Il Crowdsourcing collaborativo e LILIT

Un uomo saggio una volta disse – “The more, the merrier” – (Più siamo meglio è), ed il crowdsourcing rappresenta molto bene questo concetto. Infatti uno dei suoi aspetti principali è dividere una gran mole di lavoro in parti più piccole (micro-tasks), ed assegnarle a forza lavoro non convenzionale, di proporzioni anche considerevoli.

Diverse aziende hanno intrapreso la via del crowdsourcing al fine di trovare soluzioni a difficili problemi tecnici. Come è stato già ampiamente illustrato nella parte iniziale di questo lavoro, alcune di queste aziende si connettono direttamente con la folla, altre invece utilizzano intermediari o “reti dedicate” che forniscono piattaforme di crowdsourcing come fossero veri e propri prodotti. Almeno sulla carta il crowdsourcing sembra essere un’eccellente soluzione – deleghi i tuoi problemi all’esterno, ed aspetti una soluzione dalla folla [9].

Lungo questo cammino però possono capitare alcuni imprevisti o difficoltà più o meno rilevanti. In alcuni casi le famose “sfide” finiscono per eclissare i benefici, portando a promesse non mantenute e a team disillusi i quali avevano grandi speranze e aspettative. Vediamo velocemente in quali problemi è più facile inciampare ed eventualmente come evitarli:

 Mancanza di riservatezza: un team di crowdsourcing può essere composto da persone che hanno già affrontato insieme precedenti esperienze lavorative o che comunque già si conoscono tra di loro, ma potrebbe anche essere formato da individui completamente estranei tra di loro. Nel secondo caso esiste il rischio che informazioni riservate possano finire nelle mani di un concorrente, capita spesso che alcuni dettagli del problema (prospettive aziendali o tecnologie) vengano omessi. Questa mancanza di totale fiducia (verso un gruppo anonimo di persone), da un punto di vista pratico, vuol dire trattenere informazioni che potrebbero contribuire a risolvere il problema, ed ovviamente questo fattore influisce negativamente sia sulla qualità che sulla portata delle soluzioni che verranno proposte. Se si riuscisse a creare qualcosa che sfrutti sì la forza della diversità della folla, ma con un migliore controllo

105

sulla riservatezza, si potrebbe migliorare la divulgazione di informazioni importanti, con conseguenti soluzioni più focalizzate sul problema.

 Carenza di comunicazione: nel contesto del crowdsourcing si cerca di raggiungere, metaforicamente, gruppi di persone sconosciute e molto lontane, quindi diventa molto difficile comunicare con tutti loro in maniera significativa al fine di portarli ad una profonda comprensione del problema che sono chiamati a risolvere. E se non si capisce pienamente il problema non si può arrivare ad una soluzione adeguata. Per quanto il problema possa essere impostato in modo chiaro e preciso, si tratterà pur sempre di una comunicazione a senso unico, nella quale vengono spinte informazioni verso gli utenti senza un effettivo dialogo. Il risultato è che i partecipanti impegnati nella risoluzione del problema sono liberi di creare ipotesi le quali potrebbero condurre a ragionamenti o soluzioni “out of scope”, perdendo così di vista il target reale, con conseguente spreco di risorse.

 Rischio sulla salvaguarda degli IP: sulla carta, avere decine di potenziali solutori sembra essere un fatto più che positivo, ma se si guarda la cosa dal punto di vista della gestione degli IP, si comprende quanto sia alto il rischio di contaminazione di quest’ultimi. Quasi ogni soluzione proposta è una potenziale invenzione, e conterrà informazioni riservate riguardanti l’invenzione stessa. Naturalmente, la soluzione premiata che verrà poi utilizzata cederà anche i relativi diritti, ma il problema continuerà a sussistere per tutte le altre. A meno che l’organizzazione non abbia termini contrattuali specifici per questi casi, ciò di cui una compagnia avrebbe bisogno è un modello che riduca significativamente l’esposizione alla contaminazione degli IP, e contemporaneamente riesca a garantire l’accesso alle migliori soluzioni da parte di tutti i solutori.

