Oltre la modellazione statistica

00:00:08 La dura verità sui progetti di data science che non riescono ad avere un impatto sulle operazioni quotidiane del business.
00:00:55 La comprensione generale della data science nella maggior parte delle aziende come modellazione statistica glorificata.
00:02:17 La differenza tra la modellazione statistica classica e ciò che fanno aziende come Google, Microsoft e Amazon.
00:03:51 La storia dell’elettromagnetismo e il confronto con la data science.
00:07:04 Il problema della mentalità Kaggle nella data science.
00:08:01 Discussione su come funziona l’innovazione tecnologica nel mondo reale.
00:09:01 Esempio di come Amazon ha rivoluzionato il commercio elettronico.
00:10:01 Spiegazione che la maggior parte dei dipartimenti di data science è bloccata in approcci accademici.
00:12:34 Spiegazione che il rischio più grande per le aziende è diventare obsolete.
00:14:06 Discussione sull’importanza futura dell’IA e del deep learning nelle aziende.
00:16:01 I progressi dei veicoli autonomi sono sorprendenti, ma la domanda è se possono essere industrializzati.
00:16:17 La discussione si sposta sull’applicazione della tecnologia nelle supply chain e nelle finanze.
00:17:37 Un test per determinare se il team di data science di un’azienda è sufficientemente significativo per la sopravvivenza dell’azienda.
00:20:07 L’importanza che gli esecutivi abbiano una “simpatia meccanica” per utilizzare efficacemente la data science nella propria azienda.
00:22:34 L’idea di assumere giovani appena usciti dall’università per rivoluzionare un’azienda è un’illusione e una pigrizia intellettuale.

Riassunto

Nell’intervista con Kieran Chandler, Joannes Vermorel discute di come la maggior parte delle aziende non sfrutti appieno il potenziale della data science, concentrandosi su modelli statistici esistenti anziché svilupparne di nuovi. Egli ritiene che le aziende dovrebbero reinventare i processi e adottare metodi statistici innovativi. Vermorel sottolinea l’importanza di abbracciare le capacità tecniche e incorporarle a livello esecutivo attraverso la “simpatia meccanica”. Sostiene che assumere giovani ingegneri non è sufficiente per la trasformazione aziendale e che gli esecutivi devono avere simpatia meccanica per sfruttare veramente le nuove tecnologie. Gli imprenditori di successo sono o molto giovani o esperti, quest’ultimi spesso acquisiti attraverso la fondazione di nuove aziende. Fidarsi dei neolaureati per la trasformazione aziendale è un’illusione e una pigrizia intellettuale.

Riassunto Esteso

In questa intervista, Kieran Chandler parla con Joannes Vermorel, fondatore di Lokad, delle limitazioni della modellazione statistica classica nella data science e di come le aziende debbano ripensare il loro approccio per avere successo in questo campo.

Vermorel spiega che la maggior parte delle aziende vede la data science come una modellazione statistica glorificata, applicando modelli statistici esistenti ai dati. Tuttavia, le aziende che prendono sul serio la data science, come Google, Microsoft e Amazon, stanno ripensando la natura dei metodi statistici e inventandone di nuovi, anziché semplicemente applicare modelli esistenti.

Egli sostiene che il modo in cui attualmente viene concepita la data science nella maggior parte delle aziende è troppo semplicistico e la confronta all’introduzione dell’elettromagnetismo nel XIX secolo. In quel periodo, le persone lo vedevano solo come uno strumento utile per compiti specifici, come il controllo di qualità. Tuttavia, una volta che l’elettricità fu sfruttata, trasformò intere industrie. Allo stesso modo, Vermorel ritiene che la data science abbia il potenziale per rivoluzionare le imprese, ma solo se le aziende la affrontano in modo diverso.

