità, a basso consumo e a basso costo stanno rendendo possibili nuove interfacce informatiche che creano scenari di realtà aumentata (AR) e realtà virtuale (VR).
Con la realtà aumentata, l'utente indossa una cuffia o degli occhiali intelligenti e un dispositivo mobile che sovrappone dati digitali al suo campo visivo. Il sistema AR collega visivamente un oggetto fisico e i dati digitali ad esso associati in due modi. In primo luogo, l'AR sovrappone i dati digitali all'ambiente fisico dell'utente. Ad esempio, una persona può guardare un'apparecchiatura e ottenere la sovrapposizione delle tendenze delle prestazioni della macchina, dei messaggi di errore, dei manuali di istruzione, dei programmi utente, ecc. In secondo luogo, molti sistemi AR registrano lo spazio fisico e gli oggetti (come la posizione degli oggetti o le quantità nei contenitori), nonché le azioni eseguite (ad esempio, la raccolta di un oggetto o il completamento di un'attività di manutenzione). Questi due aspetti dell'AR garantiscono la sincronizzazione tra l'oggetto e il suo gemello digitale.
Con la realtà aumentata, l'utente indossa una cuffia o degli occhiali intelligenti e un dispositivo mobile che sovrappone dati digitali al suo campo visivo
La realtà virtuale, invece, sostituisce completamente il campo visivo dell'utente con una visione immersiva generata dal computer di un mondo virtuale o digitale. Questa tecnologia crea un mondo completamente sintetico o utilizza copie di un gemello digitale per fornire simulazioni immersive per applicazioni di ingegneria, formazione, customer experience ed esplorazione di ipotesi. La realtà virtuale supporta anche il lavoro a distanza o la telepresenza attraverso display immersivi che trasmettono i dati delle videocamere in diretta da una postazione remota. Un'altra applicazione è la realtà virtuale multiutente, che può fornire funzionalità collaborative a lavoratori e interlocutori fisicamente separati. Queste interfacce virtuali possono essere utili in un contesto di catena di fornitura globale o in luoghi di lavoro in cui riunire tutti gli esperti o le parti interessate nello stesso luogo si rivela troppo costoso o richiede molto tempo.
Democratizzazione dello sviluppo di strumenti
Una tendenza chiave nell'informatica e nell'alta tecnologia è la "dequalificazione" che si sta verificando nell'automazione e nei sistemi basati sull'IA, rendendo sempre più aspetti dell'uso di queste tecnologie accessibili a una più ampia gamma di persone. Ciò consente ai professionisti di creare automazione e IA per facilitare la transizione verso lavori assistiti da software che saranno sempre più richiesti in futuro.
Una categoria di questi strumenti di facile utilizzo è destinata ad aiutare i lavoratori a creare i propri sistemi di automazione dei processi robotici senza dover scrivere codici di programmazione. Il professionista esegue un'attività di routine al computer mentre lo strumento registra la sequenza di attività. Lo strumento è quindi in grado di creare un processo robotico che ripete le azioni per le istanze future della stessa attività.
Un'altra categoria comprende le cosiddette piattaforme di sviluppo low-code o no-code. Queste piattaforme consentono ai non programmatori di creare software, come siti web, applicazioni o applicazioni mobili. Le piattaforme utilizzano strumenti di progettazione grafica, una serie di modelli e blocchi di costruzione per consentire all'utente di sviluppare software senza la necessità di imparare un linguaggio di programmazione.
Le piattaforme di sviluppo del codice possono applicare la tecnologia di apprendimento automatico alla vasta quantità di software esistente per consentire alle persone di scrivere codice. L'intelligenza artificiale generativa può creare codice a partire da una semplice descrizione testuale di ciò che deve fare. Con questi sistemi, i non programmatori possono scrivere una descrizione di ciò che vogliono e l'IA creerà il codice che corrisponde alla descrizione.
Se da un lato i sistemi di intelligenza artificiale generativa possono abbassare il livello di competenza richiesto per lo sviluppo di software, con una conseguente perdita di opportunità per i programmatori e gli ingegneri informatici, dall'altro ciò andrà a vantaggio degli esperti di materia, che saranno in grado di costruire da soli i prodotti. Nel 2021, la società di consulenza Gartner ha previsto che, entro il 2024, l'80% dei prodotti e dei servizi tecnologici sarebbe stato creato da professionisti non tecnologici.3 È possibile, quindi, che l'affermazione "85 milioni di posti di lavoro persi, 97 milioni di posti di lavoro guadagnati" (su come l'automazione influenzerà l'occupazione nel tempo) parli più dei cambiamenti nel modo in cui gli attuali dipendenti trascorrono il loro tempo che del fatto che avranno o meno un lavoro.
Referenze
- Wilson, H. James, and Paul R. Daugherty. 2019. Collaborative Intelligence: Humans and AI Are Joining Forces. Harvard Business Review. April 4, 2019.
- Turek, Matt. 2018. Explainable Artificial Intelligence. Darpa.mil. 2018.
- Gartner Says the Majority of Technology Products and Services Will Be Built by Professionals Outside of IT by 2024. n.d. Gartner.
Yossi Sheffi è Professore della cattedra Elisha Gray II di Systems Engineering presso il Massachusetts Institute of Technology (MIT), dove è Direttore del MIT Center for Transportation and Logistics.
Adattato da The Magic Conveyor Belt: Supply Chains, A.I., and the Future of Work, pubblicato da MIT CTL Media, copyright 2023.