«L’adozione degli strumenti di intelligenza artificiale è ormai pervasiva e le richieste del business verso gli assistenti virtuali sono estremamente pratiche, come richiedere supporto sugli investimenti o sulla chiusura del mese. Tuttavia, per i profili tecnici queste richieste evidenziano i limiti degli strumenti attuali, comportando il rischio di creare disillusione».
L’avvertimento lanciato da Loris Lombardo, Product Manager di Horsa Insight, durante l’Innovation Challenge promosso dagli Osservatori del Politecnico di Milano fotografa senza giri di parole la sfida odierna delle imprese. Superata la fase dei singoli test di laboratorio, le organizzazioni scoprono che nessun modello linguistico può funzionare a dovere su un patrimonio informativo frammentato. L’approdo alla produzione richiede una rigorosa AI data governance, capace di presidiare la semantica dei dati, garantire la conformità normativa e ancorare gli agenti intelligenti a metriche certe.
Indice degli argomenti
Perché i progetti AI falliscono senza una solida architettura di data governance
La proliferazione dei sistemi basati su agenti intelligenti costringe le imprese a rivedere i fondamenti con cui le informazioni vengono modellate e rese accessibili. Negli ultimi cinque anni la natura del patrimonio informativo aziendale ha subito una trasformazione radicale.
Come evidenziato da Gigi Carlino, Senior Manager Solution Engineer Italy & Iberia di Cloudera, il perimetro applicativo si è allargato ben oltre i tradizionali database relazionali, accogliendo data lake popolati da miliardi di record non strutturati, immagini, video e flussi eterogenei.
Interporre un livello agentico al di sopra di un ecosistema così complesso richiede una disciplina metodologica rigorosa, capace di stabilire chi possa accedere a quali informazioni e di monitorare con estrema precisione i costi computazionali e le infrastrutture.
Lombardo sottolinea come la gestione del dato debba allinearsi alla definizione di Decision Intelligence, intesa come la «capacità di gestire, progettare ed eseguire le decisioni come se fossero dei veri e propri prodotti».
Sul piano operativo, la platea aziendale si divide nettamente tra profili tecnici, definiti esploratori o power user, e decisori finali. Se i primi possiedono le competenze specialistiche per tollerare un output probabilistico e valutarne criticamente l’accuratezza, i secondi pretendono risposte prive di ambiguità per compiere scelte strategiche. Senza un’architettura di governo solida, l’output generato dall’AI rimane confinato in una dimensione ipotetica, privando il management della certezza necessaria per deliberare.
Dal POC alla produzione industriale attraverso infrastrutture sicure e sovrane
L’industrializzazione delle soluzioni intelligenti incontra spesso barriere insormontabili nel passaggio dai singoli Proof of Concept agli ambienti di esercizio scalabili su volumi enterprise.
L’esperienza applicativa presentata da Cloudera con il progetto LineSightX, implementato presso una gigafactory per la produzione di pannelli fotovoltaici, dimostra l’esigenza di adottare un approccio Cloud Anywhere. Per rispondere agli standard di sostenibilità ESG, ottimizzare i consumi e ridurre gli scarti industriali, l’infrastruttura combina un data lake aperto basato su tecnologie open source e un Data Fabric unificato.
Lungo le linee produttive, i dati eterogenei provenienti dagli impianti di produzione e dai rilevatori di power quality vengono convogliati in tempo reale tramite Apache NiFi. L’elaborazione in microbatch alimenta simultaneamente i moduli statistici, i flussi di customer success e i modelli linguistici preposti all’anomaly detection e alla quality assurance lungo la linea produttiva.
La sovranità del dato costituisce un requisito imprescindibile per l’industria pesante e i settori regolamentati. Come evidenziato da Marco Antonelli, Head of AI Software Development di BeanTech, nei siti manifatturieri e negli stabilimenti siderurgici sussiste l’obbligo di confinare sia le informazioni operative sia i cicli di calcolo all’interno del perimetro fisico aziendale.
In partnership con NVIDIA, i modelli vengono distribuiti su nodi computazionali dedicati installati nei data center on-premises dei clienti, garantendo la totale segregazione delle elaborazioni senza dipendenze da server esterni.
