La Malesia e la sfida della frammentazione dei dati per l'AI

La Malesia ha espresso chiare ambizioni di affermarsi come hub regionale per i dati e l'intelligenza artificiale entro il 2030, posizionando l'AI come motore economico fondamentale. Tuttavia, questa visione si scontra con una realtà aziendale complessa: la maggior parte delle imprese malesi non dispone ancora dei sistemi di dati necessari per implementare l'AI su vasta scala, andando oltre i semplici progetti pilota. La sfida principale, come evidenziato da Cecily Ng, Vice President e General Manager di ASEAN e Greater China presso Databricks, risiede nella frammentazione dei dati.

Molte organizzazioni operano ancora con infrastrutture eterogenee, che includono sistemi legacy e ambienti multi-cloud. Questa dispersione dei dati, spesso segregati anche all'interno delle singole unità di business, rende estremamente difficile unificare le informazioni e renderle fruibili per carichi di lavoro AI complessi. La conseguenza diretta è che, nonostante l'interesse a livello dirigenziale per l'AI, la base dati sottostante non è ancora pronta a supportare un deployment ampio e strategico. Questo scenario solleva interrogativi cruciali per i CTO e gli architetti di infrastruttura che valutano il TCO e la fattibilità di soluzioni AI, sia on-premise che in cloud.

Le fondamenta dei dati: il vero fattore abilitante

Il divario tra l'ambizione nazionale e la prontezza a livello aziendale è profondamente radicato nelle fondamenta dei dati. Ng sottolinea che il successo del deployment dell'AI dipende in misura maggiore dalla disponibilità di dati governati e unificati che dalla mera selezione del modello. Le organizzazioni che riescono a superare la fase pilota e a integrare l'AI nei loro flussi di lavoro tendono a trattare l'intelligenza artificiale come parte integrante di una più ampia trasformazione digitale e aziendale, piuttosto che come un progetto di innovazione isolato.

Esempi virtuosi come Malaysia Airlines dimostrano questa tendenza: l'azienda ha consolidato i dati provenienti da ambienti interni e di terze parti su un'unica piattaforma, consentendo l'analisi quasi in tempo reale e la segmentazione dei clienti assistita dall'AI. Anche Digital Nasional Berhad ha collaborato con Databricks per creare una fondazione unificata di dati e AI per i flussi di lavoro di rete e operativi, supportando l'elaborazione dei dati di rete in tempo reale, il monitoraggio delle performance, il rilevamento delle anomalie e l'ottimizzazione delle decisioni, con un risparmio sui costi fino al 70%. Questi casi evidenziano come l'investimento nelle fondamenta dei dati sia cruciale per rendere l'AI affidabile e scalabile all'interno dell'azienda, un aspetto fondamentale per chiunque valuti il deployment di LLM on-premise o in ambienti ibridi, dove la sovranità dei dati e il controllo sono prioritari.

Oltre la scelta del modello: il valore dei dati proprietari

Un errore comune che le imprese rischiano di commettere è quello di considerare l'AI troppo strettamente come una questione di selezione del modello. Sebbene i Foundation Models attirino molta attenzione e siano sempre più disponibili, nessun singolo modello offre le migliori performance per ogni compito. La vera differenziazione, secondo Ng, risiede nei dati di un'organizzazione: quanto bene sono unificati e resi disponibili per i carichi di lavoro AI. Questo è particolarmente rilevante per le aziende che desiderano sviluppare capacità AI distintive e competitive.

I dati proprietari aziendali – che includono interazioni con i clienti, operazioni interne, utilizzo dei prodotti e conoscenza del dominio – sono centrali per un'AI in produzione che generi output pertinenti al business. Anche se i modelli pubblici sono accessibili, la capacità di arricchirli e personalizzarli con informazioni specifiche dell'azienda è ciò che rende l'AI veramente efficace. Da una prospettiva come quella di Databricks, il futuro è agnostico rispetto al modello e multi-modello, consentendo ai clienti di utilizzare il modello migliore per ogni compito, mantenendo al contempo i dati aziendali sicuri e osservabili. Questo approccio è in linea con le esigenze di flessibilità e controllo che caratterizzano le decisioni di deployment on-premise.

AI responsabile e controllo operativo: un imperativo

L'implementazione di un'AI responsabile non può limitarsi a politiche o dichiarazioni etiche; deve essere integrata nel ciclo di vita dell'AI attraverso controlli operativi concreti. Questa esigenza è particolarmente critica in settori regolamentati e operativamente complessi come l'aviazione, l'energia e le telecomunicazioni, dove la trasparenza e la tracciabilità sono fondamentali. Le organizzazioni necessitano di visibilità su come i sistemi AI prendono decisioni, inclusi i dati a cui accedono, gli strumenti che utilizzano e le modalità di generazione degli output. Ciò diventa ancora più importante man mano che i sistemi AI diventano più autonomi e “agentici”.

L'AI responsabile su larga scala è intrinsecamente legata alla fiducia e alla governance, che devono essere integrate direttamente nel ciclo di vita dell'AI. Un esempio esterno alla Malesia è AIA, un'assicurazione che ha consolidato dati interni dei clienti e dati di analisi comportamentale esterni su una piattaforma Databricks sicura. Questo ha permesso ai consulenti finanziari di fornire raccomandazioni personalizzate, raddoppiando il coinvolgimento dei clienti e la generazione di lead. Per chi valuta deployment on-premise, l'integrazione di controlli di governance e responsabilità fin dalla fase di progettazione è essenziale per garantire conformità e sicurezza dei dati. AI-RADAR offre framework analitici su /llm-onpremise per valutare questi trade-off e supportare decisioni informate.