In considerazione dell’incremento della tecnologizzazione, ecco rivelato come trasformare la propria azienda in un’organizzazione digital-first con Verizon.
Verizon, come diventare un’organizzazione digital-first
Con la crescente domanda di approcci di scienza dei dati e tecnologie cognitive in tutti i settori, le organizzazioni stanno imparando come implementare e gestire con successo strumenti e sistemi più innovativi e intelligenti. Quali sono le sfide che le imprese incontrano quando adottano modelli di AI e ML per le loro organizzazioni, e come possono i team lavorare per superare questi ostacoli?
In un prossimo evento intitolato Data for AI, Anil Kumar, Executive Director – Head of AI Industrialization di Verizon condividerà i modi in cui Verizon ha sfruttato l’AI per superare alcune sfide chiave.
Lo scorso gennaio, la conferenza Machine Learning Lifecycle 2021 ha presentato Radha Sankaran, direttore esecutivo di Algorithmic Customer Experiences presso Verizon Wireless, che ha condiviso alcune informazioni sullo stato attuale dell’utilizzo dell’IA e sulle sue sfide, tecniche e impatti. All’imminente evento virtuale Data for AI, Anil Kumar fornirà numerose testimonianze sulle sue esperienze.
Lo stato dell’adozione dell’AI e le sue sfide
Due delle principali caratteristiche di Verizon includono il suo lato più tradizionale, domestico o wireline del business e il suo lato wireless. Lo stato attuale dell’adozione dell’IA all’interno dell’azienda può essere descritto come un ciclo di media maturità, con il lato wireline avanzato nella digitalizzazione a causa della necessità di essere innovativi nel controllo dei costi.
All’interno del lato wireless, una trasformazione significativa ha avuto luogo a partire dal 2019 e 2020 con la creazione di organizzazioni separate di Chief Data Officer e Chief Customer Officer.
L’organizzazione CDO è responsabile di tutti i progetti legati ai dati, ed è qui che risiedono tutti i data scientist. L’organizzazione dei clienti si concentra poi sulle migliori pratiche costruite nel lato domestico del business per espanderle al lato wireless attraverso un’analisi costante. L’organizzazione alimenta anche tutti i requisiti nella gestione dei dati per essere eseguiti e migliorati. Lavorando insieme, queste organizzazioni stanno avanzando e supervisionando la crescente adozione dell’AI nello spazio mobile per Verizon Wireless.
Ci sono molte sfide che le imprese possono affrontare quando si passa alle tecnologie basate su AI e ML, soprattutto quando ci sono già tradizioni ben consolidate all’interno di operazioni e team che operano su larga scala.
Una delle più grandi sfide organizzative affrontate dal team di Verizon ha avuto a che fare con il collegamento di tutti i dati esistenti relativi alle esperienze dei clienti. Poiché l’organizzazione aveva precedentemente guardato a tutte le esperienze in un modo focalizzato sul canale e ottimizzando i canali separatamente, di conseguenza, anche tutti i dati erano isolati. Quindi, capire come riunire tutti i dati isolati in un omnichannel coesivo che permette al team di affrontare le esperienze dei clienti in modo veramente olistico ha rappresentato la sfida più significativa.
Verizon, sviluppo e gestione dei modelli AI
Considerando una prospettiva più tecnica, la costruzione e l’implementazione di modelli AI richiede le persone e gli strumenti giusti, che vengono sviluppati all’interno delle organizzazioni o esternalizzati. Per Verizon, l’acquisizione di Yahoo negli ultimi anni ha fornito una grande base per lo sviluppo accelerato dell’AI. Poiché le organizzazioni di Yahoo possedevano già dati molto maturi e i rispettivi strumenti di ML, i team di Verizon sono stati in grado di utilizzare le preesistenti configurazioni di CI e CD pipeline per costruire modelli ed eseguire lo scoring in tempo reale. Grazie a questa transizione graduale, non è stato necessario alcun outsourcing; tutto era disponibile in-house.
A differenza del software più tradizionale che può essere essenzialmente lasciato solo dopo l’implementazione iniziale, i modelli AI hanno bisogno di monitoraggio e manutenzione continui per prevenire la degradazione o la deriva del modello. In Verizon, le organizzazioni si riferiscono alle esperienze personalizzate dei clienti e questi eventi guidati dai dati e dall’IA devono essere costantemente monitorati per l’ottimizzazione e la valutazione delle prestazioni. Utilizzando sia la modellazione adattiva che quella predittiva, è importante per i team identificare se i problemi che sorgono sono collegati ai modelli stessi o sono dovuti a eventuali lacune nei dati o a problemi di qualità dei dati. Utilizzando sia i dati di flusso che quelli in batch, le organizzazioni di Verizon sono in grado di aggiornare continuamente i loro modelli AI attraverso cicli di feedback di dati in tempo reale.
Impatti della pandemia e barriere future da superare
Anche se la recente pandemia ha causato molte interruzioni in quasi tutti i settori a livello globale, per Verizon ha portato a un beneficio significativo: la pandemia ha spronato Verizon a essere un’azienda digital-first. Prima della pandemia, gran parte delle vendite avveniva nei negozi al dettaglio, ma l’azienda ha dovuto capire come fare per diventare un’organizzazione digital-first quasi dall’oggi al domani. L’adozione del digitale nelle aree meno tradizionali, come le organizzazioni di vendita al dettaglio e di televendita, ha dovuto essere accelerata insieme al resto delle operazioni, e i team di tutta l’azienda hanno dovuto unirsi per affrontare questa transizione. Grazie a questo cambiamento, organizzazioni come i team CDO e CXO sono in grado di far avanzare l’adozione digitale e di sfruttare ulteriormente i dati e l’IA.
Guardando al futuro in un mondo post-pandemico, forse la più grande barriera nell’adozione dell’IA su larga scala sta nei dati stessi. Assicurarsi l’accesso ai dati giusti, generare i metodi migliori per analizzare quei dati e, infine, capire come tutti i componenti e le informazioni necessarie si uniscono rimangono le sfide e gli obiettivi principali per Verizon, così come molte altre imprese su scala simile, qualcosa che Anil discuterà all’evento Data for AI il 2 dicembre 2021.
