I dati sono la base su cui si fonda l’intelligenza artificiale (IA). La loro disponibilità è essenziale non solo per il successo dell’IA, ma anche per la creazione di dashboard e una migliore integrazione dei dati nei sistemi informativi. Le imprese devono lavorare su due fronti per garantire la disponibilità dei dati: creare piattaforme dati per ospitare informazioni pronte all’uso e implementare una governance dei dati per controllare e migliorare la qualità del patrimonio informativo aziendale.

Le sfide della gestione dei dati

Questi progetti sono complessi, costosi e richiedono tempo. Tuttavia, è importante chiarire che il contributo dei dati non è direttamente misurabile, eccetto per la loro monetizzazione esterna o per alcune applicazioni normative, in particolare nelle istituzioni finanziarie. Non si misura facilmente il valore dello scambio di dati tra sistemi informativi o il contributo di una dashboard a una decisione migliore.

Valutare il contributo dei dati per l’IA

Valutare il contributo dei dati sull’IA è, in teoria, più semplice. Si tratta di stimare l’impatto economico derivante dal miglioramento delle prestazioni del modello IA con i dati aggiuntivi, sottraendo i costi di acquisizione e/o di messa a disposizione dei dati. Tuttavia, in pratica, la gestione dei dati è regolata dall’equilibrio tra offerta e domanda di dashboard e KPI (indicatore chiave di prestazione). I sistemi decisionali, spesso, richiedono più dati rispetto all’IA, portando le aziende a privilegiare la condivisione dei dati per tutte le loro applicazioni, ma de-prioritizzando i progetti di industrializzazione dell’IA.

2024: l’anno del passaggio di scala dell’IA generativa?

Probabilmente no, soprattutto per i grandi modelli generalisti. I costi associati all’inferenza e alla gestione della regolamentazione dell’IA rimangono elevati. Utilizzare un grande cloud pubblico o un modello open source comporta costi significativi, rendendo difficile prevedere un rapido passaggio di scala dei casi d’uso associati a un LLM (Large Language Model), soprattutto in Europa.

Strategie per l’adozione dell’IA

Il passaggio di scala dell’IA è una buona strategia per le aziende che affrontano una crescita rapida su applicazioni IA mirate, come raccomandazioni o targeting pubblicitario. Tuttavia, questo non corrisponde alla maggior parte delle aziende. Per accelerare l’adozione dell’IA, si prospettano due sfide principali: passare da un’IA estensiva a un’IA intensiva, concentrandosi su un numero limitato di “big bets” che rispondono a reali sfide di business, e rimuovere gli ostacoli umani, organizzativi e istituzionali per mobilitare i team ed esplorare nuove opportunità.

Fonte: L’ADN.