Critica l’approccio comune alla data science, che prevede la raccolta e la pulizia dei dati, l’applicazione di modelli statistici e la fornitura dei risultati. Egli sostiene che questo metodo, spesso rappresentato dalla comunità di Kaggle, è eccessivamente semplicistico e si concentra troppo sulla ricerca del miglior modello per un determinato set di dati e problema, anziché comprendere veramente i dati sottostanti e le loro potenziali applicazioni.

Invece, Vermorel suggerisce che le aziende dovrebbero considerare la data science come un modo per reinventare i loro processi, simile a come l’elettricità ha rivoluzionato l’industria. Ciò richiede un cambiamento di mentalità, passando dall’applicazione semplice di modelli esistenti ai dati allo sviluppo effettivo di nuovi metodi statistici e approcci che possano sbloccare il pieno potenziale della data science.

Joannes Vermorel sostiene che la maggior parte delle aziende non sta sfruttando appieno il potenziale della data science, poiché si concentrano sull’applicazione di modelli statistici esistenti anziché svilupparne di nuovi. Per beneficiare realmente della data science, le aziende devono ripensare il loro approccio e concentrarsi sulla reinvenzione dei loro processi e lo sviluppo di metodi statistici innovativi.

Vermorel sostiene che l’adozione di nuove tecnologie non è un processo lineare in cui le aziende semplicemente imparano dalle università e implementano innovazioni. Invece, le imprese devono impegnarsi in una discussione continua con le nuove tecnologie, acquisendo conoscenze e proiettando le loro future esigenze in base alle capacità offerte da queste tecnologie.

Vermorel usa l’esempio dello sviluppo dell’e-commerce da parte di Amazon, evidenziando come l’azienda abbia dovuto ripensare il futuro del commercio, stabilire requisiti e trovare soluzioni innovative. Egli sottolinea che la chiave per un’innovazione di successo è comprendere chiaramente il problema e porre le giuste domande.

Quando gli viene chiesto perché molti dipartimenti di data science seguono ancora approcci accademici, Vermorel cita la pigrizia come un fattore primario. Spesso le aziende optano per un approccio “di moda”, investendo nelle ultime tendenze senza considerare come queste tecnologie possano cambiare fondamentalmente i loro modelli di business. Vermorel suggerisce che le aziende dovrebbero concentrarsi sulla comprensione dei profondi cambiamenti che le nuove tecnologie possono apportare alle loro organizzazioni, anziché cercare miglioramenti superficiali.

Chandler pone la domanda se il rischio di adottare nuove tecnologie e cambiare modelli di business possa essere la ragione della resistenza al cambiamento. Vermorel riconosce il rischio intrinseco, ma sottolinea anche il rischio di obsolescenza per le aziende che non innovano. Condivide le sue esperienze di dieci anni fa, avvertendo i rivenditori del potenziale dirompente di Amazon. Nonostante inizialmente abbiano sottovalutato Amazon come insignificante, molti di questi rivenditori si trovano ora a lottare per competere con il gigante dell’e-commerce.

Secondo Vermorel, la crescita continua di Amazon e Alibaba nonostante le diseconomie di scala che affrontano indica che sono anni luce avanti rispetto alla concorrenza. Mentre gli esecutivi potrebbero essere tentati di mantenere lo status quo per ridurre al minimo il rischio, Vermorel avverte che farlo continuamente può portare alla rovina di un’azienda. Invece, le imprese dovrebbero impegnarsi attivamente con le nuove tecnologie e adattare i loro modelli per rimanere competitive di fronte alla disruzione.

Discutono del ruolo delle tecniche statistiche avanzate, del futuro della gestione della supply chain e di come le aziende possano instillare una cultura basata sui dati nei loro team.

Vermorel affronta innanzitutto la mentalità delle aziende che sottovalutano l’importanza delle tecniche statistiche avanzate. Egli sostiene che le aziende non dovrebbero trascurare i rischi di non investire in nuove tecnologie, utilizzando l’esempio delle imprese che non si sono adattate a Internet nei primi anni ‘90. Sottolinea che le aziende devono correre il rischio di adottare nuove tecnologie o rischiano di diventare irrilevanti.

