Michael Wu di PROS: Anche se disponiamo di big data, non ce ne sono mai abbastanza

Quando si tratta di intelligenza artificiale, machine learning e big data, non c'è davvero nessuna persona da cui mi piace imparare e parlare con il dottor Michael Wu, riconosciuto esperto del settore e Chief AI Strategist per PROS, un fornitore di soluzioni SaaS che ottimizzano le esperienze di acquisto e vendita. E di recente ho avuto un'ottima conversazione in live streaming con lui e il mio co-conduttore di CRM Playaz, Paul Greenberg, dove abbiamo approfondito la nostra posizione con l'IA e come sta aiutando le aziende a superare gli ultimi 18 mesi.

Di seguito è riportata una trascrizione modificata di una parte della nostra conversazione che tocca il ruolo dell'etica e dell'inclusività man mano che più interazioni e transazioni aziendali diventano digitali, fornendo all'IA i dati che desidera ardentemente per prevedere e consigliarci le cose. Per ascoltare l'intera conversazione, fai clic sul lettore SoundCloud incorporato.

Paul Greenberg: In che modo la strategia dell'IA dovrebbe essere integrata nella più ampia strategia aziendale?

Michael Wu: Sì, penso che questo sia in realtà un grosso problema nel settore. Voglio dire, non c'è dubbio che l'IA sarà una parte molto pervasiva della nostra vita andando avanti. Che sia negli affari, al lavoro o semplicemente nella nostra vita quotidiana, sarà lì, ne farà parte. Penso che ciò che impedisce a molte aziende di saltare a bordo sia, direi, se ci guardi, ci sono le applicazioni consumer AI e ci sono anche le applicazioni business dell'IA. Per i consumatori, automatizza le attività quotidiane come, ad esempio, potresti automatizzare le routine domestiche utilizzando case intelligenti e tutto il resto. Voglio dire, se commette un errore, è qualche, direi, un piccolo inconveniente. Voglio dire, se chiedi qualcosa a Siri, non ti ho capito, lo riformuli e basta. È un po' di inconveniente, perdi qualche minuto di tempo e non è un grosso problema. Quindi i rischi ei costi di una decisione sbagliata nell'IA sono piccoli.

Ma non è assolutamente così nel mondo degli affari. Voglio dire, affari, quando prendi una decisione sbagliata nell'IA, potrebbero essere persi milioni di dollari e, direi, una crisi di pubbliche relazioni. Potrebbe essere una perdita di moltissimi clienti che non torneranno mai più da te. Il rischio del costo di una decisione sbagliata è molto più alto nell'ambiente aziendale, quindi le aziende sono semplicemente riluttanti a passare all'IA. E molti dei motivi sono perché, beh, voglio dire, in realtà non è la componente tecnica dell'IA. Molto ha a che fare con la componente non tecnica, ad esempio il design, l'adozione. Se acquisti la tecnologia di intelligenza artificiale e se le persone non la usano perché non si fidano di essa perché ne hanno paura, nessuno ne ottiene alcun vantaggio.

Voglio dire, se hai l'intelligenza artificiale ma non puoi spiegarlo, quindi le persone non si fidano, allora hai anche un altro problema. Voglio dire, quindi ci sono molti, direi, questi problemi non tecnici, ad esempio, relativi all'esperienza utente, all'adozione, alla legalità e al design. Quindi questi sono, direi, problemi che circondano questa tecnologia di intelligenza artificiale che devono essere affrontati per far avanzare l'intero settore.

Tendenze per le piccole imprese: puoi forse parlare di come le persone dovrebbero guardare all'IA in termini di miglioramento di cose come logistica, evasione, ordini? Perché penso che questo abbia un impatto smisurato e persino sempre più crescente sull'esperienza del cliente, anche se non sembra che sia la cosa più diretta per un'esperienza del cliente.

