Quali sono le sfide principali che le imprese affrontano nell'adozione delle tecnologie AI e come si possono affrontare?

In sintesi, l’AI generativa ha raccolto un consenso di massa talmente ampio da accelerarne l’impiego nel quotidiano in un modo raramente sperimentato con altre tecnologie, quasi come fosse un bisogno latente oggi colmato. Questa velocità è il driver che spiega molti aspetti, come il rinnovato e rafforzato interesse per le materie STEM, la ricerca di esperti data scientist, e infine il fiorire di progetti basati sull’AI in senso ampio.

A ogni early adoption seguono frequenti misure correttive, e con una portata così ampia e di impatto sociale l’obiettivo di governare gli effetti diventa prioritario. L’Europa, per sua natura garantista, e prima al mondo, ha compreso la portata del cambiamento e ha provato ad analizzare il tema in modo strutturato, provando a dare delle regole. Queste regole non nascono per normare lo sviluppo dell’AI in quanto tecnologia, ma per normarne i differenti impieghi, sopra i quali troneggia il rispetto della privacy e l’incremento della competitività delle imprese.

Partendo da questo punto fermo, l’adozione dell’AI nei processi aziendali è inarrestabile. La sfida principale viaggia su due vettori, quello tecnico e quello culturale, sebbene poi ogni caso d’uso abbia le sue particolarità. Dal punto di vista tecnico il più importante elemento da tenere in considerazione nell’affrontare un progetto che veda il coinvolgimento dell’AI è avere chiaro l’obiettivo per poter effettuare scelte consapevoli nello sviluppo. Dal punto di vista culturale invece è fondamentale avere chiaro che l’intelligenza artificiale più che generativa è in realtà imitativa di quella umana. Questa piccola ma fondamentale sfumatura restituisce la misura corretta del trust verso i modelli matematici, che non dovrebbe mai essere assoluto.

Quali possono essere gli approcci efficaci nell'integrazione delle tecnologie AI nelle infrastrutture delle imprese?

L’impiego dell’intelligenza artificiale, combinato alle dinamiche di telemetria, nelle logiche antifrode, nelle analisi svolte nel contesto della cybersecurity o nella generazione di dati sintetici consente di aumentare esponenzialmente l’efficacia su grandi numeri, ma comporta sempre un certo margine di errore. Questo margine di errore, fortemente dipendente dalle scelte tecnologiche, può essere ritenuto accettabile o meno a seconda del contesto. Basti pensare al dato sintetico, ovvero al dato simile al dato reale, ma generato artificialmente.

Oggi il ricorso al dato sintetico sta diventando in alcuni casi una necessità, affermando di fatto che il dato reale è risorsa scarsa in natura. Il problema pertanto non è quello di analizzare il dato, ma di reperirlo, e per quanto possano essere raffinate le logiche di generazione, esistono aziende specializzate nella produzione di dati sintetici con cui poi vengono addestrati gli stessi modelli che servono a supportare, per esempio, la guida autonoma. La qualità di quei dati assume un valore strategico per la sicurezza dell’essere umano.

L’operazione miliardaria che ha visto Cisco Systems acquisire Splunk, attiva nei big data, porterà a una conferma assoluta dell’abilitazione tecnologica, ma l’efficacia dipenderà dal dato acquisito e dalla capacità di governo dei casi d’uso. Per Maticmind, primo partner di Cisco in Italia, è una grande opportunità. Progetti di implementazione di questo tipo vedono l’impiego su più livelli di competenze esistenti, in fase di sviluppo e di prossimo ingresso, come dimostrato dagli obiettivi di hiring recentemente dichiarati. Gli investimenti già fatti nel mondo della cybersecurity e dell’IoT tracciano il percorso sinergico che l’azienda sta intraprendendo a fianco dei propri clienti nell’implementazione e nell’integrazione delle logiche di intelligenza artificiale.