L'integrazione dell'AI nella propria organizzazione inizia identificando come le piattaforme di AI, i modelli di fondazione, l'AI generativa e il machine learning (ML) si allineano agli obiettivi chiave. Le aziende tendono a sopravvalutare l'impatto delle funzionalità di intelligenza artificiale e a sottovalutarne la complessità: i responsabili dei dati e dell'analytics si trovano così a dover ridurre le aspettative e a fronteggiare il rischio di fallimento dei progetti.²

"In quanto data leader, pensate alle richieste più frequenti che vengono fatte ai vostri team e a come l'AI potrebbe semplificare le cose in questi settori di attività", afferma Ann Leach, direttrice del Portfolio Product Management presso IBM. “Dove possono integrare l'AI per migliorare i processi decisionali, creare workflow e processi migliori o fornire all’azienda informazioni in grado di promuovere l'innovazione?”

Per sfruttare al meglio le tue applicazioni AI, tieni a mente questi suggerimenti:

Focalizzati sui risultati aziendali

Collabora con i leader per raggiungere gli obiettivi aziendali generali della tua organizzazione. Tim Humphrey, Chief Analytics Officer di IBM, suggerisce che, sia che si stia valutando un caso d'uso dell'AI con un leader del marketing, delle risorse umane, della supply chain, delle vendite o della gestione degli asset, è necessario chiedersi dove quel leader stia cercando di portare quella funzione o organizzazione. Si tratta di capire dove si trova in quel momento e dove dovrebbe andare. Humphrey aggiunge: "Se non riesci ad applicare l'AI lungo quel continuum tra quello che è e quello che sarà, non dovresti nemmeno iniziare".

Inizia facendo dei test


Con l'AI, è necessario provare diversi proof of concept finché non si trova la soluzione giusta. Successivamente, la soluzione individuata deve essere ottimizzata. "Piuttosto che dedicare molto tempo a rendere tutto perfetto, preferisco passare da un proof of concept all'altro fino a trovare quello che può davvero funzionare", afferma Caroline Carruthers, CEO di Carruthers and Jackson e autrice di The Chief Data Officer's Playbook.

Stabilisci e monitora gli obiettivi

Definisci dei KPI per misurare il successo di ogni caso d'uso. Supponiamo che il progetto riguardi l'identificazione delle frodi con le carte di credito e che si voglia far sì che l'AI identifichi il 95% dei casi di frode. Tenere traccia dei progressi con le metriche consente di mappare e monitorare i livelli di prestazioni dell'AI e di dimostrarne il valore agli stakeholder.

Uno degli aspetti più difficili del lavoro di un data leader è quello di stabilire modi rapidi e affidabili per passare dai dati agli insight. È necessario disporre dei dati giusti per eseguire un modello, ma non tutti i dati sono adatti all'AI.


"Tutto inizia con un set di dati appropriato per un caso d'uso specifico: senza di esso, non si può parlare di AI", afferma Remus Lazar, Vice President of Software Development, Data Fabric, IBM. Cita l’esempio di una compagnia aerea che desidera utilizzare l'AI predittiva per prevedere se i passeggeri potranno prendere dei voli in coincidenza. "Se si raccolgono solo i dati sui passeggeri che hanno perso la coincidenza e non su quelli che sono riusciti a prendere il volo, allora non sono i dati giusti da utilizzare. Senza i set di dati appropriati non è possibile risolvere alcun caso d’uso”.

Rivedi l'architettura dei dati

Secondo più della metà delle organizzazioni, i dati sono la causa dello stallo dei progetti di AI. Un'architettura dati moderna come un data fabric offre funzionalità integrate di qualità e governance dei dati. Consente ai data scientist di gestire autonomamente i dati, indipendentemente da dove risiedono, applicando automaticamente tutti i requisiti di governance e privacy. Questo approccio offre agli utenti dati affidabili e pronti all'uso e l'accesso a fonti diverse in tempo reale, con una governance completa che promuove l'agilità e la velocità.

Alimenta i tuoi modelli con dati attendibili

In un'epoca in cui le normative e l'etica sull'AI sono complesse e in continua evoluzione, è necessario chiedersi: qual è la governance di questi dati, e possono essere utilizzati per questo scopo? La qualità e la governance dei dati sono fondamentali per scalare con successo le soluzioni di intelligenza artificiale. Prima di poter fare affidamento sulle decisioni dell'algoritmo, la tua organizzazione dovrebbe saper rispondere a diverse domande.


• Ad esempio, hai bisogno di dati esterni o dati interni?
• Stai utilizzando dati storici?
• Se sì, sono etici secondo gli standard odierni?

Spetta a te, in qualità di data leader, determinare chi controlla i dati, chi ha accesso a software e app di intelligenza artificiale e chi deve accedervi per garantire che le iniziative di AI siano utili.

Impegnati per garantire un’AI etica

Le linee guida per un'AI responsabile includono considerazioni come sicurezza, spiegabilità e distorsioni. Se stai utilizzando dati storici per alimentare un modello, assicurati che siano in linea con l'etica e la sensibilità attuali della società. Ad esempio, l'atteggiamento nei confronti di genere, razza, sesso, classe ed età è diverso oggi rispetto agli anni Settanta. L'utilizzo di un set di dati obsoleto potrebbe perpetuare le distorsioni dell'AI, alterando i risultati fin dall'inizio. Le organizzazioni possono distinguersi affrontando le questioni etiche in modo strategico, mirato e ponderato.

