Perché la Qualità dei Dati Decide se l’Intelligenza Artificiale Aziendale Ha Successo o Fallisce

Dalla presentazione di ChatGPT da parte di OpenAI alla fine del 2022, ogni azienda sta cercando di muoversi più velocemente con l’AI. I grandi player di hardware come Nvidia stanno vendendo più GPU che mai, mentre i costruttori di modelli come OpenAI e Anthropic continuano a costruire modelli sempre più grandi.

Eppure, anche con i modelli più avanzati e i budget più grandi, molti progetti di intelligenza artificiale non raggiungono gli obiettivi. Abbiamo visto questo accadere in diversi settori, dalla sanità ai trasporti alla finanza e oltre. Il motivo non è difficile da capire: l’AI è solo buona quanto i dati su cui è stata addestrata e i dati che riceve in tempo reale. Quando quei dati sono etichettati in modo errato, superati o incompleti, nessun modello può produrre risultati coerenti o attendibili.

E questo è il grande problema che molte aziende affrontano oggi. Investono molto in strumenti di intelligenza artificiale, mentre i loro sistemi di dati rimangono sparsi e poco affidabili. Il risultato è un’illusione di progresso. Mentre i modelli producono risposte impressionanti, le informazioni sono spesso basate su fondamenta deboli. La vera barriera al successo dell’AI non è la prestazione del modello. È la qualità dei dati.

Cosa Significa Davvero un Buon Dato

I dati di alta qualità non sono solo questione di accuratezza. Significano informazioni che sono attuali, complete e rilevanti per il problema in questione. Immagina un cliente che tenta di annullare un ordine su un sito di e-commerce. Il sistema deve controllare i dettagli dell’ordine, lo stato di spedizione e il record di pagamento. Se uno di quei punti di dati vive in sistemi diversi che non si parlano tra loro, l’assistente AI fallirà nel fornire una risposta utile.

I buoni dati collegano questi punti all’istante. Consentono all’AI di vedere un’immagine completa piuttosto che frammenti di essa. I dati scadenti, d’altra parte, costringono il modello a indovinare. E quando l’AI inizia a indovinare, commette errori che costano denaro e danneggiano la fiducia. Esempi recenti mostrano quanto pericolose possano essere tali ipotesi.

Il chatbot aziendale di New York City ha fornito consigli illegali perché attingeva da informazioni legali superate o incomplete. Il bot di servizio clienti di Air Canada ha fatto false richieste di rimborso perché mancava di contesto dalla politica aziendale. Anche grandi sistemi di assunzione hanno filtrato in modo errato i candidati a causa di dati distorti o etichettati in modo errato, come visto nel primo accordo relativo all’intelligenza artificiale dell’EEOC. Questi fallimenti non sono solo tecnici. Sono reputazionali e finanziari, e derivano da sistemi AI che sono stati addestrati su dati poco affidabili.

Gli studi di settore confermano la portata di questo problema. Gartner riferisce che l’80 percento dei progetti di intelligenza artificiale fallisce a causa della scarsa qualità dei dati e della governance. Allo stesso modo, un sondaggio di MIT Sloan Management Review ha scoperto che i problemi di dati, non gli algoritmi, sono il principale motivo per cui i progetti di intelligenza artificiale aziendale falliscono.

La Cultura Conta Quanto il Codice

Migliorare la qualità dei dati non è qualcosa che puoi risolvere con uno strumento o un comando singolo. Richiede un cambiamento culturale. È per questo che i leader aziendali devono trattare i dati come un sistema vivente che necessita di cura e responsabilità. Non si tratta solo di dichiarare che si vuole “migliorare i dati” – questo non è sufficiente. Ogni parte dell’organizzazione deve capire come le informazioni si muovono, chi le possiede e cosa succede quando cambiano.

Abbiamo visto come questo si svolge in sistemi reali. Molti applicazioni di intelligenza artificiale si basano su aggiornamenti dei dati notturni. Se il tuo database si aggiorna una volta al giorno, la conoscenza del modello sarà sempre in ritardo rispetto alla realtà. In ambienti in rapida evoluzione, quel ritardo può significare informazioni superate e decisioni scadenti. Le aziende devono ripensare l’intero flusso di dati, da come le informazioni vengono raccolte a come vengono consegnate al modello.