Quando gli viene chiesto della futura rilevanza dell’IA e del deep learning, Vermorel fa riferimento ai sorprendenti risultati ottenuti da aziende come Google, Amazon e Microsoft in settori come gli scacchi e i veicoli autonomi. Egli crede che queste tecnologie continueranno a progredire e a svolgere un ruolo essenziale nella gestione della supply chain. Stabilisce un parallelo tra l’ottimizzazione della supply chain e il trading quantitativo in finanza, dove quest’ultimo è già in atto da decenni.

Per instillare una cultura di innovazione e assunzione di rischi nei team di data science, Vermorel suggerisce un test di verifica: se un’azienda dovesse licenziare tutti i suoi data scientist da un giorno all’altro, l’azienda sarebbe in pericolo mortale o rischierebbe il fallimento entro un anno? Se la risposta è no, allora è probabile che l’azienda non stia assumendo abbastanza rischi con il suo team di data science. Egli paragona ciò ai primi giorni di Internet, quando le aziende correvano rischi significativi con gli sviluppatori web, nonostante la tecnologia sembrasse inferiore ai metodi tradizionali dell’epoca. Questa assunzione di rischi ha permesso a quelle aziende di adattarsi e prosperare nell’era digitale.

Hanno discusso dell’importanza che le aziende abbraccino le capacità tecniche e abbiano una strategia che incorpori questi aspetti a livello esecutivo. Egli sottolinea il concetto di “mechanical sympathy”, in cui gli esecutivi hanno una profonda comprensione degli elementi tecnici, consentendo loro di prendere decisioni informate in collaborazione con gli ingegneri.

Vermorel sostiene che assumere giovani ingegneri brillanti non è sufficiente per rivoluzionare un’azienda. È invece cruciale che gli esecutivi abbiano una “mechanical sympathy” per sfruttare veramente il potenziale delle nuove tecnologie. Sottolinea il fatto che il modello comune per gli imprenditori di successo è essere molto giovani o avere una significativa esperienza e saggezza, spesso acquisite attraverso la creazione di nuove aziende. Vermorel conclude che fare affidamento su neolaureati freschi per trasformare un’azienda è un pensiero illusorio e una pigrizia intellettuale.

Trascrizione completa

Kieran Chandler: Oggi su LokadTV, andremo oltre la modellazione statistica classica e discuteremo del motivo per cui i dipartimenti di data science devono fare più di semplicemente raccogliere dati, manipolarli e fornire risultati. Quindi Joannes, la maggior parte di noi sta ancora cercando di capire la modellazione statistica classica. Qual è l’idea chiave di oggi?

Joannes Vermorel: Ci sono diverse idee. Innanzitutto, sto usando il termine “modellazione statistica” come ho suggerito per questo episodio perché, quando si guarda alle pratiche di data science come sono immaginate nella maggior parte delle aziende, è solo una modellazione statistica glorificata. Per il pubblico generale, nel caso vi stiate chiedendo, quando si tratta di estrarre modelli o replicare qualche aspetto dell’intelligenza umana, tutto ciò che abbiamo al momento è la statistica. Questi metodi statistici possono avere nomi fantasiosi come deep learning, e alcune persone li definiranno come intelligenza artificiale, ma letteralmente, ciò che abbiamo sono modelli statistici.

In passato, qualche decennio fa, c’erano stati tentativi di realizzare l’intelligenza artificiale con approcci non statistici, come l’approccio simbolico, che ha prodotto risultati pratici quasi nulli. Questo ramo è scomparso, lasciando l’approccio statistico come l’unico che ancora esiste in misura significativa al giorno d’oggi. Quindi tutto ciò che abbiamo per fare qualcosa di straordinario con i dati sono metodi statistici.

