Pronti per l’IA anche senza progetti ingenti: ecco in che modo le aziende possono creare la giusta base di dati

Con l’IA i problemi riguardanti i dati sono subito evidenti e comportano maggiori conseguenze. Ma in che modo le aziende possono riuscire a creare una base di dati solida senza trascurare l’attività quotidiana o imbarcarsi subito in un progetto di grande portata? Tim Giger, Principal Data & AI Consultant presso Swisscom, illustra alcuni consigli pratici in merito.

L’IA non è scalabile se manca una buona base di dati: ecco perché

L’intelligenza artificiale necessita di una base affidabile: dati corretti, conoscenze di facile reperimento, responsabilità chiare e una comprensione condivisa di quali informazioni possono essere utilizzate e per quali scopi. Proprio per questo la qualità dei dati non è un’attività accessoria. Tim Giger, Principal Data & AI Consultant presso Swisscom, spiega bene il concetto: «Se mancano dati di qualità sostenibile, gli investimenti nell’IA si trasformano ben presto in lavoro di correzione e, nel peggiore dei casi, in rischi a livello di sicurezza, conformità e fiducia.»

«Se mancano dati di qualità sostenibile, gli investimenti nell’IA si trasformano ben presto in lavoro di correzione e, nel peggiore dei casi, in rischi a livello di sicurezza, conformità e fiducia.»

Tim Giger, Principal Data & AI Consultant, Swisscom

In che modo le aziende possono migliorare la qualità dei dati con un approccio pragmatico?

La qualità dei dati può essere migliorata con pragmaticità senza bisogno di grandi progetti. L’aspetto decisivo è individuare a riguardo la giusta misura, sia per le PMI che per le grandi aziende. Se non si intraprende nulla, i problemi si accumulano e creano un effetto domino: gli errori nei dati e il lavoro di correzione aumentano e alla fine viene meno l’accettazione, oltre che il personale non sfrutta gli strumenti di intelligenza artificiale messi a disposizione. Chi invece si affanna a correggere tutto e subito grava sull’attività operativa.

Secondo Tim Giger, le aziende di successo scelgono una pragmatica via di mezzo: iniziano con un caso d’uso concreto e con i dati a esso connessi. «La leva pratica per una migliore qualità dei dati è l’implementazione di una gestione dei dati lineare. La governance dei dati, o data governance, fornisce il necessario contesto in cui muoversi», spiega Tim Giger.

In che modo le aziende attuano concretamente questa via di mezzo pragmatica?

Tim Giger individua le seguenti quattro fasi fondamentali, che mostrano in che modo le aziende possono sfruttare la gestione dei dati come parte operativa della governance dei dati per migliorare la qualità dei dati e gestire le principali questioni di governance relative all’IA.

1. Affrontare il tema della qualità dei dati con un approccio trasversale tra le varie divisioni.
2. Iniziare con un caso d’uso anziché con un tool.
3. Astenersi dal correggere l’intero insieme di dati, bensì solo quelli rilevanti.
4. Risolvere questioni di governance fondamentali prima del rollout.

1. Affrontare il tema della qualità dei dati con un approccio trasversale tra le varie divisioni

La qualità dei dati non è una mansione che riguarda solo l’IT o il reparto conformità. Queste due divisioni creano le condizioni quadro e si occupano della realizzazione tecnica e della sicurezza. Ma sono i reparti specializzati a sapere se i dati sono rilevanti, completi e utilizzabili nel giusto contesto. Conoscono i processi, le situazioni specifiche della clientela e i requisiti di qualità da rispettare: spetta quindi a loro assumersi la responsabilità dei propri dati. «La qualità dei dati inizia già dall’inserimento delle informazioni nel sistema, quindi non dipende solo dall’IT», sostiene Tim Giger.

