I progetti di AI possono essere considerati di successo solo se generano un impatto misurabile sul business. Non basta avere un’infrastruttura moderna e performante, e nemmeno sviluppare modelli sofisticati: affinché l’AI porti valore, deve essere descrittiva della realtà aziendale in modo da poter essere realmente compresa, accettata e utilizzata da chi prende decisioni aziendali.
Questo è spesso il punto critico in molte organizzazioni, in cui i team tecnici e quelli di business lavorano separatamente con obiettivi, strumenti e linguaggi diversi. Da un lato ci sono data scientist e AI engineer che si concentrano sull’accuratezza dei modelli, sulla qualità dei dati e sull’ottimizzazione degli algoritmi con l’obiettivo di costruire soluzioni robuste e scalabili. Dall’altro ci sono gli utenti non tecnici, i manager, i business analyst, gli stakeholder, tutte figure agnostiche rispetto alla componente tecnologica che valutano il progetto in termini di impatto sui ricavi, di riduzione dei costi, di miglioramento dell’efficienza o dell’esperienza del cliente. Senza un allineamento tra questi due mondi il progetto ha altissime probabilità di fallire.
È un po’ come possedere l’auto da corsa più potente sul mercato, ma non avere la patente per guidarla. Allo stesso modo per l’AI, se i modelli analitici non sono in linea con le necessità del business il rischio è che il modello, pur essendo altamente sofisticato, rimanga inutilizzato e di conseguenza le decisioni strategiche rimangano ben lontane dall’essere data driven.
Ad oggi questo è il motivo principale per cui i progetti di AI falliscono. Non perché manchino le conoscenze o perché le tecnologie non siano abbastanza diffuse ed utilizzabili, ma perché troppo spesso si vuole “fare AI” senza una visione completa delle reali necessità aziendali e quindi dello scopo da perseguire.
Per questo la nostra esperienza come consulenti ci porta a riconoscere come fondamentale la collaborazione tra team tecnici e di business e a promuovere l’uso di strumenti e metodologie che facilitino la comunicazione, la trasparenza e l’interpretabilità dei modelli. In questo modo è possibile ottenere il panorama informativo completo e riuscire di conseguenza ad impostare i progetti di AI in modo da ottenere un reale vantaggio competitivo.
BNova è da tempo partner di Dataiku, la piattaforma di Data Science e Generative AI collaborativa che abbatte le barriere tra utenti tecnici e no creando uno spazio condiviso in cui tutti possono collaborare portando il loro know-how in modo efficiente, assicurando così che i progetti AI procedano rapidamente e abbiano in azienda il maggiore impatto possibile.
Dataiku è una piattaforma tecnicamente molto potente, in continua crescita sia dal punto di vista dell’usabilità, grazie alla sua architettura flessibile e modulare, sia in merito agli aspetti di collaborazione. Questi ultimi sono in effetti quelli che fanno la differenza e che in BNova abbiamo individuato come fattori fondamentali per garantire una collaborazione efficace e una buona impostazione per i progetti che influisce sul risultato
Una vera collaborazione va oltre l’uso da parte di tutti dello stesso strumento, significa garantire che i team restino allineati, i flussi di lavoro siano chiari per tutti e gli sviluppi siano riutilizzabili e scalabili. Dataiku fornisce gli strumenti per impostare tutto questo: oltre che fornire uno spazio di lavoro unificato offre la possibilità di integrare codice senza interruzione di servizio, asset riutilizzabili, documentazione integrata e reportistica automatizzata.
All’interno di Dataiku gli aspetti che permettono questo tipo di sinergie sono:
Flussi visivi a supporto della collaborazione
I dataflow sono gli strumenti che gli sviluppatori usano per mettere in piedi le logiche di manipolazione e analisi dei dati. Possono integrare codice ad esempio R o Python, ma nascono come strumenti “no-code” con un’interfaccia grafica molto intuitiva che permette anche ad utenti non strettamente tecnici di comprendere le azioni che vengono compiute, molto più rispetto a dover interpretare codice. All’interno dei dataflow è poi possibile inserire dei tag, delle annotazioni, raggruppare parti dei flussi per identificare specifiche funzionalità ed organizzare il lavoro, tutte caratteristiche che in Dataiku rendono semplice la collaborazione all’interno dei team tecnici, ma aprono le porte anche agli utenti di business, che potranno comunque accedere ad uno spazio di lavoro centralizzato e comprendere le logiche di manipolazione dei dati, potendo contribuire secondo le proprie conoscenze e capacità.