 Le idee non corrispondono sempre a soluzioni: ci sono studi che mostrano un effetto della competizione, dove si nota che quando il numero dei componenti della squadra di lavoro aumenta, la quantità media di impegno individuale decresce. Ne deriva che in una attività di crowdsourcing, quando si propone un problema ad un team molto ampio, si finisce di solito con l’ottenere idee piuttosto che soluzioni, poiché trasformare una semplice idea in una soluzione completamente sviluppata e supportata implica molto lavoro. Diversamente da un’idea, una soluzione ha uno scopo specifico (risolvere un problema), può essere valutata sulla base di efficacia, costi, tempi, rischi, e valore. Se un team fornisse solo idee, nella migliore delle ipotesi, sarebbe solo una parte del tragitto. Nel peggiore dei casi invece

106

provocherebbe più lavoro per l’azienda, con una conseguente sfiducia nel metodo intrapreso, ovvero il crowdsourcing.

 Carico di lavoro sullo staff tecnico: immaginate di utilizzare il crowdsourcing per risolvere un problema. Ipotizziamo che un’azienda abbia un piccolo pubblico di solutori di mille persone, e che cento di questi decidano di lavorare al problema. Ci saranno 100 persone che porranno domande, e sempre 100 persone che proporranno idee/soluzioni. Lo staff dell’azienda dovrà rispondere alle domande e rivedere almeno 100 documenti tecnici, e questo non è un lavoro banale.

È chiaro come ci siano enormi benefici nel formare team multidisciplinari piuttosto che lavorare con individui singoli. I team infatti sono in grado di affrontare problemi che sono oltre la portata di un singolo individuo. Instaurando collaborazioni all’interno di un modello nato e cresciuto attorno alla competizione, si potrebbe aumentare non solo la qualità e l’ampiezza delle soluzioni, ma anche risolvere parte dei problemi prima esposti. Questo semplicemente perché le squadre risolvono problemi in modo migliore rispetto al singolo. I rapidi progressi tecnologici non possono che favorire la crescita di questo fenomeno, sempre più affermato all’interno delle imprese di tutto il mondo e che promette ulteriori miglioramenti.

Nel crowdsourcing l'approccio tradizionale consiste in inviti aperti (open calls) che danno l'accesso ad individui dislocati in ogni angolo del pianeta, i quali insieme sono potenzialmente in grado di risolvere particolari problemi o eseguire piccoli compiti. Tuttavia, nel corso degli anni le piattaforme di crowdsourcing hanno iniziato a selezionare ristretti gruppi di risolutori qualificati in base alle loro competenze, al fine di garantire la qualità e l'efficacia del risultato finale. Come conseguenza, la selezione e assegnazione della squadra più appropriato per la risoluzione di diversi tipi di problemi sono diventati processi critici.

Il crowdsourcing è basato su contributi di un gran numero di solutori con diversi background e competenze, che si trova in tutto il mondo. In senso generale, le piattaforme esistenti utilizzano un invito aperto al quale chiunque può partecipare secondo la classica filosofia del crowdsourcing. In questa configurazione originaria una vera selezione dei membri del gruppo non è praticabile, ma d'altra parte l'intelligenza della folla intera può essere sfruttata [Souroviecky 2004]. Pertanto, attingendo a una vasta comunità globale è possibile trovare le competenze necessarie e avere più possibilità di risolvere una sfida particolare.

Tuttavia, in alcuni casi, piattaforme di crowdsourcing offrono alle aziende la possibilità di accedere a gruppi di esperti selezionati, come Innocentive o IdeaConnection. Quest'ultima

107

opzione può essere definita una chiamata chiusa (closed call) [Vukoviæ, Vaculín, 2010], in quanto solo le persone pre-selezionate possono partecipare ed osservare l'evoluzione della discussione. Anche se in questo modo il ricercatore sfrutta un numero inferiore di persone, in tal caso, ha maggiore controllo sulla qualità dei risultati. È chiaro che in una closed call la composizione del gruppo è un'attività cruciale e complessa, così come è necessario che una piattaforma di successo abbia una vasta comunità, e le informazioni sulle competenze e le capacità dei potenziali risolutori sono parziali.

Dopo l'analisi delle caratteristiche delle piattaforme esistenti ed in base all'esperienza della ricerca del team in vari progetti riguardanti lo sviluppo di una piattaforma crowdsourcing, i principali problemi da affrontare sono:

1. Quali criteri devono essere utilizzati per selezionare/invitare i partecipanti? 2. Quale approccio/framework permette di selezionare la squadra migliore?