Come il semantic layer e i metadati abilitano l’interazione in linguaggio naturale
La frammentazione dei sistemi informativi distribuiti tra server locali e infrastrutture multi-cloud ostacola la comprensione del contesto da parte degli agenti. Flavia Malgeri, Technical Account Manager di Ab Initio, chiarisce come l’evoluzione partita dai data warehouse degli anni Novanta e transitata per le architetture guidate dagli eventi mantenga immutato il fine ultimo: integrare le informazioni per ricavarne valore concreto di business. Tuttavia, secondo Malgeri, «L’innovazione odierna non risiede quindi nel concetto di layer semantico in sé, ma nella sua unione sinergica con gli agenti di AI».
L’interazione fluida con un agente richiede molto più dei semplici metadati di colonne e tabelle: presuppone un livello concettuale che associ i campi tecnici alle regole del business. Questo principio trova applicazione nel caso affrontato da Horsa Insight per un marchio globale del settore fashion, caratterizzato da sorgenti eterogenee, piattaforme pubblicitarie disconnesse e parametri disomogenei.
L’implementazione di un semantic layer centralizzato ha permesso di normalizzare i modelli di attribuzione e le tassonomie, abilitando agenti verticalizzati per specifici ruoli aziendali. Il Chief Marketing Officer, il Media Manager e l’E-commerce Manager interrogano il medesimo layer semantico secondo le rispettive prerogative di business, ricevendo indicazioni sull’allocazione del budget digitale e notifiche operative. L’adozione dello standard Model Context Protocol (MCP) crea inoltre un livello di disaccoppiamento tra agenti e banche dati, scongiurando costosi interventi di riscrittura delle architetture sottostanti.
L’adozione di ontologie condivise e standard di settore per superare la frammentazione
Costruire un’ontologia solida significa superare le asimmetrie lessicali che spesso dividono le persone all’interno della stessa organizzazione. Come evidenziato dall’esperienza di Ab Initio, l’integrazione di ontologie standardizzate (ad esempio le tassonomie ufficiali emanate da Banca d’Italia nel settore finanziario) agevola la mappatura dei glossari interni attraverso una gestione avanzata dei sinonimi e delle relazioni concettuali.
Sul fronte manifatturiero, la convergenza tra dati codificati e patrimonio documentale disorganizzato rappresenta una delle sfide primarie. Nel progetto di monitoraggio guasti illustrato da BeanTech per la gestione di anomalie idrauliche, i dati strutturati registrati nei sistemi CMMS (Computerized Maintenance Management System) sono stati integrati con le indicazioni descrittive contenute nei manuali tecnici.
Nel modello sviluppato da BeanTech, spiega Antonelli, «L’LLM funge da elemento di raccordo tra il dato grezzo e le relazioni logiche, creando gli archi di conoscenza dell’ontologia aziendale». Il grafo della conoscenza risultante consente agli agenti di risalire tempestivamente dai sintomi rilevati alle cause d’origine e alle relative schede di riparazione. La pipeline prevede controlli deterministici a monte, indispensabili per valutare la densità testuale della documentazione tecnica, spesso fornita da costruttori terzi come Siemens, scartando i contenuti inadeguati prima dell’indicizzazione.
La governance “a runtime” tra sicurezza, riservatezza e conformità normativa
L’esposizione di informazioni riservate ai modelli linguistici richiede meccanismi di tutela che vadano oltre le tradizionali autorizzazioni statiche. Malgeri specifica che l’architettura aziendale deve applicare la governance a runtime, intercettando le transazioni per oscurare selettivamente codici fiscali, elementi identificativi e indicatori finanziari sensibili prima dell’esposizione all’agente. Questo filtraggio dinamico garantisce la conformità ai vincoli del GDPR e tutela il patrimonio informativo corporate.
La riservatezza dei dati e l’indipendenza dai singoli modelli LLM orientano le scelte contrattuali e implementative. Lombardo puntualizza che i flussi di conversazione e il contesto rimangono racchiusi in ambienti isolati di proprietà del committente con comunicazioni interamente cifrate, impedendo l’impiego dei dati proprietari per l’addestramento dei modelli commerciali terzi.