Farlo bene può risparmiare enormi quantità di tempo e denaro. Quando i flussi di dati sono progettati con chiarezza e scopo, i sistemi di intelligenza artificiale possono apprendere e agire sulle informazioni più recenti e rilevanti. Quando non lo sono, i team trascorrono più tempo pulendo i dati che utilizzandoli.

Gli esperti in gestione dei dati spesso sottolineano che la chiave per una forte qualità dei dati è un ciclo di feedback tra persone, processi e piattaforme. Senza quel ciclo, le informazioni diventano obsolete e i modelli perdono il contatto con le condizioni del mondo reale – un problema a volte chiamato deriva dei dati.

Bilanciare Velocità con Integrità

C’è spesso una tensione tra muoversi velocemente e rimanere precisi. Molti organismi vogliono risultati immediati dai loro investimenti in intelligenza artificiale, ma affrettarsi può portare a problemi più grandi in seguito. L’obiettivo dovrebbe essere l’agilità dei dati con integrità. In altre parole, costruire sistemi che possano muoversi rapidamente senza perdere precisione.

A questo proposito, ogni azienda dovrebbe definire percorsi chiari per i dati che fluiscono dalla loro fonte al modello in tempo reale. Aiuta anche definire che tipo di informazioni è consentito e cosa deve rimanere fuori. I dati sensibili o privati non dovrebbero mai raggiungere il modello, anche se l’utente ha accesso a essi. Proteggere quel confine costruisce fiducia e mantiene i sistemi di intelligenza artificiale dal leak o dall’uso improprio delle informazioni.

Mentre l’AI diventa più autonoma, la supervisione umana rimarrà critica. Il modello non dovrebbe avere il controllo completo sulle azioni aziendali. Non dovrebbe nemmeno prendere decisioni. Invece, dovrebbe fare richieste. Più importante ancora, gli esseri umani devono sempre esaminare e approvare le sue azioni per assicurarsi che si allineino con la politica aziendale e la regolamentazione.

Costruire per la Qualità Fin dall’Inizio

Mantenere la qualità dei dati su larga scala non è solo questione di pulire gli errori. Inizia con l’architettura. Devi identificare dove vivono i tuoi dati più affidabili, poi progettare un sistema che li unisca in un’unica posizione attendibile. Da lì, puoi tracciare quali dati il modello utilizza e da dove provengono.

Questo approccio previene la confusione e mantiene il sistema trasparente. Aiuta anche i team a risolvere problemi più velocemente quando qualcosa va storto. Quando sai esattamente quali dati hanno alimentato la risposta del modello, puoi verificare e correggere i problemi prima che si diffondano.

Il futuro dell’intelligenza artificiale aziendale apparterrà alle aziende che incorporano la qualità nella loro infrastruttura per default. Ci aspettiamo di vedere più sistemi di intelligenza artificiale plug-and-play che gestiscono sia il ragionamento che l’integrazione dei dati in un unico pacchetto. Questi “elettrodomestici di intelligenza artificiale” potrebbero rendere più facile per le organizzazioni distribuire sistemi intelligenti senza perdere il controllo dei loro dati.

Gli analisti prevedono che le organizzazioni in grado di unificare e governare i loro dati in modo efficace vedranno un’adozione più rapida e un ROI più alto dai progetti di intelligenza artificiale. Un recente rapporto sulla prontezza dei dati spiega che questa capacità separa le aziende che innovano continuamente da quelle che si fermano dopo i primi test. La differenza spesso si riduce al fatto che i loro sistemi di intelligenza artificiale sono costruiti su informazioni coerenti e ben strutturate.

Il Punto Chiave

La qualità dei dati potrebbe non sembrare emozionante rispetto alle innovazioni nella progettazione dei modelli, ma è la forza silenziosa che decide se l’AI ha successo o fallisce. Senza dati puliti, attuali e coerenti, anche i sistemi più intelligenti inciamperanno. Con essi, anche progetti di intelligenza artificiale modesti possono creare valore duraturo.

Ogni leader che investe in intelligenza artificiale dovrebbe fare una semplice domanda: Ci fidiamo dei dati che guidano le nostre decisioni? Da quanto abbiamo visto, le aziende che possono rispondere con fiducia “sì” sono quelle che già guidano nella corsa all’AI.