Michael Wu: Beh, penso che abbia una relazione diretta con l'esperienza del cliente perché, voglio dire, lasciami fare una semplice domanda. Cosa pensi che sia l'esperienza del cliente? Perché, per me, le esperienze dei clienti possono essere visualizzate, possono essere comprese in termini molto, molto semplici. È la differenza tra ciò che l'azienda offre e ciò che il cliente si aspetta. Se l'azienda offre più di quello che il cliente si aspetta, allora è una buona esperienza. È un'esperienza deliziosa. Se l'azienda consegna meno di quanto si aspetta il cliente, allora hai un cliente deluso. È davvero semplice se lo guardi in questo modo. Quindi, voglio dire, penso che l'aspettativa del cliente sia il pezzo su cui dobbiamo concentrarci perché questo è il pezzo che in realtà cambia in modo molto drammatico.

Paul Greenberg: Giusto.

Michael Wu: Tutto ora nell'era post-pandemia, tutto sta passando al digitale e le cose diventano più trasparenti. Le persone possono effettivamente vedere tutti gli altri fornitori online. Quindi, in realtà, è molto facile per i clienti cambiare la loro esperienza. Ad esempio, se vedi un'offerta per te, potresti avere un'esperienza cliente, ma nel momento stesso in cui vado a vedere un altro fornitore che offre la stessa cosa per, diciamo, il 10% in meno, immediatamente la tua esperienza cliente è cambiata. Questa trasparenza rende l'esperienza del cliente davvero stimolante perché le aspettative del cliente possono variare e molto influenzate dall'ambiente. Anche quando ti svegli in una brutta giornata quando piove o qualcosa del genere, potresti avere un'esperienza cliente peggiore. Quindi, per stare al passo con queste, direi, in continua evoluzione, le aspettative dei clienti in continua evoluzione, hai bisogno di qualcosa come direi: "Posso aiutarti online".

Penso che nel mondo tradizionale quando si ha a che fare con un essere umano, gli esseri umani sono molto bravi a valutare le aspettative dei clienti. Se sto parlando con te, vedendoti faccia a faccia, il tuo linguaggio del corpo mi dice qualcosa sul fatto che tu sia felice o meno per quello che sto offrendo o altro. Ma quando parli con una macchina quando sei online, quando i clienti non sono coinvolti con una persona reale, diventa davvero difficile valutare quali sono le aspettative del cliente. Allora come lo fai? Voglio dire, per farlo hai bisogno di un flusso live di dati contestuali ambientali in tempo reale in cui si trova il cliente, o da quale canale sta arrivando, in quale regione si trova, tutti questi altri dati contestuali su questo cliente, quindi aiuterai l'IA a capire il cliente dall'altra parte. Ma la cosa fondamentale da riconoscere in questa epoca è che anche se abbiamo big data, non ci sono mai abbastanza dati.

Penso che ci siano i big data nella totalità, ma ogni volta che abbiamo a che fare con un singolo cliente o un singolo contatto, i dati disponibili per aiutarti a prendere quella decisione vengono drasticamente ridotti. Ci sono molti dati là fuori. Molto è effettivamente utile in alcuni contesti, ma in questo particolare contesto in questo momento e ho a che fare con questo cliente in questo momento, i dati rilevanti che ti aiuteranno a decidere cosa fare sono in realtà piuttosto piccoli. Quindi la cosa fondamentale è identificare quei dati. La seconda cosa è che, quando dici che ci sono questi nuovi canali da cui arrivano queste informazioni, l'IA, una delle sue bellezze è la capacità di apprendere. Quindi l'IA ha un componente all'interno chiamato apprendimento automatico che consente loro di imparare effettivamente dai dati. Quindi, questo gli permette di adattarsi. Quando impari, puoi adattarti. Quindi questa è in realtà la stessa cosa di come lavora un essere umano. Quando vedi questo nuovo stream, ad esempio TikTok in arrivo, prima dici "Ignoriamolo".

Ma dopo un po' vedi TikTok, TikTok, TikTok e poi dici: "Oh, ok. Forse dovrei prestare attenzione a questo". Impari, vedi che c'è di più che arriva più frequentemente, quindi diventa sempre più rilevante. Quindi dovresti effettivamente cambiare il tuo modello di come funziona questo mondo e dare più peso a questo particolare canale rispetto al tuo tradizionale altro canale a cui non hai prestato attenzione. Quindi questo è esattamente lo stesso modo in cui funzionerebbe l'IA. In primo luogo, diresti che attribuisci pochissimo peso a questo nuovo canale, ma man mano che si presenta sempre più frequentemente, sostanzialmente rivedrai il tuo algoritmo per iniziare a dare sempre più peso a questo canale se risulta essere rilevante. Forse se è molto rumoroso, molto rumoroso, ma in realtà non è rilevante, manterresti l'attesa o l'impatto che quel canale ha ancora a un livello abbastanza basso. Penso che sia un processo di apprendimento e l'apprendimento è effettivamente abilitato in questi sistemi di intelligenza artificiale attraverso l'apprendimento automatico.