Per le organizzazioni soggette a vincoli stringenti, la distribuzione locale o privata dei pesi computazionali azzera il rischio di data leakage. La flessibilità architetturale garantita da piattaforme agnostiche consente infatti alle aziende di alternare contratti enterprise con fornitori cloud e deployment di modelli open source ospitati sulla propria infrastruttura.
La trasparenza del dato e la riproducibilità deterministica per eliminare le allucinazioni
Il rischio di allucinazione nei calcoli finanziari o operativi non è tollerabile nei contesti decisionali di vertice. Il percorso realizzato da Ab Initio per il CFO di un primario istituto bancario dimostra la validità di un accesso deterministico al dato. Tradizionalmente, l’analisi dei bilanci richiedeva continui scambi con figure tecniche per estrarre manualmente viste personalizzate da complessi data cube aziendali, generando ritardi strutturali.
Interponendo un agente AI governato dai metadati aziendali, il CFO può interrogare il sistema direttamente in linguaggio naturale. L’agente identifica i data product rilevanti, esclude le dimensioni non pertinenti come le voci relative all’asset allocation, ricostruisce le chiavi di correlazione tra le tabelle ed elabora la query SQL deterministica.
Il processo esclude l’intervento probabilistico nel calcolo numerico e certifica la riproducibilità del risultato, consentendo all’utente di esaminare la filiera trasformativa, risalire al dato elementare di origine ed esportare le risultanze su fogli di calcolo per le verifiche di dettaglio. Inoltre, le query validate dal management possono essere consolidate all’interno dell’infrastruttura come veri e propri data product riutilizzabili da altre funzioni.
L’integrazione tra machine learning e modelli generativi nei processi decisionali
L’efficienza dei sistemi complessi dipende dalla corretta collocazione funzionale dei diversi paradigmi analitici. Il progetto pilota presentato da Benedetta Dal Sasso, Senior Data Engineer di Blue BI, sviluppato in sinergia con DataPizza per l’industria farmaceutica, affronta la divulgazione scientifica dei farmaci con obbligo di prescrizione medica. In un settore iper-regolato in cui il contatto con gli operatori sanitari (Healthcare Professional) è presidiato da norme ferree, il tradizionale modello massivo basato sulla Share of Voice cede il passo alla Share of Attention, fondata sulla Next Best Action.
L’architettura adottata articola i carichi di lavoro su tre livelli specializzati. La base informativa è gestita all’interno della piattaforma Databricks tramite Unity Catalog, che definisce dimensioni logiche, indicatori di monitoraggio e catalogazione degli asset.
Su questa base si innestano algoritmi di Machine Learning che analizzano lo storico delle interazioni, la stagionalità e l’engagement dei medici, mappando ciascun profilo come un punto vettoriale all’interno di un iperpiano cartesiano. Il sistema suggerisce all’informatore scientifico le migliori cinque opzioni di contatto calcolate per affinità comportamentale.
La Generative AI entra in azione esclusivamente a valle dell’elaborazione analitica. Tramite la soluzione Dualess collegata alle sorgenti di Databricks, l’agente riceve le coordinate individuate dal Machine Learning e compone bozze di comunicazioni personalizzate o report riepilogativi per i colloqui clinici. Di fronte alle possibilità di estendere la GenAI alla fase iniziale di preparazione del dato, Dal Sasso ha ribadito la linearità dell’impostazione: «La nostra scelta metodologica è stata quella di introdurre la Generative AI esclusivamente dove strettamente necessario». L’affidabilità dei dati storici rendeva superfluo l’intervento generativo a monte, preservando l’integrità del percorso analitico.
Il controllo umano e la definizione preventiva dei guardrail operativi
La tracciabilità e la regolamentazione delle architetture aziendali culminano nella ridefinizione del presidio umano. Piattaforme trasparenti eliminano la presenza di black box computazionali, rendendo visibile ogni passaggio di transito dell’informazione. Di conseguenza, il personale specializzato assume una responsabilità più alta, concentrandosi sulla validazione dell’unica fonte di verità aziendale e sull’impostazione dei confini entro cui gli algoritmi possono agire.
