Dati aziendali e progetti AI in sintesi
- La vera barriera ai progetti di AI non è la tecnologia ma il patrimonio informativo su cui poggia: dati incompleti o incoerenti producono risultati distorti anche con la piattaforma migliore.
- Il caso Starbucks, riguardante uno strumento di riconoscimento immagini per l’inventario, mostra cosa accade quando si trascura la validazione e la pulizia preliminare dei dati.
- La qualità del dato non è un tema solo tecnico né un’attività una tantum: richiede una governance permanente, controlli continui sui flussi informativi e persone formate a inserire e mantenere i dati correttamente.
Sono molti i progetti di Digital Transformation che falliscono, e quelli basati sull’AI non fanno eccezione. Il problema non è quasi mai la tecnologia: i tool funzionano e offrono più funzionalità di quante ogni organizzazione possa riuscire a sfruttare. Il punto è che tra l’hype tecnologico, ovvero l’aspettativa creata dai fornitori, e l’impiego degli strumenti nella realtà operativa delle attività quotidiane c’è uno spazio che le aziende devono saper colmare con realismo. In questo articolo proviamo a mostrare come quello spazio si colmi partendo dai dati.
Come creare valore con l’AI: il caso Starbucks
L’Intelligenza Artificiale sembra aver ampliato questo gap e il caso di Starbucks, reso noto a maggio, fornisce un esempio utile.
La catena americana di caffetterie ha messo in produzione uno strumento AI in undicimila negozi con l’obiettivo di migliorare la catena di approvvigionamento. L’applicazione, basata sul riconoscimento di immagini, era stata progettata per automatizzare l’inventario e ridurre le rotture di stock di alcuni ingredienti delle bevande. Alla prova dei fatti, non si è rivelata né più veloce né più accurata degli addetti che effettuavano a mano l’inventario su un tablet. Troppo spesso il sistema contava ed etichettava in modo errato gli articoli, ad esempio confondendo tipi di latte simili o tralasciandoli del tutto.
Dopo nove mesi, il retailer del caffè ha deciso di sospendere il progetto, che si è rivelato un fallimento sostanziale. Secondo gli analisti, le ragioni sono da ricercare in una scarsa attenzione preliminare alla validazione dei dati. In particolare, non è stato dedicato abbastanza tempo alla pulizia dei dati, un lavoro duro, lento e poco gratificante, ma necessario per adattare la tecnologia alla realtà operativa dell’azienda. La lezione, in breve, è che senza dati affidabili l’AI non crea valore.
Perché la qualità del dato è una questione strategica
“La qualità del dato rappresenta un fattore determinante per il successo di un progetto di Intelligenza Artificiale: essa è spesso percepita come un tema tecnico, ma oggi è riconosciuta come una dimensione strategica dell’intera organizzazione – spiega Alessandro Piva, direttore dell’Osservatorio Big Data & Business Analytics e docente del corso “Big Data Revolution: come dominare i dati nell’era digitale” della Digital Management Academy – La qualità si costruisce attraverso processi di verifica costante, tecniche di pulizia e controllo dei flussi informativi. L’obiettivo è garantire che i dati siano accurati, coerenti, completi e pertinenti rispetto agli obiettivi aziendali. Allo stesso modo, la sicurezza e la compliance normativa devono essere parte integrante della gestione”.
La qualità dei dati è, dunque, un tema di processo e di persone. Non è un’azione puntuale. Quando si avvia un progetto, i dati potrebbero essere puliti, perché un team via ha dedicato mesi di lavoro. Ma senza una corretta governance, e se le persone non sono state adeguatamente formate su come inserire e mantenere i dati correttamente, i dati ogni giorno si “sporcano” un poco di più. I sistemi di AI non si preoccupano di pulire i dati, semplicemente elaborano quelli che ricevono in input. Senza un processo adeguato, dopo pochi mesi dal go-live nemmeno la migliore piattaforma AI sarà in grado di funzionare correttamente, e le analisi su quei dati saranno molto imprecise.
Come la governance dei dati sostiene l’efficacia dell’AI
La governance dei dati deve dunque diventare una funzione operativa permanente, un team con responsabilità chiare, e non una fase di progetto che si chiude al momento del lancio. Si tratta di creare le fondamenta prima di costruire sopra di esse.
“L’efficacia dell’AI dipende dalla qualità dei dati che il sistema analizza – dice Piva –. In particolare, la costruzione di modelli predittivi affidabili richiede dataset completi, rappresentativi e continuamente aggiornati. In mancanza di una base dati consistente, il rischio è quello di ottenere risultati distorti o non generalizzabili. Più il dato è accurato e organizzato, più l’intelligenza algoritmica diventa efficace; e più i modelli di AI sono avanzati, più cresce la capacità di valorizzare nuove fonti informative”.
Da dove partire per mettere i dati al servizio dell’AI
Un’altra lezione del caso Starbucks è che per ridurre il rischio di fallimento di un progetto AI va applicata la regola di avanzare per piccoli passi. Conviene partire in piccolo, selezionando casi d’uso specifici in cui fare un progetto pilota, imparare come l’IA e gli strumenti moderni si comportano davvero all’interno dell’ambiente operativo reale, intercettare gli errori finché creano ancora danni contenuti e solo allora estendere il test a tutta l’azienda. Si evita così che i problemi derivanti dalla qualità dei dati o da una scarsa governance vengano a galla quando sono ormai così grandi da non poter più essere gestiti, come nel caso Starbucks.