Riusare il codice e scalare le competenze per accelerare le iniziative AI
Partire da zero rallenta il lavoro, soprattutto in caso di operazioni ripetitive, controlli standard, manipolazioni frequenti sui dati. Dataiku rende facile fare riuso di codice, così i team possono sfruttare gli sforzi già fatti invece di duplicarli. Il riuso si può fare in due principali modalità:
- – la memorizzazione di flussi in hub centralizzati — come il Catalogue, il feature store, lo store dei plugin, permettono ai team di scoprire facilmente progetti e dataset esistenti
- – la funzionalità di copia/incolla per subflow e recipe grafiche, che consente agli utenti di incorporare rapidamente flussi di lavoro collaudati in nuovi progetti.
Tutto questo, oltre che far risparmiare tempo nell’implementazione delle operazioni più basilari o ripetitive, permette anche di diffondere in azienda funzionalità più avanzate: i data scientist più esperti potranno sviluppare modelli anche molto complessi e “impacchettarli” per renderli disponibili agli altri utenti in modo semplice tramite un’interfaccia visiva facile da usare, riducendo così la dipendenza dai team tecnici.
Questo approccio scalda l’expertise in tutta l’organizzazione, consentendo a più persone di contribuire secondo le proprie capacità e conoscenze senza necessariamente richiedere una conoscenza tecnica approfondita.
Mantenere la conoscenza in un unico posto, con documentazione integrata
I progetti AI richiedono continuità, specialmente man mano che i team crescono e si evolvono. Dataiku centralizza la conoscenza dei progetti e gli strumenti di collaborazione per garantire l’allineamento:
- – I wiki di progetto offrono uno spazio strutturato per documentare decisioni, metodologie e flussi di lavoro.
- – Chat integrate, to-do list e thread di discussione aiutano a conservare in un unico punto le conversazioni che riguardano il progetto: niente più note sparse su strumenti diversi, ogni decisione e ragionamento interno è tracciato e memorizzato pro posteris
a garanzia che l’intero bagaglio di conoscenza sul progetto sia accessibile in ogni momento.
Garantire trasparenza e compliance dell’AI
La conformità alle normative che regolano la gestione dei dati e l’AI sono un asset per tutte le aziende, ma si tratta di un’attività molto dispendiosa anche in termini di tempo. Dataiku grazie alle funzionalità di automatizzazione della documentazione dei flussi e dei modelli, consente di avere sempre documentazione aggiornata e parallelamente risparmiare tempo.
Si può programmare l’aggiornamento automatico della documentazione dei progetti basandosi sui loro metadati, eliminando così la necessità di aggiornamenti manuali. Ciò porta diversi vantaggi in quanto offre la garanzia di avere una documentazione strutturata e aggiornata in tempo reale, e parallelamente permette a Data Scientist e AI engineer di concentrarsi sugli sviluppi.
In BNova crediamo che la vera forza dell’AI emerga solo quando tecnologia e business lavorano insieme in modo sinergico. È proprio per questo che abbiamo scelto Dataiku: per le sue capacità di abilitare una collaborazione efficace e rendere i progetti di AI non solo più rapidi, ma soprattutto più impattanti per l’azienda. Se vuoi scoprire come possiamo accompagnarti in questo percorso e aiutarti a trasformare i tuoi dati in valore concreto contattaci, siamo pronti a costruire insieme il futuro data-driven della tua impresa.
Categoria: INTELLIGENZA ARTIFICIALE
Da Q&A a Copilot: perché in Power BI conta sempre di più il dato
Q&A è una funzione che chi usa Power BI conosce bene. Esiste dal 2013 e permette di interrogare i dati… Leggi tutto
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
