Informazioni contrastanti in una dashboard possono essere qualcosa che un dipendente è in grado di approfondire. Secondo l’articolo, un agente IA che si trova di fronte alla stessa ambiguità può propagare l’errore che ne deriva nel proprio lavoro. Perché le organizzazioni possano fare affidamento sui risultati generati dall’IA, i dati devono essere strutturati per l’uso da parte delle macchine, oltre che governati e compresi dalle persone.
L’articolo individua quattro requisiti per i dati pronti per l’IA. Devono essere affidabili, con provenienza, titolarità, cronologia delle convalide e trasformazioni tracciabili insieme ai dati. Le regole di governance dovrebbero accompagnare i set di dati, anziché essere conservate separatamente negli strumenti a valle, dove le modifiche possono passare inosservate. Questa tracciabilità aiuta inoltre le organizzazioni a spiegare i risultati di un modello e ad assumersene la responsabilità.
I dati devono anche essere abbastanza tempestivi per le decisioni che supportano. Gli impieghi operativi, come il rilevamento delle frodi o gli adeguamenti delle scorte, possono richiedere aggiornamenti nell’arco di pochi secondi, mentre la pianificazione strategica può basarsi su dati giornalieri o settimanali. L’importante è adeguare l’aggiornamento dei dati ai tempi della decisione e rendere chiaro ogni eventuale ritardo.
Un vocabolario aziendale condiviso è un altro requisito. Termini come «ricavi» possono riferirsi a misure diverse in sistemi diversi. Senza definizioni comuni, documentate e applicate a livello del layer dei dati, un modello potrebbe combinare misure distinte come se significassero la stessa cosa.
Infine, i dati devono essere individuabili e utilizzabili dalle macchine. Gli analisti spesso si affidano alla propria conoscenza delle tabelle e dei campi da usare, ma gli agenti IA non dispongono automaticamente di questo contesto istituzionale. Di conseguenza, l’organizzazione dei dati e il modo in cui vengono esposti sono importanti tanto quanto i loro contenuti.
L’articolo presenta i prodotti dati come un modo per soddisfare queste esigenze. Un prodotto dati è un’unità distinta, con un responsabile e documentata, che comprende informazioni quali lo schema, la frequenza di aggiornamento, le regole di accesso e il significato aziendale. In questo modo gli agenti dispongono di una modalità coerente e leggibile dalle macchine per individuare e recuperare i dati.
Le organizzazioni possono esporre i prodotti dati tramite MCP, o Model Context Protocol, che l’articolo descrive come uno standard emergente per fornire agli agenti IA un accesso strutturato e autorizzato a sistemi e fonti di dati. Con questo approccio, un agente potrebbe individuare un prodotto dati «Customer Lifetime Value», comprenderne i contenuti e l’aggiornamento e recuperare le informazioni pertinenti senza che una persona debba realizzare un’integrazione personalizzata o codificare una query.
Al contrario, le organizzazioni che utilizzano data lake grezzi e indifferenziati potrebbero dover creare un layer di navigazione per ogni nuovo caso d’uso prima che gli agenti possano lavorare con i dati. L’articolo sostiene che le aziende con prodotti dati già consolidati possono ridurre questo lavoro preliminare e la necessità di intervento umano durante l’inferenza.
Fonti: TechRadar.