Carlino sintetizza l’evoluzione di questa sinergia organizzativa: «Attualmente l’approccio più efficace risulta essere quello dello Human-in-the-loop, che prevede l’inserimento della persona non soltanto nella fase finale di approvazione, ma fin dalla definizione dei vincoli e nella calibrazione dei modelli». Quando gli operatori partecipano alla definizione dei vincoli operativi e verificano le fonti informative sottostanti, l’organizzazione abbatte i timori di opacità tecnologica. Il ritorno dell’investimento supera la mera riduzione dei tempi operativi e consolida il coinvolgimento attivo dei team aziendali, dotati di strumenti governati capaci di supportare decisioni coerenti con le direttive strategiche.
FAQ: Intelligenza Artificiale
Che cos’è l’intelligenza artificiale?
L’intelligenza artificiale è la disciplina che studia la progettazione, lo sviluppo e la realizzazione di sistemi hardware e software dotati di capacità caratteristiche dell’uomo, come ragionamento, apprendimento, pianificazione e adattamento. Si tratta di un ramo della computer science che studia lo sviluppo di sistemi in grado di emulare le capacità cognitive umane, permettendo alle macchine di apprendere dall’esperienza, adattarsi a nuovi input e svolgere compiti che tradizionalmente richiedono l’intelligenza umana. L’AI non ha una definizione univoca e condivisa, poiché comprende un ampio spettro di discipline, dalla neurologia all’informatica, dalla neurobiologia alla matematica.
Quali sono le principali tecniche di apprendimento nell’intelligenza artificiale?
Le principali tecniche di apprendimento nell’intelligenza artificiale si suddividono in tre approcci fondamentali: l’apprendimento supervisionato, l’apprendimento non supervisionato e l’apprendimento per rinforzo. Nell’apprendimento supervisionato, l’algoritmo viene addestrato su un dataset etichettato per prevedere output corretti. L’apprendimento non supervisionato lavora su dati non etichettati per scoprire pattern o strutture intrinseche. L’apprendimento per rinforzo permette a un agente di imparare a prendere decisioni interagendo con un ambiente e ricevendo feedback sotto forma di ricompense o penalità. A questi si aggiunge il deep learning, una sottocategoria del machine learning che utilizza reti neurali artificiali con molti strati per modellare ed estrarre caratteristiche complesse dai dati.
Come è nata e si è evoluta l’intelligenza artificiale nel corso della storia?
L’intelligenza artificiale ha radici che risalgono al XVII secolo, quando furono costruite le prime macchine in grado di effettuare calcoli automatici da Blaise Pascal e Gottfried Wilhelm von Leibniz. Tuttavia, è nel 1943 che la gestazione dell’AI si avvicina al termine con il lavoro del neurofisiologo Warren Sturgis McCulloch e del matematico Walter Harry Pitts, che teorizzarono come semplici neuroni potessero essere combinati per calcolare operazioni logiche elementari. La locuzione “intelligenza artificiale” venne utilizzata per la prima volta nel 1955 dai matematici e informatici John McCarthy, Marvin Minsky, Nathaniel Rochester e Claude Shannon, in preparazione della conferenza di Dartmouth del 1956, considerata la vera “sala parto” dell’intelligenza artificiale. Dopo un periodo di grandi aspettative (1950-1965), l’AI attraversò una fase di difficoltà negli anni ’60, per poi rinascere negli anni ’80 grazie agli studi di Jay McClelland e David Rumelhart sul connessionismo e le reti neurali. Oggi, l’evoluzione delle nanotecnologie e lo sviluppo di algoritmi sempre più sofisticati hanno portato a una nuova generazione di AI capace di apprendimento autonomo e analisi complesse.
Qual è la differenza tra intelligenza artificiale debole e intelligenza artificiale forte?
