In passato, per effettuare la previsione dei risultati aziendali era necessario un team di data science, mesi di sviluppo dei modelli e un po' di fortuna.
Ma ora, con il 78% delle organizzazioni che utilizza l'IA in almeno una funzione aziendale, secondo McKinsey, i tempi si sono ridotti da mesi a informazioni quasi istantanee.
Con questo cambiamento, la pressione per distribuire rapidamente modelli predittivi non è mai stata così alta.
IBM Watsonx semplifica il processo di creazione e implementazione dei modelli predittivi in un flusso di lavoro unificato basato su browser che il tuo team di sviluppo può eseguire in pochi minuti. Ma la velocità da sola non basta. Se le previsioni generate da questi modelli non hanno una connessione con i flussi di lavoro esecutivi su cui influiscono, allora non producono un impatto reale.
Questa guida copre ogni fase, dal caricamento del tuo primo set di dati e dall'addestramento del modello alla sua implementazione come API live e, soprattutto, alla connessione delle informazioni che genera ai flussi di lavoro esecutivi in strumenti come ClickUp. 🔨
Imparerai sia come costruire il modello in Watsonx sia come rendere operativi i suoi risultati, in modo che le previsioni portino all'azione in tutto il tuo team.
Imparerai sia come costruire il modello in Watsonx sia come rendere operativi i suoi risultati, in modo che le previsioni portino all'azione in tutto il tuo team.
Che cos'è IBM Watsonx e in che modo fornisce supporto per l'analisi predittiva?
La distribuzione di modelli di IA per la tua azienda potrebbe comportare l'addestramento dei modelli in un luogo, la gestione dei dati in un altro e la gestione della governance o della conformità in un ulteriore strumento.
IBM Watsonx è la piattaforma aziendale di IBM dedicata all'intelligenza artificiale e ai dati, progettata per risolvere gli aspetti tecnici di questa frammentazione. Si tratta fondamentalmente di una suite di prodotti di IA per la creazione, l'addestramento e l'esecuzione dell'IA all'interno di un'azienda, senza che il tutto risulti dispersivo o sperimentale.
La piattaforma risolve il problema dei flussi di lavoro frammentati offrendo un unico spazio di lavoro per i progetti. È possibile caricare dati, eseguire esperimenti e configurare i monitor senza uscire dall'ambiente.
La suite Watsonx comprende tre componenti principali:
- Watsonx.ia: crea e addestra modelli predittivi utilizzando AutoAI o notebook personalizzati
- Watsonx. data: connetti e prepara i dati provenienti da più origini dati in un'architettura lakehouse
- Governance di Watsonx: effettua il monitoraggio delle prestazioni dei modelli e applica le regole di equità
Per quanto riguarda specificamente l'analisi predittiva, watsonx.ai è l'interfaccia principale che utilizzerete. Include AutoAI, un generatore di esperimenti no-code che effettua la selezione degli algoritmi e classifica i modelli candidati.
Il resto di questa guida si concentra sul flusso di lavoro di AutoAI all'interno di watsonx.ai. Questo è il modo più veloce per avviare un modello predittivo funzionante.
Guida passo passo alla creazione di un modello predittivo in Watsonx
Questa guida presuppone che tu disponga già di un account IBM Cloud e di un progetto Watsonx creato. L'intero flusso può essere completato direttamente nel browser senza alcuna configurazione dell'ambiente locale. Ecco come:
Passaggio 1: prepara e carica i tuoi dati
Inizia organizzando i tuoi dati in un formato tabellare, come un file CSV. Questo file deve avere una colonna di destinazione chiaramente definita che specifichi l'elemento specifico che desideri prevedere. Ha inoltre bisogno di colonne di caratteristiche, che sono gli input da cui il modello apprende.
Per caricare i tuoi dati, vai al tuo progetto Watsonx e apri la scheda Risorse. Da lì, puoi caricare direttamente un file CSV o effettuare una connessione a un'origine dati tramite watsonx.data.
Prima di iniziare, assicurati di prestare attenzione ad alcuni problemi comuni relativi ai dati:
- Valori mancanti: elimina le lacune significative nelle colonne critiche prima del caricamento per garantire un'elevata precisione
- Tipo di colonna di destinazione: assicurati che i traguardi di classificazione siano categoriali e quelli di regressione numerici
Passaggio 2: addestrare un modello predittivo con AutoAI
È qui che inizia l'addestramento del modello. Dall'area di lavoro del progetto, clicca su "Crea nuovo esperimento AutoAI".
