Oggi le aziende guardano all’adozione dell’AI per rimanere competitive, comprendere meglio i clienti e aumentare la propria efficienza. Tuttavia, se l’entusiasmo generale intorno al potenziale di questa tecnologia continua a crescere, sono molte le iniziative che faticano ad affermarsi. Tra le ragioni principali c’è la mancanza di una piattaforma collaborativa supportata da una solida infrastruttura cloud ibrida. Senza di essa, il successo sarà molto difficilmente raggiungibile.
La promessa dell’AI è difficile da ignorare. I nuovi strumenti basati sull’intelligenza artificiale aiutano le aziende a lavorare in modo intelligente automatizzando le attività più banali. Inoltre, forniscono informazioni più precise sui dati che possono trasformare l’esperienza dei clienti, favorire un risparmio e identificare nuove opportunità. I CIO sentono la pressione di dover perseguire questo approccio per non rimanere indietro rispetto alla concorrenza.
La realtà, però, è che le aziende hanno difficoltà a trasformare i progetti pilota di intelligenza artificiale in produzione. I costi e la complessità che ne derivano gravano sui team di data science che non dispongono della giusta maturità operativa, e l’infrastruttura non è in grado di soddisfare i pesanti carichi di lavoro, senza contare che i silos esistenti tra sviluppatori, data engineer e IT ops rallentano i progressi.
Fiducia attraverso la spiegabilità dei modelli
Nel regno dell’AI, la fiducia è fondamentale. La spiegabilità del modello diventa cruciale per stabilire la fiducia in quanto risolve le preoccupazioni legate alla natura di “scatola nera” dei grandi modelli di apprendimento automatico. Molte aziende esitano ad adottarla a causa del comprensibile scetticismo nei confronti dei risultati dei modelli. Come si fa a credere che le raccomandazioni dell’AI riflettano accuratamente la realtà? Questo aspetto è particolarmente preoccupante per settori avversi al rischio come la sanità e i servizi finanziari.
La spiegabilità del modello non è solo una questione di comprensione del suo funzionamento interno, ma anche di garanzia del fatto che sia stato addestrato su dati contestuali, proprietari e verificati. I dati più preziosi per i casi d’uso aziendali sono infatti quelli proprietari, rinchiusi nei sistemi legacy e nei data center privati. I modelli addestrati su asset di dati proprietari puliti, convalidati e arricchiti possono garantire che i risultati dell’AI derivino da dati reali e veritieri, unici per ciascuna organizzazione.
Ad esempio, addestrando i chatbot del servizio clienti su anni di trascrizioni di chiamate clienti, si garantisce che le risposte corrispondano a conversazioni reali anziché imitare i dialoghi online. Allo stesso modo, in Ansible Lightspeed, i modelli vengono addestrati su playbook Ansible realmente funzionanti, con risultati non sono teoricamente validi, ma anche pratici e attuabili.
I dati verificati confluiscono nei modelli attraverso pipeline ibride. Così, quando l’AI implementata prende decisioni, fornisce raccomandazioni o genera automaticamente codice, è possibile spiegare quali fattori e dati hanno formato il modello. Questa trasparenza crea una fiducia giustificata nell’AI adottata.
Il problema principale di questo approccio è che molte organizzazioni, soprattutto quelle altamente regolamentate, esitano a trasferire dati proprietari nel cloud. In alcuni casi non possono semplicemente farlo a causa dei requisiti legali e normativi, che rendono indispensabile mantenere i dati in sede.
Flessibilità con risorse a tempo pieno
È qui che incontriamo un ulteriore grande problema: lo sviluppo e l’addestramento di modelli di intelligenza artificiale assorbono cicli di calcolo massicci, che vanno ben oltre la capacità dei data center tradizionali. La natura variabile del lavoro della scienza dei dati richiede anche una scalabilità dell’infrastruttura, che conferma la necessità di disporre della potenza di calcolo e flessibilità offerte dal cloud pubblico.
Senza un’adeguata governance, i costi del cloud pubblico possono andare facilmente fuori controllo. I team che si occupano di scienza dei dati hanno bisogno di un accesso flessibile alle risorse del cloud pubblico come estensione del cloud privato. Un modello ibrido fornisce l’ambiente di formazione più agile ed efficiente in termini di costi, eliminando la capacità inutilizzata. Il cloud ibrido consente di utilizzare il cloud pubblico solo quando è necessario per soddisfare richieste temporanee, permettendo al contempo ai dati di risiedere in sede.
Un ulteriore vantaggio dell’approccio ibrido riguarda le questioni ambientali, sociali e di governance. Consumatori e clienti sono sempre più motivati dalle questioni ESG e indirizzano il loro potere di spesa verso organizzazioni con un quadro di riferimento consolidato. Le strutture cloud ibride forniscono un approccio equilibrato alla gestione dei costi e alla sostenibilità ambientale, ottimizzando le risorse in base ai requisiti specifici del progetto e assicurando che le iniziative di AI rimangano efficienti dal punto di vista dei costi e responsabili dal punto di vista ambientale. La flessibilità offerta da un cloud ibrido consente un’allocazione dinamica delle risorse, evitando spese inutili e riducendo l’impronta di carbonio complessiva associata alla formazione di modelli di AI.
Il viaggio verso l’eccellenza dell’AI comporta il raggiungimento di un delicato equilibrio. L’era dell’AI richiede non solo abilità tecnica, ma anche acume strategico nella gestione dei dati proprietari, nella garanzia della conformità legale e nell’ottimizzazione delle risorse. Il cloud ibrido emerge come perno di questa narrazione, offrendo una soluzione olistica che allinea il potenziale dell’intelligenza artificiale con gli imperativi della moderna governance aziendale. Con un panorama dell’AI in continua evoluzione, abbracciare una strategia incentrata sul cloud ibrido non rappresenta solo una possibile scelta, ma si rivela un imperativo per il successo.
A cura di Erica Langhi, Senior Solutions Architect EMEA, Red Hat