La cosa interessante è: cosa stanno facendo quelle squadre nella maggior parte delle aziende che stanno effettivamente facendo data science? Beh, stanno giocando con modelli statistici. Io contrappongo questo a ciò che, diciamo, persone che sono veramente serie al riguardo, come Google, Microsoft e Amazon, stanno facendo. Non stanno solo facendo modellazione statistica; stanno ripensando la natura fondamentale del prossimo metodo statistico, come inventare il deep learning rispetto a giocare con il deep learning. Si tratta di inventare la prossima fase degli alberi potenziati dal gradiente rispetto a prendere gli alberi potenziati dal gradiente, un modello statistico, e applicarlo a un altro set di dati.

Kieran Chandler: Quindi la comprensione comune è che queste squadre entrano, raccolgono dati, li puliscono, applicano i loro modelli statistici e forniscono risultati. Cosa fanno di così tanto meglio Google e Amazon?

Joannes Vermorel: Penso che per rispondere a questa domanda, dobbiamo tornare un po’ indietro nel tempo e ripensare un po’ al XIX secolo, quando l’elettromagnetismo era una cosa completamente nuova.

Kieran Chandler: Se leggi un po’ di storia, come le persone si stavano avvicinando a questo, diresti: “Oh, c’è l’elettromagnetismo. È così incredibilmente interessante.” Immagina che tu sia un’azienda industriale dell’epoca, un’azienda pre-industriale. Hai un produttore che è semi-manuale, e poi hai questa cosa dell’elettromagnetismo che sta diventando interessante, e dici: “Oh, penso che valga davvero la pena avere una piccola squadra che fa alcune cose straordinarie con quello.” E magari, per la garanzia di qualità, avremo alcune cose con cui possiamo testare la conducibilità, ed è molto promettente. E faremo alcune cose che sono interessanti perché, sì, testare la conducibilità è un ottimo modo per fare la garanzia di qualità su alcune cose che produciamo.

Joannes Vermorel: Se ci ripensi un secolo dopo, penseresti che è una sciocchezza. Voglio dire, con l’elettricità, puoi avere motori, illuminazione elettrica, riscaldamento, raffreddamento e persino fondere il metallo. Sostituirà tutti i bisogni di avere una fiamma aperta nella tua azienda. Quindi, una volta che hai l’elettricità su larga scala, puoi letteralmente reinventare praticamente tutto nel modo in cui lo stai facendo. La cosa è che la data science è immaginata come qualcosa di straordinario, e le persone si attengono al modo in cui il problema si presenta.

Kieran Chandler: Quindi, il modo in cui viene fatto in ambito accademico è presentare il problema come se avessi un dataset ben definito, una serie di modelli e metriche di accuratezza di qualche tipo perché vuoi fare una previsione di qualche tipo. E andremo ad esplorare i vari modelli e cercheremo il modello che si comporta meglio. E questo è letteralmente incarnato nelle competizioni Kaggle di cui abbiamo discusso in precedenza.

Joannes Vermorel: La gente dice: “Beh, tutto è stato impostato; c’è un dataset dato, un problema con una metrica data, e poi c’è una collezione infinita di modelli.” La maggior parte di essi può anche essere composta in molti modi, e potenzialmente puoi rielaborare le caratteristiche che hai per rendere il dataset più piacevole rispetto al modello che hai. Questa è la data science.

Kieran Chandler: Cosa c’è di così sbagliato in quel tipo di mentalità Kaggle? È solo eccessivamente semplicistico e ti dice che avrai solo un risultato accurato, o perché è così sbagliato?