Seleziona il set di dati che hai caricato e scegli la colonna di destinazione. Da lì, puoi configurare il tipo di esperimento e le impostazioni opzionali, come la suddivisione dei dati tra addestramento e test.
Esegui l'esperimento per consentire ad AutoAI di generare automaticamente una classifica della pipeline. Questa classifica ordina i modelli candidati in base alle metriche scelte, come l'accuratezza o il punteggio F1.
Ogni riga della classifica rappresenta una combinazione unica di algoritmi di machine learning e feature engineering. La pipeline al primo posto è solitamente quella che AutoAI raccomanda per il tuo specifico set di dati.
Non dare per scontato che la pipeline al primo posto sia automaticamente la scelta giusta. Vale la pena confrontare le prime due o tre pipeline piuttosto che scegliere senza esitazione la prima. Puoi cliccare su una qualsiasi di esse per verificare, ad esempio, quali funzionalità/funzioni sono più importanti o in che modo il modello commette errori utilizzando le matrici di confusione.
Passaggio 3: implementa il tuo modello predittivo
Una volta scelta una pipeline vincente, salvala come modello nel tuo progetto. Devi quindi effettuare la promozione di questo modello salvato in uno spazio di distribuzione. Uno spazio di distribuzione è un ambiente separato progettato specificamente per i carichi di lavoro di produzione.
È possibile scegliere tra implementazione online e batch. Un'implementazione online fornisce un'API REST in tempo reale per previsioni on-demand. Un'implementazione batch valuta grandi set di dati secondo una pianificazione prestabilita.
Utilizza la scheda di test integrata per inviare un campione di payload di input. Ciò ti consente di verificare l'output della previsione prima di integrarlo con i sistemi a valle. L'implementazione genera un endpoint API e un URL di scoring che le applicazioni esterne possono chiamare.
Passaggio 4: Monitorare e valutare le prestazioni del modello
Un modello addestrato sui dati storici può deteriorarsi nel tempo a causa dei cambiamenti nei modelli del mondo reale. Questo deterioramento è chiamato drift e può ridurre silenziosamente la qualità del modello nel tempo.
Per effettuare il monitoraggio costante delle prestazioni del tuo modello nel mondo reale e individuare eventuali problemi prima che diventino un problema, attiva il monitoraggio tramite il componente Watson OpenScale, quindi collega la tua distribuzione allo strumento di monitoraggio e configura le soglie di qualità per accuratezza e precisione.
Se la tua previsione coinvolge attributi sensibili, assicurati di configurare i monitor di equità per garantire l'imparzialità dei risultati.
Il sistema è in grado di generare spiegazioni per ogni previsione, indicando esattamente quali funzionalità/funzioni hanno determinato un risultato specifico. Da lì, è possibile impostare una cadenza mensile per esaminare queste dashboard di monitoraggio e addestrare nuovamente il modello se la qualità dovesse diminuire.
Prima di concludere questa sezione, è importante comprendere che ogni passaggio di questo processo coinvolge persone diverse. Senza un sistema per il monitoraggio dell'esecuzione, il processo può rallentare rapidamente e sfuggire al controllo.
- Un analista di dati è responsabile della pulizia e della convalida del set di dati prima di caricarlo
- Un ingegnere di machine learning esegue l'esperimento AutoAI e confronta le pipeline principali
- Lo stesso ingegnere (o uno specialista ML Ops) si occupa dell'implementazione del modello e della configurazione dell'API
- Un data scientist o un responsabile dell'IA monitora le prestazioni, esamina i rapporti di deriva e decide quando è necessario un nuovo addestramento
Senza un metodo strutturato per gestire tutto questo, si rischia di finire rapidamente per affidarsi a note sparpagliate, messaggi su Slack, email o alla propria memoria, ed è proprio lì che si verificano ritardi e si perdono passaggi. Di conseguenza, la gestione delle attività diventa fondamentale.
Invece di lasciare che questi passaggi rimangano isolati, le attività di ClickUp offrono un sistema in cui:
- Ogni passaggio diventa un'attività tracciabile
- Ogni attività viene assegnata alla persona giusta
- I progressi sono visibili lungo l'intero flusso di lavoro
Ma non finisce qui. Ogni attività è inoltre supportata dal contesto e dai dati strutturati che ne garantiscono l'esecuzione.
