La maggior parte dei programmi aziendali dedicati alla qualità dei dati non è stata concepita tenendo conto degli agenti di intelligenza artificiale. Sono stati sviluppati per produrre report accurati e dati affidabili a supporto dei responsabili delle decisioni.
Gli agenti di intelligenza artificiale prendono decisioni in autonomia.
E lo standard dei dati di cui hanno bisogno è nettamente superiore a quello per cui è stata progettata la vostra infrastruttura di reporting.
È un po’ come le zone di allenamento degli atleti. L’impegno in allenamento per una competizione locale non vi porterà alle Olimpiadi. A una posta in gioco più alta corrispondono standard più elevati. Lo stesso vale per i dati.
Allora, di cosa avete bisogno per competere? Ecco i cinque standard che i vostri dati devono soddisfare.
1. Dati coerenti in tutti i sistemi su cui fa affidamento un agente
Quando un analista umano individua un'incongruenza tra i sistemi, ne nasce un dialogo. Qualcuno indaga e viene presa una decisione discrezionale. C'è una persona coinvolta nel processo in grado di assorbire quell'attrito.
Un agente basato sull’intelligenza artificiale non dispone di tale margine di manovra.
Agisce in base a ciò che rileva. Se ciò che rileva in un sistema contraddice ciò che è presente in un altro, potrebbe semplicemente proseguire. La decisione che prende a valle riflette l’incoerenza e non vi è alcuna garanzia che qualcuno se ne accorga prima che l’errore si propaghi ulteriormente.
I vostri dati potrebbero essere del tutto accurati all’interno di ogni singolo sistema. Tuttavia, devono anche rimanere coerenti tra di essi nel momento in cui un agente ne ha bisogno e tra:
- I registri dei vostri prodotti
- I dati dei clienti
- Le informazioni sui fornitori
- I dati relativi alle sedi
Tutto questo, contemporaneamente.
2. Relazioni tra domini strutturate in modo che gli agenti possano seguirle
Gli strumenti di reporting sono progettati per operare entro determinati limiti.
- Una dashboard delle vendite attinge ai dati dei clienti
- Un report sulla catena di approvvigionamento attinge dai registri dei fornitori
Ciascuno è progettato per il proprio ambito specifico. E funziona perché è una persona a stabilire le connessioni tra di essi.
Gli agenti non funzionano in questo modo. Il flusso di lavoro di un singolo agente potrebbe passare da una scheda cliente a un prodotto correlato, poi al fornitore che lo produce, quindi a una norma di conformità che regola la transazione.
Tale catena regge solo se le relazioni tra i domini sono esplicite, regolate e percorribili senza che l’agente si imbatta in un vicolo cieco. O, peggio ancora, colmi il vuoto con un’ipotesi.
La maggior parte degli ambienti di dati aziendali non è stata progettata per questo tipo di percorso. I domini esistono, ma spesso le relazioni no. Almeno non in una forma che un agente possa seguire senza l’intervento umano.
3. Contesto semantico che gli agenti possano interpretare senza l’intervento umano
Recuperare i dati e comprenderli non sono la stessa cosa. Uno strumento di reporting estrae un valore e lo presenta; spetta all’utente decidere cosa significhi.
Un agente deve prendere quella decisione autonomamente, sul momento.
I dati aziendali raramente sono così inequivocabili come sembrano. Ad esempio, un prodotto classificato in modo diverso in due mercati diversi, oppure una scheda cliente in cui il nome dell’account non corrisponde alla persona giuridica. Un analista umano si fermerebbe a riflettere su entrambi questi casi.
Un agente non ha motivo di farlo. Procederà in base a qualsiasi interpretazione consentita dai dati, a meno che qualcosa nella sua programmazione non gli abbia indicato di fermarsi.
È il contesto semantico a cambiare le cose.
- Metadati
- Relazioni
- Definizioni
Questi sono incorporati nei dati stessi, fornendo a un agente elementi su cui lavorare oltre al valore grezzo contenuto in un campo.
4. Linea di tracciabilità end-to-end che rende tracciabile ogni decisione presa da un agente
Quando una persona prende una decisione, di solito ne rimane una traccia. Un’e-mail, una riunione o un documento che ne spiega il ragionamento.
È lo stesso principio che applicano gli atleti d’élite quando registrano i propri allenamenti. Ogni sessione, ogni variabile, ogni risultato viene monitorato e archiviato. Solo così possono migliorare con certezza e pieno controllo.
Il processo decisionale degli agenti funziona allo stesso modo. Quando un agente agisce, quella traccia esiste solo se l’infrastruttura dei dati è stata progettata per crearla.
Gli agenti operano a una velocità e su una scala tali da rendere impossibile la supervisione manuale. Un singolo flusso di lavoro automatizzato può innescare centinaia di azioni a valle prima ancora che qualcuno abbia esaminato la prima.
Questo non è un problema se ogni decisione è tracciabile. Ma diventa un problema serio quando qualcosa va storto e il vostro team ha bisogno di capire perché – e il percorso dei dati alla base della decisione semplicemente non esiste.
La tracciabilità deve essere strutturale, integrata fin dall’inizio nel modo in cui i dati vengono gestiti. Ogni input su cui un agente ha agito e ogni output che ha prodotto. Tutto è ricostruibile, senza che tu debba andare alla ricerca di prove a posteriori.