Nella progettazione e gestione delle squadre all'interno delle aziende, molti parametri sono di solito considerati. Tuttavia, il campo di crowdsourcing presenta alcune peculiarità che saranno elencati in dettaglio nei paragrafi seguenti. In particolare, le squadre di risolutori esperti per le sfide di crowdsourcing mostrano differenze sostanziali rispetto alle squadre delineate in progetti più tradizionali condotti da aziende o reti di imprese. Il lavoro si propone quindi di descrivere i parametri essenziali che devono essere considerati durante la formazione di un team di crowdsourcing e descrive un semiautomatico Natural Language Processing che permette ad un ricercatore di individuare il più appropriato "dream team". Nel prossimo paragrafo viene presentata un breve stato dell'arte riguardante le teorie sulla progettazione di squadra. Dopo di che il documento descrive le caratteristiche principali della piattaforma di crowdsourcing sviluppato dal gruppo di ricerca, e presenta l'approccio proposto per il team building nel crowdsourcing collaborativo. Infine, un caso di studio chiarirà l'approccio descritto.

Tradizionalmente un team può essere definito come "un insieme di individui che sono interdipendenti nelle loro mansioni, che condividono la responsabilità per i risultati, che si vedono e che sono visti dagli altri come entità sociale intatte incorporate in uno o più sistemi sociali più grandi, e che gestiscono il loro rapporto attraverso i confini organizzativi." [Cohen, Baily, 1997]. Nel campo del crowdsourcing gli aggettivi principali che caratterizzano un team di solutori sono i seguenti:

 Virtuale: i membri del team non lavorano fisicamente insieme (cioè non è faccia a faccia), ma attraverso strumenti informatici, in modo asincrono.

108

 Globale: i solutori possono provenire da diverse aree geografiche e quindi possono appartenere a culture diverse. Un team di crowdsourcing è quindi un team virtuale globale che può essere impiegato per avere accesso a competenze distribuite a livello globale che non sono disponibile in un'unica zona geografica. I membri sono culturalmente diversi, senza la necessità di essere fisicamente localizzati nella stessa area [McDonough III, et al. 2011].

 Numerosi, in quanto le piattaforme di crowdsourcing acquisiscono un sacco di persone della comunità del web, secondo il paradigma dell'innovazione aperta [Chesbrough 2003].

 Multidisciplinare: i team riuniscono la conoscenza di varie persone con diverse competenze per sviluppare soluzioni. Il processo di problem solving può beneficiare di tale diversità, che può aiutare il processo creativo, fornendo punti di vista eterogenei e diversi [Kurtzberg 2005].

 Unico e one-shot, con una variazione continua dei membri. In altre parole, i solutori lavorano insieme solo una volta nella loro vita.

 Volontario. I membri del team non sono dipendenti stabili di una società, pagati per svolgere il compito particolare, ma bensì prendono parte alla sfida volontariamente. Infatti nelle imprese i compiti sono di solito assegnati direttamente ai dipendenti, mentre nelle attività di crowdsourcing ci si iscrivono volontariamente [Satzger, et al. 2012]. Pertanto i solutori hanno diversi livelli di impegno e sono consapevoli che saranno premiati solo se la loro soluzione vincerà la sfida. Così gli incentivi per i solutori di crowdsourcing sono diversi dagli incentivi per un team standard all'interno di una società.

Per le ragioni di cui sopra, è chiaro che la squadra di solutori in ambienti crowdsourcing presenta notevoli differenze con la squadra tradizionale all'interno delle aziende. In particolare la maggior parte dei trattati sul crowdsourcing espongono le linee guida sul come motivare la folla [Ebner, et al. 2008, Frey, et al. 2011, Hossain 2012], o su quello che dovrebbe essere il numero ottimale di partecipanti [Boudreau et al., 2011], ma non indagano quali caratteristiche tecniche e comportamentaliei solutori dovrebbero avere.

Riguardo a questo punto particolare, alcune pubblicazioni presentano studi e analisi relativi alla composizione della squadra per progetti software. Essi definiscono le variabili che devono essere considerate per selezionare i membri del team. Ad esempio in [Da Silva, et al. 2011] gli autori descrivono i criteri per selezionare i membri di un progetto software, che sono il profilo tecnico, i costi individuali, la produttività, la disponibilità, la personalità, il

109

comportamento, l'importanza del progetto, e l'importanza del cliente. Tuttavia, questo lavoro è focalizzato solo sullo sviluppo di squadre per sviluppo software e, inoltre, un metodo concreto per progettare la squadra corretta non è definito.

