Una ricerca del Politecnico di Milano sull’impatto dell’AI nella gestione dei dati aziendali pone il tema della data quality. Irion: bisogna addestrare gli algoritmi con i dati giusti.
AI e data quality nelle aziende vanno messe a fattor comune. Senza dati corretti e di qualità, infatti, i benefici che l’intelligenza artificiale sta prospettando a destra e a manca ce li possiamo scordare. Anzi, si corre il rischio di perdere soldi, valore di business e di andare in direzione opposta a quella che serve.
Il dato emerge da una ricerca condotta dal Politecnico di Milano, che ha coinvolto 158 imprese medio-grandi, con un fatturato superiore ai 50 milioni di euro e almeno 50 addetti e presentata presso il Parco Tecnologico di Torino, dove ha sede Irion, storica azienda italiana che da 20 anni sta lavorando nel campo dell’Enterprise Data Management (EDM).
Come detto da Irene Di Deo, ricercatrice senior dell’Osservatorio Big Data e Business Analytics del Politecnico di Milano, sono stati affrontati i temi dell’impatto dell’AI sulla gestione dei dati in azienda, sul legame con la qualità dei dati e sullo stato dei progetti collegati.
(le domande erano: “L’attuale attenzione sull’AI sta avendo un impatto concreto sulla gestione dei dati nelle organizzazioni?”, e “Perché è sempre più rilevante parlare di Data Quality?”)
Le aziende che hanno risposto all’indagine provengono da diversi settori di mercato, soprattutto industria (33%) e terziario avanzato (18%), per il 40% hanno sede nel Nord-Ovest nel 29% dei casi nel Nord-Est, con il restante 31% sparso fra Centro Italia, Sud e Isole.
La ricerca ha evidenziato come solamente il 26% delle aziende italiane abbia già avviato progetti di analisi avanzata con AI, mentre il 59% si è concentrata ancora sulla business Intelligence, con un 15% di soggetti con solamente attività sporadiche di analisi dei dati.
Fare spazio alla data quality oltrepassando la business intelligence
«Quasi i tre quarti delle aziende intervistate non sono sicuramente AIrReady – ha spiegato Di Deo -, perché “immature”, facendo solo sporadicamente analisi dei dati (il 15%) o perché ancora troppo concentrate sulla Business Intelligence (26%)».
Le barriere all’adozione del ML (Machine Learning) e all’AI sono soprattutto legate a «integrazione, preparazione e qualità dei dati».
C’è infatti anche uno studio di Gartner dello scorso anno che dice che che il costo medio di una scarsa Data Quality è di 10,5 milioni di dollari/anno per azienda.
Una perdita che deriva da spreco di risorse per la pulizia e la correzione dei dati; analisi inaccurate e conseguenti decisioni errate; opportunità mancate.
Inoltre, «le aziende AI-ready sono più consapevoli dei rischi (41%)».
Lo studio del Politecnico di Milano arriva a concludere che le aziende che oggi si possono definire AI-ready sono per il 15% medie e per il 32% grandi imprese, con il 38% e il 50%, rispettivamente, che hanno avviato un programma di Data Management.
Per Irene Di Deo «Siamo all’inizio del percorso, ma processi e tecnologie non sono sufficienti ad affrontare le nuove sfide dell’AI».
Il Ceo di Irion, Alberto Scavino, ha sottolineato la crescita della società torinese, specializzata in EDM, passata arrivata a contare oltre 200 addetti. Per Scavino, oggi «addestrare gli algoritmi con i dati giusti è l’unico modo per trasformare l’entusiasmo per l’IA in benefici concreti».
