Data Platform:
utilizzi della Generative AI

Illustriamo una applicazione della Generative AI usata per interrogare
una Data Platform alimentata da fonti ibride.

Perché la GenAI su Data Platform?

Una applicazione dell'IA Generativa potenzialmente rivoluzionaria riguarda l'ambito dei Data Platform: piattaforme tecnologiche integrate che garantiscono la coesistenza di diverse risorse dati e ne consentono la consultazione sfruttando il mix di fonti indentificando di volta in volta quelle più appropriate per rispondere alle enquiry dell’utente.

L'IA generativa si pone come abilitatore identificando pattern, correlazioni e tendenze all'interno dei dati e può essere utilizzata per la generazione di scenari, simulazioni complesse, ottimizzazione processi decisionali, identificare inefficienze e suggerire soluzioni innovative.
In questo articolo descriveremo un tool da noi sviluppato come esempio di applicazione del’IA Generativa ai Data Platform.

Come rendere accessibili i dati di interesse al modello AI che poi li andrà a processare?

Il nostro tool prevede una sezione apposita per permettere l’upload di un file che verrà usato come data lake di riferimento.
Nel caso in cui si volesse estendere l’accesso ad una intera base dati è possibile realizzarne l’integrazione all’interno del framework di lavoro.
In particolare per i database Oracle esiste una tecnologia ad hoc chiamata AI Services, integrata all’interno dell’Oracle Cloud Infrastructure, che mette a disposizione una infrastruttura di machine learning ed artificial intelligence completamente integrata nell’ecosistema Oracle, garantendo prestazioni e livelli di sicurezza estremamente elevati.

Una volta che i dati di interesse sono a disposizione dell’applicazione, è possibile eseguire delle enquiry.

L’applicativo consente di interrogare i dati tramite prompt (modalità di interazione testuale) ed è possibile referenziare i dati precedentemente caricati chiedendo al modello di utilizzarli per eseguire le operazioni.
La referenziazione può essere fatta in modo esplicito (es: “Trova clienti con portafoglio > 50.000€”) oppure dedotta dal modello in base a quanto inserito nel prompt.
Le operazioni effettuate possono essere molto semplici o complesse; tuttavia, anche nei casi semplici, è spesso più comodo preferire il tool all’analisi manuale vista la maggiore velocità con cui il modello può processare i dati rispetto ad un umano.

Un altro aspetto interessante del modello è la possibilità di individuare errori nei dati che potrebbero sfuggire all’occhio umano, soprattutto nel caso di file di grandi dimensioni.
Il modello sa individuare le anomalie poiché è abile nel comprendere il significato semantico di ogni colonna basandosi sulle intestazioni.
Una volta interrogato, il modello analizza ognuno dei record presenti nel file e verifica che il dato rispetti le convenzioni attese dalla sua tipologia (es. dato numerico, non vuoto etc).
Sarà possibile, infine, intervenire sugli specifici record sfruttando il fatto che il modello ha memoria delle interazioni precedenti ed è quindi in grado di evidenziare i record che presentano le anomalie da lui precedentemente individuate.

Andare oltre: uso dei modelli neurali

Implementando un modello neurale adeguato al contesto è possibile ottenere classificatori adatti a riconoscere anomalie più complesse in modo automatico (ovvero senza esplicita richiesta dell’utente).
Ad esempio il modello può essere istruito per analizzare dati bancari e verificare che ogni rapporto presente nelle fonti dati relativo ad un mutuo sia “coerente” (non sia contemporaneamente in ammortamento e preammortamento; che ad un mancato pagamento di una rata corrisponda una sofferenza adeguatamente valorizzata etc).
Questo tipo di anomalie non corrispondono ad errori formali, bensì il problema si colloca nell'informazione (contraddittoria) che un insieme di dati possiede. Per sua natura l’AI è un valido alleato nel riconoscimento di queste tematiche.