5. Governance integrata che gli agenti portano con sé ovunque
La governance applicata dopo che un agente ha agito non è vera governance. In quel caso si tratta solo di contenimento dei danni.
La maggior parte dei modelli di governance aziendale è stata progettata intorno ai flussi di lavoro umani. In quel contesto, una persona può essere istruita, richiamata all’ordine o fermata prima che venga presa una decisione.
Gli agenti si muovono rapidamente attraverso sistemi e domini. Hanno comunque bisogno di punti di controllo, ma una governance pensata per il modo in cui lavorano le persone non è applicabile al modo in cui operano gli agenti. Deve essere costruita attorno all’agente, non il contrario.
Affinché la governance sia efficace in un ambiente basato sugli agenti, deve essere integrata nei dati stessi. Deve essere applicata attraverso la struttura di gestione dei dati, piuttosto che tramite un processo separato che opera parallelamente ai flussi di lavoro degli agenti.
Quando la governance è strutturale, gli agenti la portano con sé mentre lavorano. Le regole viaggiano insieme ai dati, anziché con la persona che li supervisiona.
A che livello si collocano i dati della vostra azienda sulla scala di preparazione?
Non tutti i dati aziendali sono preparati per lo stesso carico di lavoro. Proprio come un atleta che ha raggiunto una forma fisica sufficiente per completare una gara, ma non per competere in essa, la maggior parte dei dati aziendali è stata preparata per un livello specifico di richiesta.
E quel livello raramente corrisponde a quello di cui gli agenti di IA hanno bisogno per avere successo.
Esistono tre zone distinte:
Zona 1: Tenuta dei registri
Dati delle transazioni. Sufficientemente accurati da registrare ciò che è accaduto, ma non strutturati per scopi che vadano oltre.
Zona 2: Reportistica
Lo standard raggiunto dalla maggior parte delle aziende. Adatto a dashboard e BI, sufficientemente affidabile da consentire agli analisti umani di trarne conclusioni. La maggior parte delle iniziative di IA parte dal presupposto che la Zona 2 sia sufficiente.
Zona 3: Processo decisionale autonomo
Lo standard richiesto dagli agenti. Coerente tra i sistemi, semanticamente ricco, completamente tracciabile e governato per impostazione predefinita.
Il divario tra la Zona 2 e la Zona 3 è il punto in cui la maggior parte delle implementazioni di agenti incontra difficoltà. È proprio lì che i cinque standard sopra indicati diventano lo strumento diagnostico.
Come ottenere dati di livello agente con Stibo Systems
Raggiungere la Zona 3 è un processo graduale, e la sequenza con cui si procede è importante tanto quanto ciò che si realizza.
Noi di Stibo Systems strutturiamo questo percorso attraverso STEP, la nostra affidabile piattaforma di intelligence. In quanto piattaforma MDM multidominio, è progettata per portare tutti e quattro i domini di dati allo standard richiesto dagli agenti:
- Prodotto
- Cliente / Partner commerciale
- Fornitore
- Sede
Quando i dati sono gestiti in modo coerente tra i vari ambiti, gli agenti dispongono già delle basi di governance di cui hanno bisogno. Un'unica versione della verità, non un insieme di regole aggiunte a posteriori.
Il contesto semantico, le relazioni tra i domini e la tracciabilità completa sono integrati nell’architettura stessa.
Si ottengono dati su cui gli agenti possono agire in modo indipendente, con la tracciabilità e i meccanismi di controllo richiesti dal processo decisionale autonomo.
FAQ
Qual è la differenza tra dati puliti e dati di livello agente?
I dati puliti sono tipicamente accurati all'interno di un singolo sistema o per un rapporto specifico. I dati di livello agente devono rimanere coerenti in tutti i sistemi contemporaneamente, contenere abbastanza contesto affinché un agente possa interpretarli senza aiuto e essere completamente tracciabili.
I dati possono essere puliti e comunque non raggiungere il livello richiesto per gli agenti.
Perché gli agenti di intelligenza artificiale hanno bisogno di standard di dati diversi rispetto agli strumenti di reporting?
Gli strumenti di reporting supportano i decisori umani che possono indagare sulle incoerenze e applicare il giudizio. Gli agenti di intelligenza artificiale agiscono autonomamente, spesso con velocità e su larga scala. Gli errori possono propagarsi a valle prima che un essere umano abbia mai la possibilità di individuarli o correggerli.
Come fai a sapere se i tuoi dati sono pronti per gli agenti AI?
Valutalo rispetto a cinque standard: coerenza tra i sistemi, relazioni traversabili tra domini, contesto semantico, piena tracciabilità e auditabilità, e governance incorporata direttamente nei dati.
Le lacune in uno qualsiasi di questi indicano che i dati sono di livello di reporting piuttosto che di livello di agente.
Qual è il ruolo della gestione dei dati master nella preparazione dei dati per gli agenti AI?
MDM fornisce la struttura che rende possibile i dati di livello agente. Governa e collega i dati attraverso domini come prodotto, cliente, fornitore e partner commerciale, fornendo agli agenti AI una base coerente, tracciabile e governata su cui agire.