Le variabili più interessanti per il nostro lavoro sono le variabili dei membri del team relative alle caratteristiche del singolo membro del team, come la conoscenza funzionale, le variabili di social network, le variabili demografiche e variabili psicologiche. Tuttavia indagano solo le aree generali da prendere in considerazione, ed è solo il primo passo per creare un meta- modello che può essere utilizzato per la squadra raccomandata in reti OI. In altri documenti i parametri più utilizzati sono le competenze dei risolutori necessarie per risolvere un particolare problema, concentrandosi sul bilanciamento del carico di lavoro [Anagnostopoulos, et al. 2010] o sulla minimizzazione del costo di coordinamento [Lappas, et al. 2009], o entrambi [Anagnostopoulos, et al. 2012]. In particolare in quest'ultimo gli autori tengono conto delle esigenze di ogni compito, il carico di lavoro degli esperti, nonché il loro potenziale di collaborare tra loro. Anche in [Fitzpatrick, Askin 2005; Wi, et al. 2009 Baykasoglu, et al. 2007] gli autori cercano di trovare la migliore corrispondenza di esperti di competenze richieste, nonché molteplici dimensioni di competenze tecniche, ma anche le proprietà cognitive e la motivazione personale.

Scegliere i giusti parametri/variabili per valutare i migliori membri, modelli e metodi per progettare la squadra in modo strutturato può essere utile. In realtà vi è una vasta letteratura sullo studio e la formazione della squadra nelle aziende, ma di solito propongono solo linee guida informali e pratiche per una buona composizione squadra [Hackman 1987].

Ci sono diverse opere che presentano la formulazione di programmazioni matematiche per la selezione del problem team [Fitzpatrick, Askin 2005], o algoritmi ed euristiche per definire il team ottimale di individui qualificati basati sulla teoria dei grafi [Gajewar, Sarma 2011 Anagnostopoulos 2012, Wi, et al. 2009 Lappas, et al. 2009]. Ad esempio in [Dorn et al. 2011] sono presentate euristiche basate su algoritmi genetici e simulated annealing per scoprire configurazioni di squadra efficienti che producono il trade-off tra copertura, abilità e connettività delle squadre migliori. D'altra parte Satzger et al. [2012] ricorre ad aste per mappare e assegnare i compiti ai lavoratori dalla folla tenendo conto sia del prezzo che dell'idoneità dei lavoratori, basandosi sulle stime di profili utente generati.

Il metodo di costruzione della squadra presentato in questo articolo è stato implementato con successo nel Leaning Lab. Questa piattaforma già introdotta in precedenza, è un ambiente completo per l'innovazione e per il problem solving collaborativo, auto-sviluppato dal Leaning Lab dell’Università di Pisa, partner della rete europea dei Living Labs (ENOLL). La comunità del Leaning Lab raggruppa esperti provenienti da diverse istituzioni, come

110

l'Università di Pisa, Scuola Superiore Sant'Anna, Scuola Normale Superiore e imprese di molti settori (automobilistico, biomedico, robotica, strumenti industriali). Le sfide di problem solving attuate dal Leaning Lab nell’ultimo decennio hanno permesso la definizione e il conseguente sviluppo delle seguenti caratteristiche [Fantoni et al, 2012]:

o Una piattaforma software dedicata che consente ai partecipanti di interagire tra di loro, secondo il paradigma dell’"innovazione aperta", per raggiungere risultati efficaci in diversi compiti di alto livello in materia di progettazione concettuale, problem solving, tecniche di brainstorming, denominazione, e così via;

o Un insieme di tecnologie e strumenti innovativi volti a favorire la motivazione e la partecipazione creativa tra gli utenti, come ad esempio: applicazioni di crowdsourcing e sistema di tracciamento dei diritti di proprietà intellettuale (IPR) [10], un insieme di algoritmi basati sul Natural Language Processing (NLP) che monitora e quantifica il contributo alla soluzione finale di ogni solutore, questo consente l'equità della ricompensa e della protezione delle idee, accresce la motivazione, la fiducia e la partecipazione; un motore di ricerca avanzato che a sua volta cerca all'interno di tre motori di ricerca principali (Google, Wikipedia e Freepatents) i risultati più rilevanti relativi al contenuto del post. Si tratta di un ambiente di apprendimento dinamico che fornisce una serie di segnali visivi e ideali per aumentare la fantasia e suggerisce nuovi orizzonti inesplorati [Apreda et al, 2012];

o Tecnologie di risoluzione dei problemi e di concept design (sulla base dei risultati ottenuti dalla ricerca scientifica nel campo del design funzionale) di supporto e guida alla creatività degli utenti per generare innovazione sistemica;

