Mi sono interessato per la prima volta all’IA nei primi anni 2000 e ho persino vinto una competizione junior con un progetto incentrato sull’OCR della scrittura a mano (riconoscimento ottico dei caratteri). È interessante notare che già nel 2000 avevamo quasi tutti gli algoritmi fondamentali che sono ancora utilizzati oggi. Ciò che non avevamo ancora era una potenza di calcolo sufficiente…
Nel tempo, i miei interessi si sono spostati verso la misurazione delle prestazioni e, successivamente, verso il campo più ampio dell’esecuzione della strategia. Oggi, quando gli LLM dominano i titoli, raramente torniamo ai fondamentali.
Cosa rende effettivamente possibile l’apprendimento nelle reti neurali?
Alcuni semplici principi matematici sono al cuore dell’IA moderna. E vedo chiari parallelismi nel modo in cui questi stessi principi possono e dovrebbero essere utilizzati dalle attività quando eseguono le loro strategie.
Cosa rende possibile l’apprendimento dell’IA
Uno dei fondamenti matematici delle reti neurali è la regola della catena del calcolo applicata alle composizioni di funzioni. Le reti neurali sono sistemi a strati costruiti a partire da molte operazioni semplici e differenziabili. La regola della catena consente di calcolare i gradienti attraverso l’intera composizione. È questo che rende possibile l’apprendimento su larga scala.
- Durante un passaggio in avanti, una rete neurale produce un output inizialmente errato.
- Utilizzando dati etichettati e una funzione di perdita, possiamo misurare quanto il risultato si discosta dall’esito desiderato.
- Poiché tutte le operazioni interne sono differenziabili, possiamo calcolare derivate locali per ciascuna trasformazione.
- Applicando la regola della catena, queste derivate locali vengono combinate in gradienti della perdita rispetto a ogni parametro del modello.
Il sistema non si limita a rilevare che si è verificato un errore. Determina in che modo ciascun singolo parametro ha contribuito a tale errore e in quale direzione una sua modifica sposterebbe il risultato.
Eseguite la strategia come sistema di apprendimento organizzativo
Lo stesso problema esiste nelle attività…
Una buona implementazione della strategia è un sistema strutturato di obiettivi, sotto-obiettivi, iniziative e indicatori chiave di prestazione.
Durante l’esecuzione, le attività devono rilevare le deviazioni dalla direzione prevista il prima possibile. È per questo che esistono le misure delle prestazioni. Forniscono il primo segnale che la realtà si sta allontanando dalle ipotesi.
Ma:
Sapere che “qualcosa è andato storto” è quasi inutile da solo…
L’esecuzione migliora solo quando l’attività può vedere quali elementi del sistema richiedono un adeguamento e in che modo tali adeguamenti probabilmente influenzeranno i risultati.
Nelle reti neurali, ciò è reso possibile matematicamente dalla regola della catena. Nell’implementazione della strategia, diventa possibile solo quando la strategia è correttamente scomposta, allineata alle aspettative degli stakeholder e tradotta da aspirazioni vaghe in più livelli di obiettivi e indicatori concreti, collegati causalmente.
Esegui una strategia implementata correttamente
In questo senso, un’esecuzione efficace della strategia inizia ad assomigliare a una rete neurale ben progettata.
Quando si verificano deviazioni, l’attività può apprendere rapidamente: non solo che le prestazioni sono inferiori alle attese, ma anche quali iniziative, processi, capacità o ipotesi debbano essere adeguati per avvicinarsi alle aspettative degli stakeholder.
Quando la strategia è formulata in modo inadeguato (obiettivi astratti, assenza di relazioni causa-effetto, indicatori privi di significato), l’attività finisce nella stessa situazione di un modello senza gradienti utilizzabili. Può vedere che i risultati sono negativi, ma non ha un modo affidabile per decidere che cosa cambiare.
Sia nelle reti neurali sia nelle attività, l’apprendimento diventa possibile solo quando un sistema è costruito a partire da componenti interconnessi attraverso i quali il feedback può propagarsi.
Quando ci sono:
- Struttura,
- Responsabilità locale, e
- Driver misurabili
… il miglioramento continuo diventa possibile. In loro assenza, alle attività rimangono poco più che segnali di successo/fallimento e nessun meccanismo per comprendere come migliorare.
Quindi, finalmente sappiamo dove finiscono le spese di Marketing?
La risposta breve è: “no” (e nemmeno le reti neurali lo sanno).
Nell’IA, non possiamo indicare un singolo neurone e dire: “questo ha causato il risultato”. L’apprendimento è comunque possibile perché il sistema è costruito in modo che il feedback fluisca attraverso molte parti connesse e le rimodelli gradualmente.
Dire “il Marketing sta funzionando” è simile a dire “il modello è migliorato”. Indica una direzione, ma non dice cosa cambiare dopo.
Ciò che diventa utile è vedere schemi all’interno del sistema.
Per esempio: i ricavi possono rimanere stabili mentre il traffico aumenta, il coinvolgimento sui contenuti migliora e vengono creati più lead, ma i tassi di successo delle trattative diminuiscono e le trattative richiedono più tempo per essere concluse.
Dal punto di vista analitico, non si tratta più di un semplice successo/fallimento. È un insieme di segnali che mostra che alcune parti del sistema stanno migliorando mentre altre non sono allineate.
Il sistema non identifica una singola campagna colpevole. Indica dove è necessario un aggiustamento.
Questo è l’aspetto dell’apprendimento quando funziona.
Potrebbe non dirle esattamente dove è finito ogni euro, ma le dice qualcosa di molto più prezioso: dove l’attività dovrebbe muoversi successivamente.
Difetti noti: trova un minimo locale
Analogamente alle reti neurali, con la limitazione nota di trovare un minimo locale invece di uno globale, le organizzazioni non dovrebbero fidarsi al 100% dei propri framework di misurazione.
L’esecuzione della strategia è un processo continuo di convalida delle ipotesi nella pratica. A volte convalidiamo ipotesi di basso livello e tutto ha senso. A volte risaliamo lungo l’albero di scomposizione e finiamo per mettere in discussione la nostra comprensione degli stakeholder e delle loro esigenze.
Alexis Savkin è un architetto dell’implementazione della strategia e fondatore di BSC Designer, una piattaforma software per l’esecuzione della strategia e la Scheda di valutazione bilanciata. Aiuta le organizzazioni ad automatizzare la gestione delle prestazioni e a trasformare la strategia in risultati misurabili. Alexis è il creatore dello “Strategy Execution Canvas”, l’autore di oltre 100 articoli su strategia e misurazione delle prestazioni, e un relatore abituale in occasione di eventi di settore.