Joannes Vermorel: Se guardi alla storia, e ancora una volta, è qualcosa che si vede solo una volta che è passato, diventa ovvio. Ma al momento presente, quando sei ai margini, è difficile vedere. Una volta che è diventato la norma, è così ovvio. Quindi ora, se torno alla data science, vedo le aziende che inevitabilmente prendono progetti personali, un’applicazione personale, una sorta di gadget numerico di fantasia in cui hai inserito un po’ di intelligenza artificiale. Probabilmente la cosa più assurdamente inutile sono i chatbot. Ma so che ci sono molte persone che hanno raccolto molti soldi per sviluppare grandi aziende che possono imparare dinamicamente come discutere su Twitter e diventare nazisti in 48 ore solo perché le persone hanno fornito gli input corretti. E questo è solo assurdo.

Kieran Chandler: Tornando a questo, voglio dire, il problema è che quando si vuole pensare a ciò che comporta una nuova tecnologia, non è un processo unidirezionale. Le persone pensano che le università scoprono cose, le insegnano agli studenti, e gli studenti che ora sono laureati con lauree in ingegneria, lauree in informatica, ecc., entrano nelle aziende e implementano l’innovazione. Ma non è assolutamente così che funziona il mondo reale.

Joannes Vermorel: Il mondo reale è, ad esempio, Amazon ha praticamente inventato ciò che stava per diventare l’e-commerce, insieme ad altri come eBay e altri pionieri. Hanno definito ciò attraverso la loro innovazione. Non era Jeff Bezos che andava da qualche parte nei primi anni ‘90 dicendo: “Sto solo assumendo webmaster e costruendo un sito web.” Hanno dovuto pensare a quale sarebbe stato il futuro del commercio a distanza, e questo era qualcosa di profondamente diverso da quanto fatto finora.

Quindi, la data science, vedi, il problema è che pensi che si tratti di avere un framework in cui puoi avere ingegneri intelligenti che implementano la soluzione. Beh, in realtà, il processo è molto più un dibattito continuo in cui l’azienda acquisisce conoscenze su nuove capacità tecniche e poi si proietta in ciò che dovrebbe essere il business del loro futuro. Stabiliscono quindi i requisiti di ciò che manca dal punto di vista tecnologico per implementarlo effettivamente, e di solito ti rendi conto che la maggior parte dell’innovazione deriva dai requisiti. Una volta che hai una visione chiara di ciò di cui hai bisogno, la soluzione non è così difficile da trovare una volta che sai quale domanda fare.

Kieran Chandler: E perché diresti che la maggior parte dei dipartimenti di data science è ancora bloccata in quei modi accademici? Voglio dire, perché non sono più come gli Amazon del mondo?

Joannes Vermorel: Prima di tutto, perché se sei un’azienda di una certa dimensione e vedi queste parole di moda, il modo pigro per farlo è aggiungere una riga nel loro budget in cui spenderanno qualche milione all’anno sull’approccio di moda del giorno. Se è un team di data science, sì, facciamolo. Se il blockchain è una cosa, sì, abbiamo anche un team di blockchain. Routineamente introdurranno qualcosa che è la parola di moda del giorno e elimineranno qualcosa che è uscito dall’entusiasmo. È solo il solito modo di fare affari.

Il mio messaggio è che se vuoi fare qualcosa di concreto, devi davvero chiederti quale sarebbe il cambiamento profondo nella tua azienda a causa di quei metodi numerici fantasiosi. Se l’unico cambiamento è una cosa cosmetica, come calcolare automaticamente le classi ABC in modo migliore, non cambierà nulla per la tua azienda. Ma sicuramente, cambiare l’intero modello di business di un’azienda per adattarsi a qualche tipo di nuova tecnologia è un’altra storia.

Kieran Chandler: È intrinsecamente rischioso, e non diresti che è questa la ragione per cui c’è così tanta resistenza a questo tipo di cambiamento? È perché fondamentalmente, se le persone non lo capiscono, ci sono molti rischi associati ad esso perché è una nuova tecnologia? Quindi è molto più sicuro lasciarlo com’è e investire magari un po’ in ricerca e sviluppo?