La differenza tra intelligenza artificiale debole (weak AI) e forte (strong AI) rappresenta una distinzione fondamentale nel campo dell’AI. L’intelligenza artificiale debole agisce e pensa simulando di essere intelligente, ma non lo è realmente. Essa risponde a problemi sulla base di regole conosciute, confrontando casi simili ed elaborando soluzioni razionali senza una vera comprensione. Si occupa essenzialmente di problem solving, simulando il comportamento umano senza comprendere totalmente i processi cognitivi. L’intelligenza artificiale forte, invece, possiede capacità cognitive non distinguibili da quelle umane. Include i “sistemi esperti” che riproducono prestazioni e conoscenze di persone esperte in un determinato ambito, utilizzando un motore inferenziale che, come la mente umana, passa da una proposizione assunta come vera a una seconda proposizione con logiche deduttive o induttive. La caratteristica distintiva di questi sistemi è l’analisi del linguaggio per comprenderne il significato, elemento essenziale per una vera intelligenza.
Quali sono le applicazioni pratiche dell’intelligenza artificiale nel mondo aziendale?
L’intelligenza artificiale trova numerose applicazioni pratiche nel mondo aziendale, trasformando processi e strategie. Nel settore finanziario, l’AI viene utilizzata per personalizzare tassi di interesse, rilevare frodi e migliorare i servizi finanziari attraverso l’analisi dei dati sulle abitudini di rimborso e altri comportamenti dei clienti. Nel marketing e nelle vendite, le tecnologie cognitive aiutano a ottenere una comprensione a 360 gradi dei clienti, prevedendo le loro esigenze e migliorando la loro esperienza, portando a un migliore ingaggio e strategie più efficaci. Nell’industria manifatturiera, l’AI viene implementata per la manutenzione predittiva, consentendo di prevedere guasti e anomalie prima che si verifichino, riducendo i tempi di inattività e migliorando l’efficienza operativa. Altre applicazioni includono l’automazione di processi, l’ottimizzazione della supply chain, il supporto decisionale basato sui dati e il miglioramento della sicurezza informatica.
Come funziona il machine learning e quale relazione ha con l’intelligenza artificiale?
Il machine learning è un sottogruppo dell’intelligenza artificiale che conferisce alle macchine la capacità di ricevere dati e modificare gli algoritmi man mano che acquisiscono più informazioni su ciò che stanno elaborando. Si tratta di sistemi di apprendimento automatico che permettono alle macchine di adattarsi e migliorarsi senza necessità di riprogrammazione da parte dell’uomo. Il machine learning automatizza la costruzione di modelli analitici, utilizzando reti neurali, modelli statistici e ricerche operative per trovare informazioni nascoste nei dati e rispondere a nuovi input esterni. Può essere implementato attraverso diversi approcci, come l’apprendimento supervisionato, non supervisionato e per rinforzo. Un esempio classico di machine learning è un sistema di visione artificiale capace di riconoscere oggetti ripresi da una videocamera: l’algoritmo distingue tra animali, persone e cose, memorizzando nuove situazioni che arricchiscono la sua conoscenza. Il machine learning rappresenta il metodo che “allena” l’AI, consentendole di sviluppare capacità sempre più sofisticate di analisi e decisione.
Quali sono le tecnologie hardware che supportano lo sviluppo dell’intelligenza artificiale?
Lo sviluppo dell’intelligenza artificiale è supportato da diverse tecnologie hardware avanzate. Le GPU (Graphic Processing Unit), originariamente create per elaborare informazioni grafiche nei videogiochi, sono diventate fondamentali per l’AI grazie alla loro capacità di eseguire calcoli in parallelo, a differenza delle CPU che lavorano in modo seriale. Le TPU (Tensor Processing Unit), sviluppate da Google, sono circuiti specificamente progettati per operazioni di machine learning ad alto carico di lavoro, in particolare per ridurre il tempo dedicato alla fase inferenziale. Le ReRAM (memorie resistive ad accesso casuale) possono immagazzinare fino a 1 terabyte di dati in chip delle dimensioni di un francobollo, sono non volatili e consumano pochissima energia, rendendole ideali per costruire reti neurali. I computer quantistici rappresentano un’altra frontiera, operando secondo la logica quantistica che consente calcoli esponenzialmente più potenti rispetto ai computer tradizionali. Infine, i chip neuromorfici simulano il funzionamento del cervello umano, utilizzando una logica di funzionamento analogica che si attiva in maniera differente a seconda del gradiente di segnale scambiato tra le unità.