Ogni singolo collaboratore e collaboratrice può contribuire a una migliore qualità dei dati. A tal fine servono le giuste basi di data awareness e data literacy: il personale deve comprendere lo scopo per cui vengono utilizzati i dati e per quale motivo i dati che inseriscono possono essere rilevanti in un secondo momento. Tim Giger offre un esempio: «Le collaboratrici e i collaboratori del servizio di supporto che chiudono un ticket semplicemente indicando ‹Problema risolto› offrono ben poche conoscenze fruibili per un futuro chatbot di supporto. Comprendendo invece che l’addestramento dei modelli di IA si basa proprio su questi documenti, si tenderà a registrare con maggiore precisione la soluzione del problema e il contesto.»

2. Iniziare con un caso d’uso anziché con un tool

Molte aziende iniziano con il cercare lo strumento adatto, che si tratti di Copilot, ChatGPT Enterprise, Swiss AI Assistant o di un altro assistente IA. Queste soluzioni aiutano la produttività individuale, ad esempio nella stesura di testi, nel brainstorming, nell’ideazione o nella programmazione. Tim Giger opera tuttavia una distinzione: «L’accesso sicuro ad assistenti IA è una base importante e sempre più inevitabile, simile in parte all’introduzione di Office 365, ma non costituisce ancora un caso d’uso strategico dell’IA. Affermazioni come ‹Stiamo implementando Copilot› o ‹Utilizziamo ChatGPT› non descrivono il problema concreto che si intende risolvere.»

Tim Giger sostiene: «La domanda fondamentale quindi non è: dove possiamo impiegare l’IA? Bensì: quale problema di business vogliamo risolvere e quale base di dati ci serve a tal fine?» Il caso d’uso definisce il fabbisogno di dati, i rischi, i requisiti di qualità e le responsabilità. Il fattore decisivo, quindi, non è tanto stabilire se impiegare o meno l’IA, bensì comprendere in che misura la base e la qualità dei dati, nonché i processi e le responsabilità sono pronti a tale utilizzo.

3. Astenersi dal correggete tutti i dati, bensì solo quelli rilevanti

Non appena identificato il caso d’uso, si pone la domanda: quali dati sono necessari per tale tipo di utilizzo? Soprattutto nei progetti di IA è importante limitare consapevolmente lo scope. Le aziende non devono correggere l’intero pool di dati dell’organizzazione, devono invece utilizzare il caso d’uso selezionato come filtro. Facciamo un esempio: per un chatbot di marketing è necessario verificare e correggere gli archivi di marketing, i documenti e le fonti di conoscenze pertinenti. Si crea un punto di riferimento visibile che indica la qualità di archiviazione e dei dati che sarà necessaria in futuro.

Il primo passo a livello di governance dei dati è quindi sempre fare il punto della situazione: quali dati rilevanti sono presenti in azienda? In quali sistemi sorgente si trovano? Quali entità sono incluse, ad esempio clienti, prodotti, contratti o casi di supporto? E qual è di volta in volta il sistema determinante? «Ed è proprio la questione del system of record ad assumere un’importanza fondamentale. Se i dati della clientela vengono registrati contemporaneamente nel CRM e nell’ERP, deve essere chiaro quale sistema è determinante per quale informazione», aggiunge Tim Giger.

4. Risolvere le questioni di governance fondamentali prima del rollout

Una volta definiti il caso d’uso e i dati rilevanti, le aziende devono chiarire le questioni più importanti nel contesto della governance dei dati e dell’IA (in tedesco). Infatti, una buona base di dati da sola non basta: prima del lancio occorre definire responsabilità, rischi e requisiti normativi. Nei settori regolamentati si aggiungono ulteriori requisiti, ad esempio in materia di protezione dei dati, disposizioni specifiche di settore o obblighi di verifica normativi. Ma le domande fondamentali rimangono le stesse per tutte le aziende:

• Quali sono i requisiti legali e normativi applicabili?
• Qual è la classe di rischio di questo sistema di IA?
• Cosa succede in caso di risposta sbagliata?
• Quali danni potrebbero verificarsi, in particolare nel caso di applicazioni rivolte alla clientela?
• Come si misura la qualità e da che livello è possibile considerare chatbot, assistenti IA o modelli «sufficientemente adeguati»?