Tendenze per le piccole imprese: in che modo ciò influisce sull'uso etico dell'IA? Stiamo assistendo a convergenze o divergenze? Più dati, meno etica? O sono più dati, più etica? Hanno una relazione? Perché mi sembra che più dati troviamo, maggiore è la tentazione di usare questa roba in qualsiasi modo fosse il vecchio Malcolm X, "con ogni mezzo necessario". Ma l'etica dietro l'IA sta migliorando man mano che riceviamo più dati lanciati su questo?

Michael Wu: Penso che ci sia sicuramente più consapevolezza al riguardo. Penso che in questo momento ci sia, direi, correttezza, trasparenza. La gente parla di questo problema della scatola nera. Questa IA, non sappiamo come prende le decisioni e tutto il resto. Quindi è una sfida, ma in realtà sta portando sempre più persone a prestare attenzione a quest'area dell'etica, dell'equità e della responsabilità. Quindi tutti questi big data extra, direi, che stiamo usando, sono molto allettanti. Ma penso che ci debba essere una forza contraria per sfidare allo stesso modo questi data scientist. Penso che ci debba essere questa, direi, sana tensione tra i due gruppi. Non è che gli scienziati dell'IA debbano dettare tutto. L'avanzamento non dovrebbe guidare tutto. Non si tratta solo di avanzamento, ma non si tratta nemmeno di regolamentazione. Voglio dire, penso che i due gruppi debbano avere questo tipo di sana tensione che solleviamo questioni di cui ci preoccupiamo.

E se non sollevi il problema, gli scienziati non lo risolveranno. "Funziona. Perché affronto questo problema?" Quindi, se sollevi questo problema, sempre più scienziati ne saranno consapevoli e diranno: "Ok, questo è un problema impegnativo che devo affrontare per renderlo migliore, migliore per l'umanità, migliore per tutti". Ecco perché quella sana tensione deve esserci. E penso che in questo momento, per rispondere alla tua domanda, sì, ne stanno sollevando sempre di più. Penso che in questo momento ci siano più domande che soluzioni, ma il pendolo oscillerà. Perché, in precedenza, era tutto l'avanzamento dell'IA, quindi sono tutti pendoli su un lato. E ora che le persone sono consapevoli del potere dell'IA, di tutta questa etica. Io stesso sono quasi la metà di un etico per dire: "Ehi, non puoi semplicemente pensare di usare l'IA per quello che vuoi. Devi considerare l'uso etico dei tuoi dati in modo da non emarginare nessun gruppo o altro".

In realtà ci sono molte voci da quella parte ora, e quindi questo desta molta preoccupazione. Non abbiamo ancora una soluzione, ma penso che ora sempre più persone stiano effettivamente prestando attenzione per affrontare questi problemi.

Tendenze per le piccole imprese: beh, l'etica stessa o chiunque stia programmando l'IA, devi seguire il loro set di etica e non tutti i set di etica sono uguali, quindi so che sarà difficile. E l'altra cosa che penso sia anche l'insieme o la popolazione di persone che creano davvero la scienza dei dati, è vicino a essere un gruppo omogeneo di persone. Non è molto vario. Non è molto vario. È quasi come se non solo avessi bisogno di un'IA etica, ma avessi bisogno di un'IA inclusiva per essere un po' più rappresentativa, e penso che questa sia la cosa che potrebbe mancare di più, l'insieme di persone che lo stanno facendo.

Sono così felice di sentirti dire che sta cambiando, perché c'era quel fantastico Netflix quando abbiamo parlato del riconoscimento facciale e l'IA non riusciva a rilevare una donna di colore da qualcos'altro, e parte di quel ragionamento era perché le persone che stavano creando l'IA non sembrava la donna nera che stava cercando di rilevare. E quindi questa è stata una di quelle cose che è stata un ingrediente mancante a questo.