Lo stack tecnologico per i dati e le applicazioni di AI

L’utilizzo delle nuove tecnologie più dirompenti dell’AI, come ad esempio la GenAI, richiede l’utilizzo di uno stack tecnologico architetturale e applicativo diverso, che parte dalle piattaforme tecnologiche che si basano su potenti data center specializzati e connessioni di rete performanti. In aggiunta sono necessari servizi cloud, piattaforme di gestione e memorizzazione dati di qualsiasi tipo, piattaforme di servizi di AI specializzate come ML e LLM sulle quali poi sviluppare le vere e proprie applicazioni. Quali sono le possibili alternative e opzioni a disposizione? Come si costruisce una piattaforma che può supportare applicazioni AI avanzate portabili a scala e non solo Poc? Quale architettura per abilitare connessioni/integrazioni efficienti con i sistemi interni?

Chi partecipa: CIO, IT MANAGER, Chief Digital Officer, Chief Innovation Officer, CTO 

Governance dei dati e modello operativo dell’AI

Il cammino verso una organizzazione data-driven, che crea valore per il business, diventa ancora di più sfidante verso l’adozione di tecnologie e servizi di AI avanzati come la Gen AI. Se l’accessibilità di servizi ad applicazioni come ChatGPT hanno democratizzato questi strumenti, diverso è l’impiego di modelli LLM a livello aziendale. Qualità e governo dei dati interni e utilizzo di dati non strutturati a scala diventano elementi fondamentali così come l’attenzione a nuovi rischi. La potenzialità di tecnologie di advanced analytics e AI e, in prospettiva, di GenAI, impone alle aziende di rivedere completamente i processi di governance dei dati e dell’AI e il modello operativo. Quali opzioni sono perseguibili e quali sono i vantaggi e svantaggi di un modello centralizzato o distribuito o misto? Come si evolve e come si governano i nuovi rischi legati all’AI e come si crea il trust e la riusabilità a scala e non solo prototipale?

Chi partecipa: CIO + IT Manager, Chief Data Officer, Chief Innovation Office, Chief Digital Officer 

Ruoli, Skill, Abilità e Capabilities per organizzare l’AI

Anche per l’adozione a scala dell’AI occorre definire le capabilities necessarie per gestione, sviluppo, testing e quality assurance delle applicazioni. Occorre capire quali sono le nuove competenze tecniche necessarie e quali di queste possono essere formate attraverso un reskilling di risorse interne. Nascono potenzialmente nuovi ruoli, se si va verso la Gen AI, che si aggiungono a quelli già noti come il Data Engineer e il Data Scientist, fondamentali per la gestione e sviluppo di servizi e applicazioni avanzate di analisi dati e di AI tradizionale. Sono necessarie alcune nuove attività, come il training e il fine tuning dei modelli, l’amministrazione di database vettoriali, e nuovi ruoli come il Prompt Engineer e l’ingegnere di contesto, MLOps e LLOps Engineer e assicurare la quality di dati non strutturati per alimentare i modelli. Quale processo di learning è necessario per la loro formazione e avviamento e come li colloco nell’organizzazione ICT e nelle funzioni per fare sinergie e cross fertilization? Come può essere mantenuto l’ «uomo» nel loop decisionale se vengono usati algoritmi e modelli di GenAI?

Chi partecipa: CIO, Direttore Organizzazione, Chief Digital Officer