Gli esperti di Swisscom Bernhard Knetsch, Tim Giger e Matthias Mohler approfondiscono nel white paper (in tedesco) l’interazione tra governance dei dati e governance dell’IA e ciò che comporta in termini di attuazione.

Implementazione della qualità dei dati: differenze tra PMI e grandi imprese

Le domande di base da porsi sono simili tanto per le PMI quanto per le grandi aziende, ma l’implementazione differisce notevolmente. Le PMI spesso riescono a delineare la governance con un approccio più pragmatico: con meno responsabili, panoramiche semplici, regole chiare, controlli a campione manuali e verifiche automatiche per ambiti di dati particolarmente critici.

Nella prassi si sono dimostrati validi tre ruoli chiave per le competenze: business sponsor, data owner e responsabile IT o responsabile della protezione dei dati. Per una valutazione della situazione è spesso sufficiente un elaborato di Excel, in cui vengono assegnati oggetti di dati importanti, come clienti, prodotti o contratti, ai rispettivi sistemi.

Le grandi aziende hanno spesso bisogno di strutture più formalizzate: cataloghi di dati, master data management, data quality suite, monitoraggio, verificabilità, ambienti di controllo, processi di incident o service level agreement. A riguardo, la qualità dei dati e la governance richiedono un supporto molto più massiccio da parte della tecnologia. Ma, anche in questo caso, la tecnologia non solleva dalla responsabilità. La qualità dei dati migliora solo se l’organizzazione considera i dati come risorsa e la loro qualità viene ancorata in modo duraturo nei processi, nei ruoli e nella cultura.

Cosa genera una migliore qualità dei dati in azienda

I vantaggi derivanti da dati di buona qualità divengono spesso tangibili più rapidamente di quanto molte aziende si aspettino e non tanto in forma di astratti successi di governance, bensì in concreto nel lavoro di ogni giorno:

Riduzione delle correzioni manuali: il personale dedica meno tempo a correggere dati errati in fogli Excel, sistemi o report. Spesso le aziende sottovalutano questo carico di lavoro non manifesto che nella quotidianità lavorativa consuma molto tempo, riduce l’affidabilità delle decisioni e mina la possibilità di lavorare in modo produttivo con orientamento ai risultati.

Un ulteriore vantaggio è la riutilizzabilità: record di dati di elevata qualità possono essere impiegati per molteplici casi d’uso. La qualità dei dati è quindi un’attività fondamentale e, al contempo, un presupposto per la scalabilità. Chi gestisce i dati trattandoli come asset crea una base su cui costruire diverse applicazioni di IA.

La fiducia nasce da risultati ripetutamente corretti: un’applicazione di IA affidabile viene utilizzata dal personale. Al contrario, se questa invece fornisce da subito risposte scadenti, il tool verrà etichettato come inutilizzabile, anche se la tecnologia di per sé è efficiente. Una buona qualità dei dati è quindi un fattore decisivo per l’accettazione, sia internamente tra il personale che esternamente tra la clientela.

Approfondimento nel white paper (in tedesco): gli esperti di Swisscom Bernhard Knetsch, Tim Giger e Matthias Mohler mostrano in che modo le aziende possono affrontare la qualità dei dati in modo strutturato prima dell’impiego dell’IA, con consigli pratici per PMI e grandi aziende.

Tim Giger

Tim Giger sviluppa da oltre 12 anni soluzioni di IA e dati in qualità di ingegnere, architetto e responsabile di progetto. Gestisce progetti complessi in diversi stack tecnologici e svariati settori. Inoltre diffonde regolarmente le sue competenze in data engineering e ML/AI in qualità di relatore e docente presso il HSLU e la HWZ.