Quali sono i principali rischi e sfide etiche legati all’intelligenza artificiale?
L’intelligenza artificiale presenta numerosi rischi e sfide etiche che devono essere attentamente considerati. Tra questi, la sicurezza informatica è particolarmente critica: l’AI può essere utilizzata per creare attacchi più sofisticati, come il phishing personalizzato o la manipolazione di sistemi di sicurezza, e le stesse tecnologie AI possono essere vulnerabili ad attacchi che compromettono la loro integrità. Un altro rischio significativo è rappresentato dalle allucinazioni, ovvero la generazione di risposte false o imprecise presentate come fatti plausibili, che possono avere conseguenze gravi in settori come la sanità o la finanza. Vi sono poi preoccupazioni riguardo alla privacy dei dati, alla possibilità di bias e discriminazione nei sistemi AI, e all’impatto sull’occupazione. Questioni etiche emergono anche nel contesto delle auto autonome, come evidenziato dall’esperimento “The Moral Machine” che ha esplorato le scelte morali che un’auto a guida autonoma dovrebbe compiere in situazioni di emergenza, rivelando differenze culturali significative nelle preferenze etiche.
Come sta cambiando il ruolo del CIO con l’avvento dell’intelligenza artificiale?
Il ruolo del Chief Information Officer (CIO) sta subendo una profonda trasformazione con l’avvento dell’intelligenza artificiale. I CIO sono passati da gestori di sistemi IT a leader strategici che guidano l’innovazione e la trasformazione digitale all’interno delle loro organizzazioni. Sono ora responsabili di sviluppare strategie per integrare efficacemente l’AI nei processi aziendali, ottimizzando operazioni e riducendo costi attraverso l’automazione e l’analisi dei dati. I CIO devono garantire che i dati aziendali siano gestiti in modo sicuro e conforme alle normative sulla privacy, mentre implementano soluzioni AI che possono aiutare a identificare e mitigare le minacce alla sicurezza informatica. Devono anche pianificare e facilitare la formazione e lo sviluppo delle competenze necessarie per preparare il personale a lavorare con le tecnologie AI. La loro responsabilità si estende alla valutazione e alla scelta delle giuste piattaforme e infrastrutture per supportare soluzioni AI, considerando aspetti come scalabilità, interoperabilità e costi. Il CIO moderno deve gestire il cambiamento organizzativo che l’introduzione dell’AI comporta, affrontando le preoccupazioni dei dipendenti e promuovendo una cultura aziendale orientata all’innovazione.
Qual è la differenza tra intelligenza artificiale e intelligenza umana?
La differenza fondamentale tra intelligenza artificiale e intelligenza umana risiede nella capacità di creare valore in un sistema aperto e infinito. Mentre l’intelligenza artificiale opera in un sistema chiuso di valori già definiti, l’intelligenza umana si confronta con l’esperienza e con l’infinita variabilità del mondo. L’AI utilizza algoritmi basati sulle probabilità che possono intercettare il rapporto causa/effetto senza realmente comprenderlo, trasformando l’informazione in conoscenza attraverso modelli matematici. Al contrario, l’intelligenza umana è in grado di utilizzare l’invenzione e la fantasia per osservare il mondo in modi nuovi e inaspettati, esplorando possibilità che le macchine, con i loro algoritmi predefiniti, non possono concepire. Il linguaggio naturale utilizzato dalle macchine è efficiente nel trattare grandi volumi di dati, ma manca della profondità semantica e della capacità di innovare che caratterizza il linguaggio umano. Mentre l’AI può facilitare e ottimizzare molti aspetti della nostra vita, è l’intelligenza umana che mantiene la chiave dell’innovazione dirompente, capace di vedere oltre l’ovvio e di creare valore in modi che sfidano le convenzioni.
Partecipa alla community