Negli ultimi tempi abbiamo iniziato a parlare con l’AI in linguaggio naturale: chiediamo a un assistente di “riassumere una mail” o “scrivere una bozza di report” e ci aspettiamo che il sistema si occupi dei passaggi tecnici. Nelle aziende, però, tra una richiesta formulata in linguaggio naturale e un progetto AI in produzione c’è ancora molta traduzione tecnica. Dataiku è una piattaforma enterprise di orchestrazione e governance dell’AI che permette a team business e tecnici di progettare, distribuire e gestire analytics, machine learning, applicazioni di AI generativa e agenti in un ambiente unico, mantenendo controllo, trasparenza e governance lungo l’intero ciclo di vita. Ed oggi grazie al modulo Cobuild fa un passo in più: permette di trasformare gli obiettivi espressi in linguaggio naturale in progetti AI.
Dataiku: dalla collaborazione sui dati alla collaborazione con gli agenti
Dataiku è, fin dalle origini, una piattaforma pensata per favorire la collaborazione permettendo a figure tecniche e di business di lavorare in un unico ambiente, con la convinzione che il contributo di tutti sia ciò che contraddistingue un progetto di successo.
Oggi Dataiku alza l’asticella: non solo si vuol far lavorare insieme figure diverse, ma permettere ai team di trattare Dataiku e i suoi agenti come colleghi digitali.
È qui che entra in gioco Cobuild, il nuovo modulo di Dataiku che prende una richiesta in linguaggio naturale e la traduce in un progetto completo, un flusso visivo che tutti possono ispezionare, modificare e approvare prima della produzione.
Cos’è Cobuild: l’agente che costruisce progetti AI
Cobuild è l’AI building agent di Dataiku: un agente integrato nella piattaforma, con interfaccia conversazionale, che prende obiettivi di business descritti in linguaggio naturale e li traduce in progetti AI completi. Non è (solo) un assistente di coding che genera script da copiare e incollare, ma un “collega digitale” che crea e modifica asset reali di Dataiku: dataset, modelli, agenti, scenari, dashboard e documentazione.
Il funzionamento dal punto di vista dell’utente è semplice:
- si parte in un progetto Dataiku esistente o anche in un nuovo progetto inizialmente vuoto;
- si apre Cobuild e si descrive in linguaggio naturale cosa si vuole ottenere (Es: “costruisci un flusso che prenda le transazioni del conto corrente, le riconcili con la contabilità e segnali gli scarti da verificare”);
- Cobuild si occupa di tutto: identifica le fonti dati rilevanti nel contesto a cui ha accesso, propone un workflow e genera i componenti necessari come dataset, recipe, modelli, dashboard, scenari, webapp, Wiki/documentazione ed eventuali agenti, producendo un flusso visivo in cui ogni nodo è ispezionabile.
Il risultato non è un blocco di codice opaco, ma un Flow Dataiku ispezionabile e modificabile: ogni scelta può essere corretta e nulla viene portato in produzione senza che i ruoli opportuni (data engineer, data scientist, business owner) abbiano approvato ciò che Cobuild ha costruito. In questo senso Cobuild accelera la costruzione iniziale, ma non sostituisce la validazione: qualità dei dati, logica di business, performance del modello, sicurezza, controlli e criteri di rilascio restano responsabilità del team e delle policy aziendali.
Case study in ambito Finance: automazione della riconciliazione contabile
La riconciliazione tra movimenti bancari e registrazioni di contabilità generale è un processo tipicamente manuale fatto di estrazioni, fogli Excel, regole di matching e controlli che richiedono tempo e attenzione. Una sequenza di passaggi che rimane nelle mani di pochi specialisti, mentre chi deve leggere il risultato (CFO, controller) vede solo gli esiti finali.
Con Cobuild, il team Finance può descrivere direttamente ciò che vuole ottenere in linguaggio naturale: “Costruisci un progetto che prenda i movimenti del conto corrente, li riconcili con le registrazioni di contabilità, segnali gli scarti da verificare e produca una dashboard con stato di riconciliazione per conto e periodo”.