Joannes Vermorel: Il problema è il rischio ambientale di fallire solo perché sei diventato obsoleto. Per la maggior parte delle aziende, questo rischio è molto reale. Ho discusso con molti rivenditori per oltre un decennio, e letteralmente dieci anni fa, ho avuto discussioni surreali in cui dicevo loro che questa azienda, Amazon, sta arrivando e si mangerà il tuo pranzo. Devi fare qualcosa. E la gente mi diceva: “Oh, ma guarda, è così piccola. Sì, sta crescendo, ma non ha nemmeno l’uno percento di quota di mercato. Non ci importa.” Oggi, se guardi Amazon e Alibaba, sono assolutamente giganteschi e continuano a crescere, il che è folle. Considerando la quantità di economie di scala che stanno subendo, sai che quando cresci oltre una certa dimensione, non ottieni più economie di scala, ottieni diseconomie di scala. Amazon è molto oltre la fase delle diseconomie di scala, quindi ha handicap enormi per qualsiasi cosa faccia perché ha tali diseconomie di scala. Se vogliono ancora avere anche solo l’uno percento di crescita, devono superare diseconomie di scala assolutamente enormi. Ciò significa che non stanno facendo qualcosa che è marginalmente migliore rispetto alla maggior parte delle altre aziende; sono semplicemente anni luce avanti. Quindi, in effetti, come dirigente, non fare nulla o non mettere mai in discussione lo status quo è la carta più sicura che puoi giocare, non c’è dubbio su questo. Il problema è che se giochi questa carta continuamente per un paio di decenni, beh, l’azienda viene superata. Il mio messaggio sarebbe per il CEO: Puoi tollerare che questa mentalità sia diffusa nella tua azienda? Non vedi problemi incombenti? Se non lo fai, beh, direi che nessuno verserà lacrime sul fatto che tu abbia seguito la strada del dodo.

Kieran Chandler: Quindi, queste tecniche statistiche avanzate sono molto di moda al momento, e le persone parlano sempre di parole di moda come AI e deep learning. Ma quanto puoi essere sicuro che tra dieci anni, questo sarà ancora un argomento importante per queste aziende?

Joannes Vermorel: È una buona domanda. Prima di tutto, i risultati ottenuti da aziende come Google, Amazon o Microsoft con queste tecnologie sono semplicemente sbalorditivi. Ad esempio, siamo passati da programmi che avevano molta difficoltà a superare un grande maestro degli scacchi a qualcosa che ora batte il campione di scacchi. Se guardi gli ultimi lavori di Google, puoi passare da zero a incredibilmente, inumaniamente bravo in quattro ore per gli scacchi. Possono creare un programma che imparerà a giocare a scacchi e, in quattro ore, raggiungerà un punto che è letteralmente inumano, dove batterà ogni singolo essere umano vivo. Il modo in cui il computer gioca a scacchi è semplicemente incomprensibile perché non ha nemmeno lontanamente senso. Quindi, hai risultati sbalorditivi, ovviamente, per problemi molto specifici e ben definiti. Ma se guardi i veicoli autonomi, è assolutamente sbalorditivo anche quello; funziona.

Kieran Chandler: La domanda è, può essere industrializzato? Abbiamo ancora qualche esitazione, ma la quantità di progressi è letteralmente sbalorditiva.

Joannes Vermorel: Il fatto che tu possa fare questo salto di fede e dire, beh, ci sono queste tecnologie che sono state dimostrate funzionare in una lunga serie di casi. È una convinzione molto ragionevole dire che le probabilità sono abbastanza alte che queste cose reinventino completamente il modo in cui vengono gestite le supply chain. A proposito, nel caso della supply chain, non sarà nemmeno qualcosa di molto nuovo perché se guardi Lokad, noi sosteniamo questa visione di supply chain quantitativa. Ma se guardi cosa viene fatto nelle banche, nella finanza al giorno d’oggi, si tratta tutto di trading quantitativo. Hanno dei quant, e non è nemmeno il futuro, è già lì, è stato lì per due decenni o più. Quindi ora, l’idea è che questo approccio arriva due o tre decenni in ritardo rispetto alla supply chain, ma è già stato in atto da decenni nella finanza.

