Il CIO prosegue: “Gli algoritmi parlano per statistica, non danno una risposta giusta o sbagliata, ma che ha un grado più o meno alto di affidabilità. Sotto una certa soglia la risposta non è accettabile, al di sopra sì. Sulle mille cartelle messe nel PoC, abbiamo scartato metà dei dati come non affidabili, ma anche solo l’altra metà che abbiamo accettato ci ha restituito un development che descrive in modo corretto la realtà. Ovviamente lavoriamo con pochi fondi a disposizione e la verifica dell’affidabilità dell’AI è stata svolta automaticamente, senza l’intervento di persone per non perdere tempo e risorse. Al momento non possiamo nemmeno inserire nel sistema tutte le cartelle cliniche, ma speriamo con nuove raccolte fondi e con dei crediti Microsoft di riuscire advert accedere alle infrastrutture cloud e alle GPU: è lì il costo del progetto”.
Non dimentichiamo l’AI “tradizionale”
Per l’esperto di dati e analytics Stefano Gatti, autore del libro La Cultura del Dato, “La GenAI aiuta, ma non è ancora matura per gestire servizi customer-facing. È, invece, più matura per supportare l’aumento di produttività interna, come riconoscono diversi CIO. La supervisione umana o, comunque, la verifica dell’affidabilità del risultato restano fondamentali”.
Una buona guida per i CIO per capire se e come investire nell’AI generativa può essere quanto scrive ancora una volta Gartner [in inglese] (e che corrisponde alle esperienze concrete appena descritte): iniziare cercando di capire se il caso d’uso crea valore per il enterprise ed è attuabile nella pratica. Infatti, non ha senso applicare la GenAI indiscriminatamente. Secondo Gartner, questa tecnologia è estremamente efficace nella generazione di contenuti, nella ricerca di dati e nelle interfacce utente conversazionali, ma non decisiva in applicazioni come la classificazione dei dati, i sistemi di raccomandazione o l’automazione intelligente, e ben poco utile per le previsioni, la pianificazione e la choice intelligence. La generative AI è da scartare anche quando i rischi superano i vantaggi: per esempio, in presenza di output inaffidabili, violazione della privateness o della proprietà intellettuale, problemi di cybersecurity o di conformità normativa.