L’AI aziendale richiede la stessa comunicazione, la stessa struttura e lo stesso rigore comuni nelle aree più consolidate di un’organizzazione. Ma lo sviluppo dei modelli avviene troppo spesso sul laptop dei data scientist e l'orchestrazione viene eseguita manualmente o ad hoc, utilizzando codice e script personalizzati. Ecco perché sono necessarie pratiche MLOps (machine learning operations), ovvero l'applicazione di funzionalità di AI, come l'elaborazione del linguaggio naturale (NLP) e i modelli di ML, per automatizzare e semplificare i flussi di lavoro operativi. Non bisogna nemmeno trascurare i vantaggi in termini di efficienza che derivano da modelli AI flessibili e riutilizzabili come modelli di fondazione.

Velocizza i workflow in modo efficiente

È utile disporre di una serie di best practice per le piattaforme di AI aziendali che velocizzino e sincronizzino la collaborazione tra i team di data science e il reparto IT.

"Si vuole creare la capacità di distribuire automaticamente modelli sicuri all'edge, ai servizi web, ai mainframe, al giusto tipo di hardware e giustificarli", afferma Steven Eliuk, vicepresidente del reparto AI & Governance dell'IBM Global Chief Data Office. "Noi di IBM siamo sempre alla ricerca di modi per consentire ai gruppi di mettere i propri modelli in produzione più rapidamente, ma in modo sicuro e controllato", aggiunge Eliuk.

Risolvi il problema dell'errore umano

MLOps automatizza i processi manuali e aiuta a eliminare costosi errori umani, riducendo i rischi e rendendo l'azienda molto più agile. Oltre a semplificare la produzione, MLOps aiuta i modelli a funzionare come dovrebbero, garantendo affidabilità nell'intero ciclo di vita dell'AI. Ti aiuta a rispondere a domande critiche come: questi dati sono distorti? Ci sono abbastanza campioni rappresentativi del set di dati? Quando si passa allo sviluppo, si utilizzano gli algoritmi giusti o questi algoritmi perpetuano le distorsioni già presenti nei dati?

Ecco come un data leader ha attuato le pratiche MLOps: "I nostri MLOps controllano costantemente la qualità, testando la qualità delle nostre previsioni e la qualità del nostro ML", spiega Peter Jackson, Chief Data and Operations Officer di Outra. "Abbiamo un'intera serie di dashboard che fanno capo al senior management team dove possiamo vedere la qualità e il potere predittivo di questi modelli. E se notiamo un calo nel corso di un mese, esaminiamo i nostri programmi di machine learning e analizziamo le origini dati per capire perché non funzionano".

Le organizzazioni che utilizzano modelli AI distorti o inspiegabili corrono gravi rischi per la reputazione del loro brand. Potrebbero anche dover affrontare controlli governativi e incorrere in sanzioni milionarie per non aver soddisfatto requisiti normativi complessi e mutevoli. Tutti questi problemi possono avere un impatto devastante sulle relazioni con gli azionisti e i clienti.

Conosci e fai affidamento sul tuo modello AI

I modelli black box, che non offrono processi trasparenti, rappresentano una preoccupazione crescente per gli stakeholder dell’AI. Questi modelli vengono costruiti e implementati ma mancano di trasparenza. Non è sempre facile, anche per i data scientist, risalire a come e perché un modello ha preso una decisione. E con l'aumento delle normative, come quella della città di New York che regolamenta l'utilizzo dell'AI nelle assunzioni e la proposta di legge sull'AI dell'Unione Europea, le aziende devono diventare rapidamente più consapevoli.


La governance dell'AI è il processo complessivo di direzione, gestione e monitoraggio delle attività di AI nei processi aziendali. I data leader dovrebbero collaborare con i chief risk officer, i chief compliance officer e altri stakeholder chiave fin dall'inizio di un progetto di AI per sviluppare un framework di governance dell'AI. Questo framework dovrebbe delineare le best practice dell’azienda per lo sviluppo, l’implementazione e la gestione dei modelli di AI e, infine, l’eliminazione delle black box.

Traccia i modelli dall'inizio alla fine

La governance dell'AI stabilisce dei guardrail in ogni fase del ciclo di vita dell'AI e dell'apprendimento automatico, tra cui la raccolta dei dati, la creazione di modelli, l'implementazione, la gestione e il monitoraggio. Questi guardrail danno luogo a processi più trasparenti e forniscono risultati spiegabili ai principali stakeholder e clienti. Implementare la governance dell'AI dall'inizio alla fine aiuta a gestire meglio il rischio e la reputazione, a rispettare i principi etici e a proteggersi e adattarsi alle normative governative.

Un importante retailer statunitense si è rivolto a IBM per ricevere assistenza nella risoluzione dei problemi di equità degli strumenti e dei sistemi di reclutamento che selezionano i candidati. Per questo datore di lavoro era fondamentale incorporare equità e fiducia, compresa la capacità di identificare le distorsioni e spiegare le decisioni, all'interno del modello di AI e ML utilizzato per le assunzioni. L'azienda ha utilizzato IBM® Cloud Pak for Data per gestire in modo coerente i modelli basati sull'AI garantendo accuratezza ed equità. Ora, l’azienda sta monitorando e mitigando in modo proattivo le distorsioni nei suoi processi di assunzione.

Mostra il tuo lavoro

IBM applica questo approccio anche internamente. "Se una determinata normativa richiede trasparenza o spiegabilità, ci assicuriamo che l'algoritmo o la valutazione dell'impatto mostrino questi dettagli, in modo da poter cambiare rapidamente per garantire una conformità continua alle nuove normative, invece di incidere sull'azienda", spiega Eliuk.

Con il passaggio dell'AI da oggetto di sperimentazione a elemento critico per ogni azienda, le organizzazioni vedono la necessità di implementare in modo proattivo la governance dell'AI, per ottenere un'AI trasparente e spiegabile. La mancanza di guardrail intorno all'AI può far deragliare i progetti di AI e rallentare l'innovazione.