Kieran Chandler: Se qualcuno sta guardando questo e si sta chiedendo cosa deve fare per instillare quel tipo di cultura nei propri team di data science, quali sono i passi che dovrebbero compiere? Come dovrebbero spingere i loro team a correre più rischi e a essere un po’ più innovativi e a muoversi contro le facili opzioni dello status quo?

Joannes Vermorel: Penso che tu possa fare un semplice test: se l’azienda dovesse licenziare tutti i data scientist da un giorno all’altro, l’azienda sarebbe in grave difficoltà? Fallirebbe entro un anno? E se la risposta è no, allora probabilmente quelle persone sono insignificanti, e non importa quello che stai facendo con quelle persone. Potresti dire: “Oh, ma è così rischioso, è così brutale.” Ma ancora una volta, ripensa alla situazione di Amazon all’inizio degli anni ‘90 con il web. La gente avrebbe detto: “Oh, ma abbiamo una dipendenza così grande da questi ingegneri web. È folle dipendere da questa tecnologia che sembra terribile. Hai questo modem che è super lento, ci vogliono tre minuti per stabilire la connessione. Questa è una montagna di spazzatura su una montagna di spazzatura. E poi hai immagini con una risoluzione così bassa. Voglio dire, prima aspetti un minuto per avere l’immagine del tuo prodotto, e poi è terribile. Questo catalogo cartaceo è molto meglio. Accesso in tempo reale a tutti i prodotti, immagini ad alta risoluzione. Questa cosa del web è solo un grande mucchio di sciocchezze. Perché dovremmo correre rischi avendo una dipendenza così forte a livello aziendale su questi sviluppatori web?” Beh, la risposta è perché se non lo fai, tra dieci anni, venti anni, non esisterai più.

Quindi ovviamente, sto giocando con il senno di poi. Le cose sono molto più ovvie ora. È difficile per me trasmettere questo concetto, ma la cosa è che penso che molte aziende abbiano capito questo, ed è per questo che hanno assunto questi data scientist. Ma non si rendono conto che la domanda è, hai una strategia in cui i dirigenti principali sfruttano al meglio queste capacità tecniche? E questo richiede un certo pensiero strategico.

Kieran Chandler: Quindi, hai una simpatia meccanica, che ti permetterebbe di avere una discussione intelligente ed educata con gli ingegneri che stanno costruendo il motore per la tua azienda? Diresti che questo è uno dei veri grandi ostacoli quando si tratta di data science nelle aziende, il fatto che attualmente probabilmente gli esecutivi non hanno quel livello di simpatia meccanica di cui hanno bisogno?

Joannes Vermorel: Francamente, se potessi reinventare le aziende assumendo persone di 24 anni e lasciando che facciano la magia, sarebbe fantastico. Ma se guardi la storia delle aziende, il numero di volte in cui le cose sono andate così - assumendo un ingegnere brillante che è riuscito a rivoluzionare completamente un’azienda di 50 anni dall’interno - è molto raro. Il modello dominante è o persone molto giovani o persone di età superiore ai 45 anni, in quanto di solito hanno un certo capitale, esperienza e forse un certo grado di saggezza. Ci vuole una nuova azienda per ottenere tutto questo.

Il mio consiglio sarebbe: se pensi che assumere persone appena uscite dall’università rivoluzionerà la tua azienda, stai solo sognando. Non è serio e, oserei dire, è al massimo intellettualmente pigro.

Kieran Chandler: Ok, dobbiamo concludere qui, ma grazie per il tuo tempo. Quindi è tutto per questa settimana. Grazie mille per averci seguito e ci vediamo nel prossimo episodio. Grazie per la visione.