Trasformare l’elevato debito tecnico in un basso costo

Pianificare a lungo termine può sembrare una buona saggezza. Ma nel frenetico mondo della tecnologia, il lungo periodo sembra un giorno che non arriva mai. Le nuove tecnologie o le esperienze digitali attraggono sempre i manager alla ricerca di un vantaggio operativo. La discussione spesso si sposta sulla sostituzione del sistema attuale nella loro organizzazione.

In molti casi, i manager devono spesso affrontare il debito tecnico prima che la nuova tecnologia venga adottata. Il debito tecnico è il costo dei compromessi accettati per il mantenimento dei sistemi attuali per raggiungere un lancio immediato o un obiettivo di budget. Il debito deriva da una serie di casi, da una decisione di programmazione di un progetto di ingegneria del software o da una decisione di risparmio sui costi di ritardare l'aggiornamento di un sistema obsoleto. Nello sviluppo di app, ad esempio, il lancio di una versione più semplice del prodotto da spedire rapidamente porta all'omissione di funzionalità, creando un debito tecnico che deve essere affrontato quando vengono aggiunte nuove funzionalità. A volte il debito tecnico “sembra” una mossa di risparmio sui costi rispetto alla scelta tecnicamente migliore a lungo termine.

Il debito tecnico è un argomento in aumento tra i manager perché il numero di potenziali cause alla radice del lancio di una soluzione aziendale è in aumento. Le aziende stanno adottando soluzioni di machine learning, intelligenza artificiale e cloud per sostituire molti sistemi obsoleti che attualmente gestiscono servizi e processi. Il debito tecnico associato ai sistemi più vecchi si rivela come costi operativi nascosti che sono cresciuti nel tempo e devono essere affrontati.

Molte trasformazioni tecnologiche sono influenzate tanto dalle decisioni di gestione dei dati quanto dalle scelte di progettazione del software. Prendi il regolamento sulla privacy dei dati. La conservazione dei dati all'interno dei sistemi deve essere identificata per soddisfare i requisiti di conformità alla privacy. La gestione dei dati deve evidenziare come viene osservata la conformità.

In effetti, tra i professionisti IT è emersa una variante del debito tecnico: il debito dei dati. Il debito dei dati è un accumulo di compromessi nella gestione dei dati. Il debito dei dati di solito si verifica ovunque i dati siano alla base delle operazioni, come il controllo di qualità o l’intelligence sulle minacce per la sicurezza informatica. Come il debito tecnico, il debito dei dati si verifica con investimenti ritardati nel mantenimento o nella gestione delle risorse digitali, in questo caso dei dati operativi.

Il debito dei dati crea una differenza familiare ma distinta nei compromessi rispetto a quelli dei casi di debito tecnico. Mentre il debito tecnico è più un termine generico che si riferisce alle tecnologie utilizzate per fornire un prodotto e un servizio, il debito dei dati è un termine generico che si riferisce ai punti di contatto dei dati, come silos, duplicazione di osservazioni e incoerenze dalle fonti. L’ascesa dell’apprendimento automatico, insieme all’attuale adozione di alto profilo dell’intelligenza artificiale, rende più difficile evitare i potenziali rischi derivanti da una gestione dei dati scarsamente investita.

I manager IT vedranno più problemi di debito dei dati man mano che gli investimenti nell’intelligenza artificiale aumenteranno. I modelli di linguaggio di grandi dimensioni (LLM) open source come il framework LangChain e il nuovo Llama2 lanciato da Meta introducono la capacità di creare modelli e applicazioni di intelligenza artificiale con meno parametri e, di conseguenza, dimensioni del modello più piccole rispetto al modello di formazione dietro ChatGPT. LLM open source offre uno sviluppo IA più gestibile per app potenziate dall'intelligenza artificiale che funzionano con i tuoi dati proprietari. Consente una maggiore trasparenza sui dati di training e test, eliminando la dipendenza dall'accesso ai dati da server e API di terze parti che possono alterare e interrompere le prestazioni del modello.

La gestione di una piattaforma di intelligenza artificiale interna sposta anche le sfide legate all’utilizzo dei dati. Molti LLM sono sviluppati utilizzando vectorstores, un supporto di archiviazione dati per l'indicizzazione di dati e documenti non strutturati. Gli archivi vettoriali sono validi per i dati incorporati: un set di dati creato da dati non strutturati utilizzando LLM. I Vectortore sono progettati specificatamente per facilitare l'accesso ai documenti per i modelli di training e test. Ma un'impresa che pianifica un modello potrebbe utilizzare la documentazione archiviata su supporti più vecchi. Pertanto, lo sviluppo avanzato spesso rivela situazioni di debito di dati per i dati a cui si accede da archivi di dati più vecchi.