Un recente sondaggio pubblicato da Narrative Science rivela che il 61% delle aziende ha già implementato l’Intelligenza Artificiale all’interno delle proprie attività. Almeno il 71% ha dichiarato che l’Intelligenza Artificiale è parte delle strategie di innovazione della propria azienda. Allo stesso tempo, il 90% degli intervistati nei dipartimenti di business intelligence ha riferito che sarebbe interessato ad integrare l’Intelligenza Artificiale nei propri strumenti per la data discovery e gli analytics.

L’intelligenza artificiale e le tecnologie ad essa connesse sono indubbiamente tra le nuove aree “hot” che molte aziende stanno valutando di sviluppare in futuro. Ad esempio, le applicazioni marketing sono una delle aree per cui le organizzazioni si aspettano molto dall’intelligenza artificiale; e ancora, le aziende B2C possono utilizzare algoritmi intelligenti per determinare quale sia la migliore azione successiva per i singoli clienti, che si tratti di una e-mail o di uno sconto personalizzato. Il successo dell’AI applicato al marketing e ad altri ambiti dipende in realtà dalla qualità stessa dei dati: quello della qualità dei dati è un enorme problema che ha contribuito ad esempio alla crisi dei mutui di un decennio fa e che ha portato le società finanziarie ad investire in una migliore governance e qualità dei dati per ottenere una migliore comprensione degli stessi.

Perché l’intelligenza artificiale abbia successo, la qualità dei dati è essenziale; come si suole dire: “If you have garbage in, you have garbage out!”

Siamo in presenza di un volume sempre crescente di dati, con una grande varietà di asset distribuiti tra più ambienti nel cloud e on-premise, a volte in tutto il mondo. Ai team IT spesso viene affidato l’ingrato compito di riconciliare manualmente le fonti dati frammentate. Ciò può comportare un enorme dispendio di tempo per gli utenti business, che sperano di poter prendere decisioni tempestive in base a tali dati. Come conseguenza, spesso questi ultimi riescono ad accedere solo a dati obsoleti o inaffidabili: in assenza di un’unica fonte affidabile il business sarà reticente ad utilizzarli, correndo il rischio di prendere decisioni errate.

D’altra parte, ci sono sempre più nuove categorie di utenti aziendali che richiedono dati di qualità, come ad esempio gli analisti. In questo senso le nuove tecnologie di analytics come il machine learning, i data lake e l’intelligenza artificiale influiranno sulle strategie relative ai dati. Le organizzazioni ancora oggi prive di un programma per la gestione dei dati di livello aziendale dovranno presto adottare un processo che sia completo, incentrato sul cloud e ripetibile. In caso contrario, non potranno prendere decisioni vitali per il business in base ai dati in loro possesso senza rischiare di violare le sempre più numerose normative in materia di dati.

Con tutte le sfide che la gestione dei dati presenta quindi in circostanze normali, gli approcci tradizionali non sono in grado di scalare per rispettare i requisiti attuali, per non parlare di quelli di domani. Un metodo per utilizzare al meglio i dati e promuovere la digital disruption consiste nella standardizzazione delle piattaforme di gestione dei dati end-to-end che utilizzino il potere di dati, metadati e machine learning/AI per migliorare la produttività di tutti gli utenti delle piattaforme stesse: tecnici, figure operative e di business.

Proprio su questi temi è intervenuta durante il recente Data Innovation Summit di The Innovation Group Informatica, azienda del settore che, forte di una metodologia collaudata e di un robusto ecosistema di partner, è in grado di fornire supporto per il successo dei progetti in ambito Big Data, e non solo.

“Informatica è in grado di supportare le aziende ad estrarre valore di business dai dati, attraverso l’utilizzo di data lake, sistemi on-premise e cloud, e grazie ad un approccio focalizzato sui rischi che classifica immediatamente i dati sensibili e identifica proattivamente le possibili minacce derivanti dalla proliferazione dei dati o da accessi non autorizzati. Informatica consente una collaborazione efficace tra data analyst, data steward e altri utenti di business. In questo modo, i Big Data possono essere trasformati rapidamente in conoscenze affidabili di elevata qualità.”

A questo riguardo, uno dei passi da intraprendere per gestire i dati come asset di livello enterprise è farne un inventario, valutarne il valore e ottenere il massimo dal loro utilizzo, proprio come si farebbe per qualsiasi altro importante investimento di capitale. I dati sono svariati e distribuiti in diversi dipartimenti, sedi, sistemi e piattaforme (alcune on-premise e altre in cloud), rendendo difficile sapere esattamente di quali si dispone. E nel mondo dei Big Data questo diventa sempre più complesso. Un motore di discovery basato su machine-learning è in grado di raccogliere risorse dati in tutta l’azienda, aumentando al contempo la comprensione di tali risorse dati attraverso un catalogo di informazioni di livello enterprise basato su grafici.

“La nostra soluzione per gli analytics” – ci ha raccontato Informatica – “adotta proprio un catalogo di dati basato su intelligenza artificiale e offre un motore di discovery in base al machine learning che scansiona e cataloga gli asset di dati in tutta l’azienda, su Cloud e on-premise, oltre ai Big Data. L’engine CLAIRE (CLoud-scale AI-Cloudpowered Real-time Engine) – ossia un “motore” in tempo reale alimentato dall’intelligenza artificiale nel cloud – utilizza proprio l’AI e le tecniche di machine learning sostenute da dati e metadati di livello enterprise per accelerare e automatizzare i processi di gestione e governance dei dati aziendali.”

Praticamente ogni azienda sta pianificando o eseguendo un’importante trasformazione digitale che coinvolge nuovi modelli di business, nuove tecnologie e nuovi processi. Ci sono diversi ingredienti essenziali per una trasformazione digitale di successo. I dati sono uno di questi: i dati sono una base fondamentale per ogni trasformazione digitale di successo.

Nel mondo dei dati, siamo nel bel mezzo di quella che Informatica definisce Intelligent Data Disruption: l’enorme quantità di dati disponibili per il processo decisionale può infatti sopraffare la mente umana; non solo è difficile stare al passo con il prolifeare dei dati, ma non si riesce nemmeno a stare al passo con le domande che ci si dovrebbe porre.

Ecco perché, oltre alle competenze e ai processi relativi ai dati, c’è bisogno del machine learning e dell’AI!