- I campi personalizzati possono acquisire dati strutturati quali versione del modello, origine dati, metriche di valutazione, tipo di implementazione o frequenza di rieducazione
- ClickUp Docs può archiviare la documentazione di supporto, come le linee guida per la preparazione dei dati, le ipotesi dei modelli, le note sugli esperimenti o le istruzioni di implementazione
Così, invece di essere vaghe attività da svolgere, le attività diventano unità di lavoro completamente contestualizzate, chiare, assegnate e pronte all'esecuzione.
Ma non si tratta solo di monitoraggio delle attività; queste attività non sono operazioni una tantum. Sono flussi di lavoro continui che richiedono costantemente un certo livello di azioni manuali ripetitive.
Ad esempio:
- Se l'accuratezza del modello scende al di sotto della soglia, è necessario incaricare qualcuno di addestrarlo nuovamente
- Se OpenScale segnala una deriva, quell'avviso deve trasformarsi in un'attività con un titolare ben definito
- Se un'implementazione fallisce durante il test, deve essere registrata, assegnata e risolta rapidamente
ClickUp Automazioni fa un ulteriore passo avanti eliminando i passaggi manuali tra questi flussi di lavoro, triggerando azioni automatiche basate su condizioni predefinite.
Se viene caricato un nuovo set di dati, viene automaticamente creata un'attività di convalida e assegnata all'analista dei dati. Una volta contrassegnata come "Pronta", un'attività di addestramento del modello viene automaticamente assegnata all'ingegnere di machine learning. Al completamento dell'addestramento, viene triggerata un'attività di implementazione per lo specialista ML Ops.
In questo modo, ogni passaggio passa al successivo senza passaggi manuali. Le attività vengono create, assegnate e arricchite di contesto automaticamente, in modo che l'intero flusso di lavoro proceda senza interruzioni.
Casi d'uso dell'analisi predittiva per i team
Questi sono i modi più comuni in cui i team utilizzano l'analisi predittiva:
- Previsione della domanda : Prevede la domanda dei tuoi prodotti per il prossimo trimestre, in modo che il tuo team operativo possa rifornirsi in anticipo ed evitare carenze
- Previsione dell'abbandono dei clienti : assegna un punteggio ai tuoi clienti esistenti in base alla loro probabilità di abbandonare l'azienda e indirizza gli account ad alto rischio verso i flussi di lavoro di fidelizzazione
- Valutazione del rischio di progetto : Segnala i progetti che potrebbero non rispettare le scadenze in base ai loro modelli storici, come le modifiche all'ambito
- Previsione della pipeline commerciale : Prevede quali contratti hanno maggiori probabilità di essere conclusi e fornisce ai tuoi team commerciali una previsione affidabile
- Previsione degli incidenti IT : identifica i componenti dell'infrastruttura a rischio di guasto sulla base dei modelli dei log
In tutto questo, è importante notare che il valore di queste previsioni si moltiplica solo quando i risultati vengono inseriti direttamente negli strumenti in cui il tuo team già mette in atto le decisioni su cui esse influiscono.
🎯 Il nostro consiglio: integra queste informazioni in un'area di lavoro AI convergente come ClickUp.
Con ClickUp, non ti limiti a gestire i flussi di lavoro di addestramento dei modelli. Gestisci anche le operazioni quotidiane nello stesso posto, in modo che quelle previsioni possano triggerare direttamente attività concrete tra i team.
- Per il marketing, una previsione dei segmenti ad alto intento può creare automaticamente attività di campagna
- Per le attività commerciali, i risultati del lead scoring possono trasformarsi in attività di outreach prioritarie
- Per le operazioni, le previsioni di rischio (come l'abbandono o i guasti) possono trigger follow-up o interventi
Ogni team può strutturare i propri flussi di lavoro all'interno delle attività di ClickUp, proprio come fa il tuo team di ML per l'addestramento e l'implementazione. È lo stesso sistema, solo con casi d'uso diversi.
E non si ferma all'esecuzione. Con i dashboard di ClickUp, puoi:
- Visualizza le informazioni predittive (ad es. segmenti ad alto rischio vs. segmenti a basso rischio)
- Tieni traccia dello stato delle attività create sulla base di tali approfondimenti nei diversi team
- Monitorare il carico di lavoro tra i team
- Scopri come le previsioni si traducono effettivamente in risultati
Tutto quello che devi fare è scegliere il widget che preferisci, che si tratti di grafici a barre, grafici a torta, grafici a linee o indicatori di avanzamento. In questo modo, il tuo modello non rimane confinato in uno strumento e l'esecuzione in un altro; tutto rimane collegato in un unico posto.
