In un settore consumato dalla corsa per l’intelligenza artificiale, le aziende si stanno arrampicando per evitare di essere lasciate indietro. La paura di perdere, tuttavia, porta molti a inseguire tendenze appariscenti ignorando i fondamenti, una pratica che un veterano del settore chiama “folle”.
Stanislav Petrovuno scienziato di dati senior presso Capital.com Con oltre un decennio di esperienza, sostiene che la chiave del successo non è adottare il modello più nuovo e pubblicizzato, ma promuovendo una cultura della “sanità mentale dei dati”. Per le aziende, ciò significa dare la priorità a obiettivi chiari e dati di qualità sul fascino del carrozzone AI.
La sfida è significativa. Secondo un rapporto del 2024 di AlationUn’87 percento che cita i dipendenti Qualità dei dati Problemi come motivo principale per cui le loro organizzazioni non riescono a soddisfare gli obiettivi di dati e analisi.
“Il paradosso centrale dell’attuale boom dell’IA è la nostra ossessione per i risultati mentre trascura la fonte”, mi ha detto Petrov. “Nonostante tutta l’eccitazione, il fattore più critico per l’intelligenza artificiale o i progetti di scienze dei dati di successo rimane la qualità e la pertinenza dei dati di input – ma poiché questa è la parte non sexy e più difficile, viene spesso ignorato.”
Per contrastare questo, Petrov sostiene un quadro semplice ma rigoroso prima dell’inizio di un progetto: qual è l’obiettivo aziendale? Qual è il potenziale impatto sul business? E abbiamo i dati per farlo accadere?
“Se quelli non hanno chiaramente risposta, non andiamo avanti”, ha detto.
Un progetto per l’impatto
Petrov indica lo sviluppo di un valore per la vita dei clienti, o CLV, il modello come un primo esempio di questa filosofia in azione. L’obiettivo non è solo quello di costruire un algoritmo predittivo, ma di risolvere un’esigenza centrale: ottimizzare i budget di marketing.
“L’obiettivo è comprendere le prestazioni previste della campagna o della creatività pubblicitaria nelle prime fasi e adattare la spesa di conseguenza”, ha affermato Petrov. Ha osservato che tali modelli sono cruciali per le moderne strategie automatizzate, come le offerte basate sul valore su piattaforme come Google Ads, che si basano sul valore dell’utente previsto.
Mentre l’attuale era dell’IA è dominata da reti neurali complesse, Petrov ha affermato che per problemi di dati strutturati come CLV, i metodi stabiliti spesso funzionano meglio.
“Un approccio di potenziamento del gradiente funziona bene per i dati strutturati”, ha detto Petrov, aggiungendo l’avvertenza cruciale: “Naturalmente, devi sapere cosa stai facendo e capire come sintonizzare gli iperparametri e scegliere una funzione di perdita adeguata in base alla distribuzione target.”
Il passo finale, e forse più importante, è garantire che il modello venga effettivamente utilizzato. Ha sottolineato che la misurazione dell’impatto richiede spesso tecniche sofisticate come l’analisi dell’impatto causale per dimostrare il valore di un modello quando non sono fattibili test A/B semplici.
“Il valore di un tale modello sta non solo nel suo merito tecnico ma nella sua capacità di influenzare le decisioni reali, scala tra i sistemi e adattarsi alle esigenze aziendali”, ha affermato Petrov.
Navigare un paesaggio in evoluzione
Questo approccio pragmatico è essenziale in quanto i data scientist affrontano un ribaltamento di venti contrari, in particolare da nuove norme sulla privacy e dalla morte a lungo valida del cookie di terze parti.
Google sta procedendo con il suo piano per eliminare gradualmente i cookie di terze parti per tutti gli utenti di Chrome, una mossa che Uno studio di LoTame Ho trovato che il 62 percento degli esperti di marketing ritiene che avrà un impatto negativo sulla loro pubblicità.
Petrov lo vede non come un singolo evento, ma come un lungo processo incrementale che richiede un adattamento.
“Un grande cambiamento è appoggiarsi a framework basati su incrementalità e modellazione dei mix di media per comprendere il vero contributo dei canali, specialmente quando l’attribuzione del percorso diretto si rompe”, ha affermato Petrov.
Ciò costringe una maggiore integrazione tra i dati e i team di marketing, basandosi di più su tecniche come geo-test e modellazione probabilistica.
La mentalità che definisce un leader
Quando si tratta di costruire team in grado di navigare in queste sfide, Petrov ritiene che il fattore di differenziazione tra un junior e senior data scientist non sia una sola abilità, ma una mentalità incentrata sulla proprietà.
“Mentre i junior possono eccellere nell’esecuzione di compiti ben accoppiati, gli anziani sono quelli che definiscono in modo proattivo i problemi, coinvolgono le parti interessate e vedono soluzioni fino alla consegna e all’iterazione”, ha affermato.
Ha descritto una realizzazione cruciale per qualsiasi professionista che cerca di crescere: “Un turno di mentalità chiave sta realizzando che” nessuno verrà “per dirti cosa fare o cosa è giusto. Devi prendere l’iniziativa, prendere le tue decisioni e assumersi la piena responsabilità per i risultati”.
Per Petrov, questa lezione è arrivata con esperienza.
“La scrittura del codice non è la parte più difficile del lavoro, anche se non è sempre facile”, ha detto. “La vera sfida è l’integrazione di che lavorare in un prodotto, allinearlo con le esigenze aziendali e convincere le parti interessate del suo valore.”
Questa filosofia della proprietà pragmatica si estende alla costruzione dell’infrastruttura che supporta i modelli dopo il loro lancio, un campo noto come MLOPS. Invece di costruire “piattaforme a piena misura”, sostiene Petrov per soluzioni di dimensioni di destra.
“Un sistema robusto non significa sempre quello più complesso”, ha detto. “In molti casi, la registrazione e l’allerte semplici e ben accoppiate legate alle uscite del modello chiave e agli indicatori di deriva possono coprire l’80 % di ciò che è necessario.”
Concentrandosi su problemi reali, dati di qualità e impatto tangibile, il messaggio di Petrov è chiaro: nell’era dell’IA, una dose di sanità mentale potrebbe essere l’algoritmo più prezioso di tutti.
