Le aziende devono essere pronte con la giusta architettura dei dati e i prossimi mesi – al massimo anni – saranno cruciali, afferma Irfan Khan, presidente e chief product officer di SAP Data & Analytics.
Dice: “L’unica previsione credibile che chiunque può fare è che non sappiamo cosa accadrà con l’intelligenza artificiale nei prossimi anni, mesi – o addirittura settimane -“. “Per poter ottenere risultati rapidi in questo momento, è necessario adottare una mentalità basata sull’intelligenza artificiale e… basare i propri modelli di intelligenza artificiale su dati affidabili”.
Sebbene i dati siano sempre stati importanti per le aziende, lo saranno ancora di più nell’era dell’intelligenza artificiale. Le capacità dell’intelligenza artificiale degli agenti saranno determinate più dalla solidità dell’architettura e della governance dei dati aziendali e meno dallo sviluppo di modelli. Per migliorare la tecnologia, le aziende devono adottare una moderna infrastruttura dati che fornisca contesto oltre ai dati.
Più contesto aziendale, non necessariamente più dati
Il pensiero tradizionale spesso identifica i dati strutturati con un valore maggiore e i dati non strutturati con un valore inferiore. Tuttavia, l’intelligenza artificiale complica questa distinzione. Per gli agenti, i dati di alto valore sono definiti meno dal formato e più dal contesto aziendale. I dati per le funzioni aziendali critiche, come le operazioni della catena di fornitura e la pianificazione finanziaria, dipendono dal contesto. Mentre i dati granulari e ad alto volume, come IoT, log e telemetria, possono generare valore, ma solo se forniti nel contesto aziendale.
Per questo motivo, il rischio reale per l’intelligenza artificiale degli agenti non è la mancanza di dati, ma la mancanza di basi, afferma Khan.
Dice: “Tutto ciò che è rilevante per il business, per definizione, fornirà maggiore valore e un livello più elevato di credibilità per il risultato aziendale”. “Non è così semplice dire che i dati di alto valore sono dati strutturati e che i dati di basso valore sono quelli in cui si verificano molte ripetizioni: entrambi possono avere un enorme valore nelle mani giuste, ed è questo che differenzia l’intelligenza artificiale.”
Il contesto può essere ottenuto attraverso l’integrazione con software, analisi e arricchimento in loco o pipeline di governance. I dati privi di queste qualità saranno probabilmente inaffidabili: uno dei motivi per cui due terzi dei leader aziendali non si fidano completamente dei propri dati. Secondo l’Institute for Data and Enterprise AI (IDEA). Il conseguente “debito di fiducia” ha ostacolato le aziende nella loro ricerca di preparazione all’intelligenza artificiale. Superare la mancanza di fiducia richiede definizioni condivise, coerenza semantica e contesto operativo affidabile per allineare i dati al significato aziendale.
La proliferazione dei dati richiede un livello significativo e consapevole del business
Negli ultimi dieci anni, afferma Khan, il cambiamento più significativo nell’architettura dei dati aziendali è stata la separazione tra elaborazione e archiviazione e la flessibilità su scala cloud. Tuttavia, quella separazione e il passaggio al cloud hanno anche creato un’espansione incontrollata, con i dati ospitati in più cloud, data lake, warehouse e molte applicazioni SaaS.