o Un Team Builder, che analizza i contenuti dei problemi e seleziona i migliori solutori della comunità, basandosi sulle competenze e capacità di problem solving di ogni individuo. Il funzionamento di questa funzione è descritta nel presente documento. Come introdotto nei paragrafi precedenti, il crowdsourcing collaborativo presenta diverse peculiarità che influenzano gli approcci correlati del team building. La maggior parte dei problemi derivano direttamente dalle caratteristiche presenti nei modelli di problem solving e di progettazione collaborativa web-based, in particolare se effettuata all'interno delle cosiddette chiamate chiuse. Sessioni di collaborazione non sono qui concepite per progetti di lunga durata, ma piuttosto per attività non ripetibili che sono indubbiamente caratterizzati da una gamma limitata di azione e di durata, che in genere non supera 2 o 3 settimane. Inoltre,

111

le sessioni si svolgono in ambienti ristretti come un web-forum, in cui non viene data alcuna possibilità di interazione audiovisiva.

Inoltre, una volta che un problema particolare viene specificato, ed il one-shot team del caso è individuato, individui selezionati decidono di concedere una piccola parte del loro tempo per partecipare alla sessione, in quanto nessuno è coinvolto nella piattaforma a tempo pieno. Di conseguenza, il processo di costruzione del team è necessario sulla base di una nuova serie di priorità, cioè una nuova gerarchia delle esigenze, al fine di svolgere il compito richiesto con l'aiuto di risolutori adeguati. Questi sono, per esempio:

 Il possesso di competenze che meglio combaciano con una risoluzione dei problemi tempestiva ed efficace;

 Capacità misurabili di problem solving;

 Alta velocità di risposta;

 Disponibilità a concedere il proprio tempo libero personale per entrare in sessioni di problem solving altamente specializzati.

Altri requisiti assumono importanza secondaria, anche se non perdono la loro importanza generale, come ad esempio le caratteristiche della rete sociale degli individui, così come le abilità relative all’efficacia verso le relazioni interpersonali e il lavoro di squadra. Tali capacità sono ampiamente considerate nella letteratura relativa agli algoritmi di team building per progetti di concurrent engineering e a lungo termine. In questi casi la selezione del team è spesso supportato da sistemi informatici intelligenti, ma la prestazione in sé è fortemente basata sulle interazioni tradizionali, al contrario del web-based crowdsourcing collaborativo.

Dorn et al. [2011] considera i seguenti aspetti per la composizione del team nella collaborazione web-based:

(i) Competenze, che descrivono le skills desiderabili che un esperto offre per completare un compito. Per ogni skill, una metrica di qualità descrive l'esperienza dell’esperto.

(ii) Interazione a distanza, un indicatore di quanto bene gli utenti lavorano insieme. (iii) Carico, che determina la disponibilità a breve degli utenti.

Tuttavia, la connettività di un esperto (ad esempio l’interazione a distanza) deve essere considerata solo quando è indispensabile per raggiungere un risultato migliore. Questo accade per esempio in team eterogenei in cui i membri sono invitati a lavorare insieme condividendo lo sforzo, piuttosto che in avanzato crowdsourcing per la soluzione dei problemi. Sessioni di crowdsourcing, infatti, sono spesso concepite come sfide, dove

112

chiunque può pubblicare la sua idea finale senza la necessità di profonde discussioni tra gli utenti. A tal proposito, questo sistema funziona meglio in presenza di caratteristiche come il sistema di tracciamento degli IPR del Leaning Lab che garantisce l'equità e l'obiettività per misurare il contributo di ogni individuo a delineare la soluzione finale. Inoltre, tali caratteristiche possono facilitare la collaborazione all'interno di un gruppo di "stranieri", contrastando possibili sospetti di ingiustizia tra i partecipanti.

Per i motivi di cui sopra, l'analisi intelligente delle competenze dei solutori è stata delineata come la priorità per un efficace team building chiuso per il crowdsourcing collaborativo. Un'ulteriore fonte è rappresentata dalle reti sociali per le persone in occupazioni professionali (ad esempio LinkedIn), dove gli utenti sono invitati a condividere le loro conoscenze e competenze specifiche. Infine, nelle piattaforme di crowdsourcing collaborativo si dovrebbe tener conto delle sessioni passate, al fine di estrarre i dati strategici che arricchiscono il profilo e aggiornano la capacità di problem solving dei risolutori