QUADERNO / TECNOLOGIA E LAVORO
Nel supporto alle decisioni industriali, il punto non è introdurre un algoritmo. È capire quale scelta debba diventare più informata e che cosa occorra per verificarlo.
Parlando di machine learning per la produzione ho richiamato il legame tra previsioni e gestione operativa. Qui vorrei isolare la domanda che viene prima di qualsiasi progetto: che cosa cambierebbe nel lavoro se quella previsione fosse disponibile?
Una dashboard può mostrare una probabilità o segnalare un’anomalia. Se però non è chiaro chi deve valutarla, quali alternative possiede e quando intervenire, l’informazione resta separata dalla decisione. Per me è questa distanza che un sistema di supporto dovrebbe aiutare a ridurre.
Definire l’azione prima della metrica
Immaginiamo una previsione di indisponibilità di una macchina. Il responsabile può anticipare un controllo, modificare la sequenza produttiva oppure continuare a osservare. Le conseguenze di queste scelte sono diverse: una previsione non andrebbe giudicata senza considerare le azioni che rende possibili.
Chiederei quindi di descrivere un caso concreto, anche su una sola pagina: segnale disponibile, decisione da prendere, tempo utile e conseguenza dell’errore. Questo documento renderebbe più chiaro anche quali dati raccogliere e quali prestazioni misurare.
Confrontare con il lavoro che si fa già
Il confronto non dovrebbe essere tra un sistema intelligente e il nulla. Esiste quasi sempre un metodo di riferimento: una regola, un controllo manuale, una pianificazione, l’esperienza di un operatore. La nuova soluzione va confrontata con quel punto di partenza in condizioni dichiarate.
Un risultato medio può inoltre nascondere casi difficili. Per questo distinguerei situazioni abituali, condizioni poco rappresentate nei dati e scenari nei quali il sistema dovrebbe segnalare incertezza. Rinunciare a fornire una risposta può essere più utile che proporre una precisione apparente.
Anche l’utilizzo deve essere osservato
Il NIST propone di guardare all’interazione tra persone e AI a partire da obiettivi e risultati, non soltanto dalla tecnica impiegata. Questa prospettiva aiuta a porre una domanda pratica: l’informazione arriva nella forma e nel momento in cui può essere utilizzata?
Nella prova includerei le persone che prenderanno la decisione. Verificherei se comprendono il segnale, se riescono a contestarlo e se possono documentare il motivo di un intervento. Non per trasferire su di loro ogni problema del sistema, ma per progettare una responsabilità realistica.
Il valore va dimostrato, non annunciato
Una sperimentazione ben impostata potrebbe concludere che l’AI serve soltanto in una parte del processo, o che prima occorre migliorare i dati. Non lo considererei un fallimento. È un risultato utile, perché evita di adottare una soluzione prima di aver chiarito il problema.
Nel supporto decisionale, misurerei ciò che cambia nella scelta e nel lavoro, senza fermarmi alla qualità apparente della previsione. È lì che cercherei il valore dell’AI.
Origine dello spunto. Machine learning e decisioni nella produzione industriale. Il mio post su LinkedIn. Approfondimento: NIST — AI Use Taxonomy.