Le tue intuizioni non si limitano a informare le decisioni; le triggerano, vengono assegnate, sottoposte a monitoraggio e effettivamente terminate.
💡 Suggerimento da esperto: puoi utilizzare ClickUp Brain come assistente IA integrato in tutta l'area di lavoro di ClickUp.
Non si tratta di uno strumento separato, ma del livello di intelligenza integrato nell'area di lavoro di ClickUp, il che significa che dispone già del contesto relativo alle tue attività, ai tuoi dati e ai tuoi flussi di lavoro.
Quindi, invece di limitarti al monitoraggio delle attività, avrai un assistente IA che lavora al tuo fianco, aiutandoti a capire cosa sta succedendo e a muoverti più rapidamente su ciò che deve essere fatto dopo.
Ad esempio, puoi fare una menzione di Brain in un commento a un'attività, proprio come faresti con un collega, e chiedere:
- "Riassumi l'ultimo rapporto sulle derive e evidenzia gli aspetti che richiedono attenzione."
- "Cosa è cambiato nelle prestazioni del nostro modello negli ultimi 30 giorni?"
Attingerà dai dati della tua area di lavoro e ti fornirà una risposta chiara e immediata. Può anche generare lavoro per te. Puoi chiedergli di:
- Scrivi un breve aggiornamento per gli stakeholder spiegando perché un modello è stato ridistribuito
- Elabora un piano di riqualificazione basato sui recenti cali di prestazioni
- Crea una lista di controllo per la convalida di un nuovo set di dati prima dell'addestramento
Poiché ClickUp offre un'area di lavoro convergente, il tuo team non dovrà destreggiarsi tra strumenti separati per la comunicazione e l'esecuzione.
Tutte le tue conversazioni possono avvenire direttamente nella chat di ClickUp, che si tratti di discutere di un calo nell'accuratezza del modello, esaminare un avviso di deriva segnalato o decidere i passaggi successivi dopo un'implementazione fallita.
Ma, cosa ancora più importante, quelle conversazioni non restano lì.
Per garantire che le discussioni portino all'azione, usa "Assegna commenti". Nel bel mezzo di qualsiasi conversazione, puoi assegnare un messaggio a un membro specifico del team, trasformandolo immediatamente in un'azione da intraprendere.
Così, invece di finire nel dimenticatoio o concludersi con un "dovremmo farlo", le conversazioni diventano attività che vengono effettivamente eseguite e sottoposte a monitoraggio dall'inizio alla fine, il tutto all'interno di ClickUp Chat.
🎥 Per comprendere meglio il panorama generale delle applicazioni dell'IA nel mondo aziendale, guarda questa panoramica di casi d'uso reali dell'IA che dimostrano come le organizzazioni stanno applicando l'intelligenza artificiale in diverse funzioni e settori. ✨
Limiti dell'utilizzo di IBM Watsonx per l'analisi predittiva
Ogni strumento presenta dei compromessi e Watsonx non fa eccezione. È potente, certo, ma è bene considerare questi limiti prima di committere alla piattaforma:
- Curva di apprendimento: la configurazione degli spazi di implementazione e dei monitor di governance richiede comunque una buona comprensione dei concetti relativi alle piattaforme cloud, quindi potrebbe non essere la soluzione ideale se il tuo team non ha ancora molta esperienza con gli strumenti o l'infrastruttura cloud
- Gestione manuale dei dati: la piattaforma non effettua l’automazione della parte più complessa della pulizia e della strutturazione dei dati grezzi, il che significa che il tuo team deve comunque gestire manualmente una grande quantità di dati prima di poter ottenere risultati affidabili
- Costi di elaborazione: gli esperimenti di addestramento e l'hosting delle implementazioni live su IBM Watsonx hanno un prezzo basato sull'utilizzo, quindi, in caso di carichi di lavoro in crescita, le risorse cloud possono esaurirsi rapidamente man mano che si scala, con un conseguente aumento dei costi
- Integrazione del flusso di lavoro: per agire sulla base delle previsioni è necessario effettuare una connessione a strumenti esterni di project management
- Complessità della governance : La configurazione dei monitor di equità e deriva comporta diversi passaggi che possono risultare onerosi per i team più piccoli
Queste limitazioni evidenziano semplicemente dove devono intervenire strumenti complementari. Ciò è particolarmente vero per quanto riguarda la parte operativa della pipeline di previsione.
