"E poi - ha continuato - abbiamo definito proprio un processo per accompagnare dall'idea alla sperimentazione fino all'industrializzazione i casi d'uso e abbiamo lavorato su questo processo che è costruito su tre fasi: una ricognizione dei casi d'uso più promettenti da un punto di vista del business, una selezione di una short list di quelli con un migliore business case e con una fattibilità tecnica, per arrivare poi alla sperimentazione su dati reali o dati sintetici, e infine all'industrializzazione per quei prototipi più promettenti degni di un investimento.
"Un caso d'uso molto promettente, che infatti ha passato tutti questi stage ed è arrivato ad essere finanziato da ReActive, è quello dell'adozione dell'intelligenza artificiale per la modernizzazione delle applicazioni obsolete delle banche - ha raccontato Bei - Gran parte delle operazioni bancarie, lo sappiamo, si basa ancora su applicazioni che seppure in esercizio da molti anni sono obsolete, scarsamente documentate e da gestire; e questo ha fatto sì che si è accumulato un debito tecnico notevole che ora le banche pagano in termini di scarsa comprensione dell'as is e quindi difficoltà ad affrontare il cambiamento, difficoltà all'adozione del cloud e basso time to market".
"Il nostro strumento agisce proprio su questo, sulla capacità di recuperare la business logic di vecchia applicazione di milioni di righe di codice, accelerando il lavoro di un analista umano - ha detto l'Head of Digital Services ReActive - Quindi il nostro punto di vista è che le soluzioni basate sull'AI funzionano, e in questo caso funzionano molto bene, quando c'è sempre un contributo umano che è sinergico con l'intelligenza artificiale. Quindi ragionare, più che in termini di assoluta automazione, in termini di un contributo sinergico tra essere umano e intelligenza artificiale".
Sulle lezioni imparate, ha detto: "Anzitutto lavorare sul modello organizzativo per distinguere e assegnare in modo molto accurato le responsabilità tra chi deve ideare i casi d'uso, il business, e chi invece li deve implementare, la ricerca e sviluppo. Il secondo punto è la formazione: tanta formazione, ma non solo agli skill più tecnologici, ma più che altro alle persone di business, con formazione sulle modalità e criteri d'uso dell'intelligenza artificiale per far sì che poi nel loro ambito di business specifico riescano a individuare quei processi che possono essere accelerati tramite l'intelligenza artificiale".
"Un'altra lezione molto importante che abbiamo imparato sul campo è quella di considerare le soluzioni sempre con un contributo complementare tra essere umano e intelligenza artificiale, pensare che sia necessario pre-trattare alcuni problemi per far sì che la dimensione e il contesto sia poi trattabile dall'intelligenza artificiale, quindi una pre-lavorazione del problema per ridurlo in termini di complessità".
"Infine, un elemento molto importante è costruire attorno alle soluzioni basate sull'intelligenza artificiale un'architettura con delle interfacce stabili, perché è fondamentale poter cambiare - nel caso di AI generativa - il modello linguistico. Sappiamo che è in continua evoluzione, ce ne sono almeno una trentina tra i più rilevanti in questo momento, e quindi è fondamentale non creare dei lock-in con queste tecnologie. Anche perché così facendo è possibile in un futuro ragionare anche su dei broker dei modelli, per far sì che a seconda del problema specifico si possa scegliere il modello linguistico più economico o migliore in termini di accuratezza".