A partire da questa richiesta, Cobuild:
- collega le fonti dati pertinenti (es. estrazioni da core banking e ledger),
- genera le pipeline: normalizzazione campi, codifiche, filtri,
- imposta uno schema di matching (chiavi, soglie, regole di tolleranza),
- costruisce viste per monitorare lo stato di riconciliazione e gli scarti aperti.
Il team tecnico mantiene il controllo: può modificare le regole, ottimizzare le pipeline, aggiungere controlli di qualità, ma parte da un progetto già strutturato, non da un foglio bianco. Per CFO e controller, questo significa poter vedere in pochi passaggi quali movimenti sono riconciliati, quali restano aperti e perché, con uno storico delle riconciliazioni che può essere confrontato nel tempo senza dover ricostruire ogni volta file e script.
Case study per la gestione dei clienti: azioni operative per evitare gli abbandoni
Un secondo scenario riguarda la gestione del churn dei clienti, tema tipico per team marketing e sales. In questo contesto, Cobuild può essere usato direttamente da un business owner: “Voglio calcolare la probabilità di churn per i clienti retail, identificare i segmenti più a rischio, generare liste per campagne mirate e vedere come cambiano le probabilità dopo le azioni di retention”.
Una volta individuati i dataset rilevanti, Cobuild costruisce la pipeline di preparazione pensata per il caso specifico configurando il flusso per il modello di churn analysis. Infine genera asset applicativi (dashboard, eventualmente agenti) per esporre le liste e monitorare nel tempo le variazioni di rischio.
Anche in questo caso il team dati non viene sostituito: data scientist e data engineer raffinano il modello, validano le feature, impostano le metriche di performance e definiscono le policy di utilizzo. Il valore aggiunto è che l’idea iniziale del business non deve tradursi prima in lunghe specifiche tecniche: viene catturata in Cobuild e trasformata in pochi passaggi in un progetto concreto.
Case study: Cobuild come creatore di agenti
Dataiku offre un ambiente completo per costruire e governare AI agents che lavorano sui dati, orchestrano workflow e interagiscono con applicazioni aziendali. Spesso, però, l’idea di “che cosa dovrebbe fare un agente” nasce da chi conosce il processo più che dai team tecnici, e rischia di attenuarsi nella traduzione in requisiti.
Cobuild in questo caso può essere usato per rendere più diretto il collegamento con chi conosce il contesto e ha ben chiaro il comportamento desiderato dell’agente. Un responsabile customer service, ad esempio, potrebbe chiedere: “Costruisci un agente che legga i ticket aperti, consulti la knowledge base e le policy di rimborso, proponga una risposta coerente e segnali i casi borderline”.
Per questo caso specifico Cobuild non si limita a collegare dataset, documenti e definire il workflow dell’agente (quando deve leggere dati, consultare modelli, applicare regole), ma in autonomia si occuperà anche di generare l’agente come oggetto Dataiku.
In tutte queste situazioni il ruolo di Cobuild è lo stesso: prendere un obiettivo espresso in linguaggio naturale e costruire il progetto AI corrispondente dentro Dataiku, automatizzando la parte “noiosa” e ripetitiva, e lasciando alle figure tecniche il pieno controllo.
Categoria: INTELLIGENZA ARTIFICIALE
Vendor lock-in AI: il conto arriva quando vuoi cambiare modello
Quando un'azienda decide di cambiare il modello AI su cui ha costruito una soluzione, scopre che la domanda centrale non… Leggi tutto
Come fidarsi dell’AI: audit, tracciabilità e decisioni comprensibili
L’AI entra sempre più spesso nei processi aziendali: classifica richieste, segnala anomalie, supporta gli operatori, sintetizza informazioni e propone azioni.… Leggi tutto
Algoritmi di Machine Learning: come funzionano, tipologie e quali sono
Vi è un momento preciso in cui una macchina smette di limitarsi a eseguire istruzioni e comincia a ricavare regole… Leggi tutto
