Perché i dati sono l’eroe non celebrato della strategia di intelligenza artificiale

La corsa all’oro dell’IA – Dalle sperimentazioni e dai piloti alla strategia e alla scala aziendale

La legge di Moore è pienamente in atto quando si parla di intelligenza artificiale. L’IA è molto richiesta e ogni azienda la sta adottando. L’innovazione sta anche aiutando a alimentare questa domanda con nuovi modelli di IA, agenti di IA e nuove tecnologie che stanno entrando in questo settore. Ciò sta creando un cambiamento fondamentale per le aziende – il palcoscenico per le sperimentazioni e gli esperimenti interessanti e le mostre di IA, in particolare l’IA generativa, sta scomparendo. Le aziende stanno capendo che l’IA deve essere integrata come parte della strategia aziendale per scalare e creare una vera differenziazione aziendale. L’IA è un argomento in molte sale riunioni, con conseguente innovazione strategica e budget.

Dati: il primo domino nella strategia di IA

Un aspetto fondamentale da considerare in qualsiasi strategia di IA dovrebbe essere i dati. I dati sono cruciali per i modelli di IA per essere contestualizzati, intelligenti e specifici del dominio e dell’azienda. I modelli di IA prevedono risultati in base a come il modello è stato tarato e agli input presentati. Entrambi dipendono dalla qualità, varietà, recente e struttura dei dati.

Secondo una recente previsione di IDC, l’IA è prevista aumentare l’economia globale di quasi 20 trilioni di dollari entro il 2030, guidata non solo dai modelli, ma anche da enormi investimenti nei dati e nelle infrastrutture sottostanti che li alimentano.

I dati di formazione con subset ristretti portano a modelli distorti, i dati obsoleti portano a risultati irrilevanti e i dati scadenti portano a risultati di IA scadenti. Pertanto, i dati sono il primo domino nella strategia di dati di un’azienda. Anche con le migliori persone e tecnologie all’avanguardia, se il domino dei dati cade, l’intera strategia di IA crolla rapidamente.

Come nota il rapporto di Gartner del 2024 sui principali trend dei dati e dell’analisi, le organizzazioni che si espandono con l’IA dipendono dai dati e i leader che avranno successo saranno quelli che stabiliscono la fiducia nei loro dati e li guidano strategicamente.

Decisioni strategiche chiave per i dati per la tua strategia di IA

Ecco 5 considerazioni chiave che tu e la tua azienda dovete fare per preparare i vostri dati per la vostra strategia di IA:

1. Riutilizza il tuo paesaggio di dati – Molte aziende non riutilizzano il paesaggio di gestione dei dati, governance dei dati e archiviazione e analisi dei dati per l’IA. Molti dati che servono per reporting e analisi critici possono anche essere critici per l’IA. È quindi importante iniziare con gli asset di dati già presenti nell’azienda. Naturalmente, ciò deve essere integrato con le giuste misure di qualità dei dati.

Domanda chiave da porre – Quali dati abbiamo nella nostra azienda e in che condizione si trovano?

2. Metadati e linea di discendenza dei dati – Per i dati presenti, i metadati, ovvero i dati sui dati, potrebbero essere altrettanto critici, se non più, per l’IA. Ad esempio, i termini aziendali associati ai dati possono aiutare a identificare il contesto rilevante per un modello RAG, ad esempio. Quando un utente chiede lo stato di una richiesta in un’azienda assicurativa, tutti gli attributi di dati etichettati con lo stato della richiesta possono essere utilizzati come contesto per il modello di IA per rispondere. La linea di discendenza dei dati aiuta anche a comprendere il flusso dei dati, aiutando i modelli di IA a identificare fonti di dati attendibili.

In base a un recente blog di ISASA, la governance dell’IA è critica e richiede i giusti metadati e la linea di discendenza dei dati per scalare.

Domanda chiave da porre – I nostri dati sono etichettati correttamente con metadati aziendali e tecnici? Raccogliamo la linea di discendenza dei dati per comprendere come i dati fluiscono dall’inizio alla fine?

3. Governance e conformità dei dati – Assicurati che i tuoi dati siano ben governati e gestiti e che eventuali regolamenti e norme sulla privacy siano applicati ai dati. La strategia di IA dovrebbe quindi ereditare ed estendere queste norme e regolamenti invece di iniziare da zero. Ad esempio, se un cliente vuole che i suoi dati siano resi anonimi in conformità con le norme del GDPR, un modello di IA dovrebbe essere addestrato e operativo su un set di dati anonimi.

Domanda chiave da porre – Abbiamo un programma di governance e conformità dei dati in atto? Se no, quali sono gli aspetti chiave che devo avere in atto per la mia strategia di IA?

4. Tratta i dati master come il tuo quarterback di IA – I dati master critici, che contengono dati sugli enti chiave della tua azienda, dovrebbero essere utilizzati come base per la tua strategia di IA. Ad esempio, se esiste una visione a 360 gradi di un cliente, una strategia di IA su qualsiasi dominio del cliente, come la previsione dell’abbandono del cliente, dovrebbe sfruttare questi dati master per evitare qualsiasi dato mancante o incompleto. Naturalmente, ciò può essere combinato con ulteriori informazioni da fonti di dati specifiche.

Domanda chiave da porre – Ho i miei domini di dati master critici disponibili in un formato completo e collegato al resto del mio paesaggio di dati?

5. Dati e loro valore – I dati non dovrebbero essere trattati come un centro di costo, ma misurati in termini del loro valore, sia per l’IA che per l’azienda. Ciò richiede che i dati siano trattati come argomenti di board e CXO, oltre all’IA.

Domanda chiave da porre – Il mio board e i CXO capiscono il valore dei dati per l’organizzazione? Se no, come possiamo assicurarci che ciò sia compreso, in particolare nel contesto della strategia di IA nell’azienda?

I modelli vanno e vengono, ma i dati durano.

Mentre la tua strategia di IA si evolve, emergeranno nuovi modelli e innovazioni di IA. La velocità di innovazione in questo settore è sbalorditiva. Ma col tempo, i modelli di IA si commodizzeranno; il vero differenziatore nella tua azienda non è quale modello si utilizza, ma come viene contestualizzato con quali dati vengono utilizzati per addestrarlo, affinarlo e farlo funzionare.

Se stai creando una strategia di IA, non iniziare con il modello. Inizia con la domanda: abbiamo i dati per supportarlo?