📮 ClickUp Insight: l'88% degli intervistati nel nostro sondaggio utilizza l'IA per le proprie attività personali, ma oltre il 50% esita a usarla sul lavoro. I tre ostacoli principali? Mancanza di integrazione perfetta, lacune di conoscenza o preoccupazioni relative alla sicurezza.
Ma cosa succederebbe se l'IA fosse integrata nella tua area di lavoro e fosse già sicura? ClickUp Brain, l'assistente IA integrato di ClickUp, lo rende realtà. Comprende i prompt in linguaggio naturale, risolvendo tutte e tre le preoccupazioni relative all'adozione dell'IA e stabilendo al contempo una connessione tra chat, attività, documenti e conoscenze in tutta l'area di lavoro. Trova risposte e approfondimenti con un solo clic!
Strumenti di IA alternativi per l'analisi predittiva
Watsonx non è l'unica opzione disponibile sul mercato per la modellazione predittiva. A seconda delle tue competenze tecniche, altre piattaforme potrebbero adattarsi meglio al tuo stack. La tabella sottostante le mette a confronto in modo sintetico.
| Strumento | Ideale per | Elemento chiave di differenziazione |
| IBM Watsonx | Team aziendali che necessitano di un'IA governata e verificabile | AutoAI + governance integrata e monitoraggio della deriva |
| Google Vertex IA | Teams già presenti su Google Cloud | Stretta integrazione con BigQuery e i servizi GCP |
| Azure Machine Learning | Organizzazioni dell'ecosistema Microsoft | Connessione nativa a Power BI e Azure DevOps |
| Amazon SageMaker | Teams nativi AWS con risorse di ingegneria ML | Ampia libreria di algoritmi e ambiente notebook flessibile |
| DataRobot | Analisti aziendali che desiderano un ML completamente automatizzato | Automazioni end-to-end con solide impostazioni predefinite di spiegabilità |
| ClickUp Brain | Teams che necessitano di approfondimenti basati sull'IA integrati direttamente nei flussi di lavoro dei propri progetti | IA sensibile al contesto che funziona su attività, documenti e dashboard senza dover cambiare strumento |
📮 ClickUp Insight: Il cambio di contesto sta silenziosamente minando la produttività del tuo team. La nostra ricerca mostra che il 42% delle interruzioni sul lavoro deriva dal dover destreggiarsi tra diverse piattaforme, gestire le email e passare da una riunione all'altra. E se potessi eliminare queste costose interruzioni?
ClickUp riunisce i tuoi flussi di lavoro (e la chat) in un'unica piattaforma semplificata. Avvia e gestisci le tue attività da chat, documenti, lavagne online e altro ancora, mentre le funzionalità basate sull'IA mantengono il contesto connesso, ricercabile e gestibile!
Non limitarti a prevedere, agisci con ClickUp
L'utilizzo di IBM Watsonx per l'analisi predittiva segue un percorso chiaro, dalla preparazione dei dati al monitoraggio della deriva, ma questa è la parte più semplice. Il vero lavoro consiste nell'assicurarsi che tali previsioni cambino effettivamente il modo in cui opera il tuo team.
Le previsioni che rimangono nei dashboard che nessuno controlla sono semplicemente una risorsa di calcolo sprecata, mentre i team che ottengono un valore reale collegano i risultati dei loro modelli direttamente ai flussi di lavoro di esecuzione tramite avvisi automatici e attività ripriorizzate.
Se desideri un unico spazio di lavoro in cui le informazioni fornite dall'IA, l'esecuzione dei progetti e la comunicazione tra i team siano già integrate, inizia oggi stesso gratis con ClickUp. ✨
Domande frequenti
Si tratta di una piattaforma aziendale di dati e IA per la creazione, l'addestramento e l'implementazione di modelli di machine learning. I team la utilizzano per gestire i propri data lakehouse e monitorare la governance dell'IA da un unico ambiente cloud.
AutoAI è uno strumento no-code che analizza automaticamente i dati tabulari per effettuare la selezione degli algoritmi di machine learning migliori. Progetta le funzionalità e classifica i modelli candidati in una classifica, consentendo di implementare l'opzione più accurata.
La piattaforma richiede una solida comprensione dei concetti relativi al cloud per configurare gli spazi di distribuzione e i monitor di governance. Inoltre, non automatizza il processo manuale di pulizia e strutturazione dei dati grezzi prima del caricamento.