LaCulturaDelDato #147

Dati & algoritmi attraverso i nostri 5 sensi

For my English speaking friends, click here for the translated version

Ciao,

sono Stefano Gatti e questo è il centoquarantasettesimo numero della newsletter LaCulturaDelDato: dati & algoritmi attraverso i nostri 5 sensi. Le regole che ci siamo dati per questo viaggio le puoi trovare qui.

👃Investimenti in ambito dati e algoritmi. “AI Eats the World”: le domande (di Benedict Evans) che contano davvero sull’intelligenza artificiale

Quando, come fa ogni anno dal 2013, esce una “big presentation” di Benedict Evans, mi prendo almeno un’ora del mio tempo per leggerla e riflettere sui concetti che esprime. Lo faccio per due motivi: Benedict è un analista indipendente con una vasta esperienza nel settore tecnologico e perché esprime concetti spesso non scontati. Certo, si può non essere d’accordo su quello che scrive, ma vale sempre la pena leggerlo.

La presentazione 2025 l’ha anticipata a novembre, dandole un titolo piuttosto eloquente: “AI Eats the World”. Ma non aspettarti previsioni sfrenate e ottimistiche sull’intelligenza artificiale, anzi... Tutto ruota in modo maieutico attorno a tre domande, rappresentate in questa slide:

In particolare, la domanda centrale della slide – “Quanto è utile l’intelligenza artificiale?” – è anche quella che ci stiamo ponendo nelle organizzazioni e nel mondo degli investimenti. Quando si parla di intelligenza artificiale, Benedict si concentra, giustamente, sull’intelligenza artificiale generativa.
Nella sua presentazione affronta in dettaglio tutte e tre le domande, aiutandoci, attraverso i dati e il suo punto di vista, a formarci un’opinione. Ma non voglio darti spoiler o polarizzazioni: ti consiglio di scorrere la presentazione o guardare il suo intervento all’evento Slush 2024.

Tra le slide c’è una domanda che mi ha colpito particolarmente. È una sorta di sotto-domanda rispetto a quella centrale:

Credo che la risposta a questa domanda diventerà un tema chiave per i futuri investimenti nell’intelligenza artificiale generativa e, più in generale, per il modo in cui potrebbe trasformarsi il nostro mondo digitale, anche nel breve periodo.

Se vuoi vedere le presentazioni precedenti (2023 e 2024) di Benedict, puoi partire dai miei commenti che trovi qui e qui. Se invece vuoi scoprire come Fabrice Grinda – uno degli investitori mondiali che preferisco – stia prendendo sul serio e sperimentando l’intelligenza artificiale generativa, ti consiglio di leggere il suo post e provare la sua RAG. 😊

🖐️Tecnologia (data engineering). LLMs e applicazioni reali: trucchi e consigli per non sbagliare

“Abbiamo trascorso l'ultimo anno a costruire applicazioni reali con LLMs e abbiamo scoperto sul campo molti problemi concreti. Pur non pretendendo di parlare a nome dell'intero settore, vorremmo condividere ciò che abbiamo imparato per aiutarvi a evitare i nostri errori e iterare più velocemente.”

Comincia così uno dei migliori (e lunghi) articoli scritti da sviluppatori sulle difficoltà, ma anche sui consigli pratici, su come affrontarle quando si migliorano processi o si costruiscono prodotti con l’intelligenza artificiale generativa in qualsiasi tipo di organizzazione. Il team che ha scritto questo post è composto da sei sviluppatori con una solida esperienza sul campo e percorsi decisamente diversi tra loro, il che rende il tutto ancora più robusto e credibile.

Il post è diviso in tre parti. La prima, che ti consiglio di leggere assolutamente, è la più tattica. In questa sezione troverai “alcune pratiche di prompting, RAG, reingegnerizzazione dei flussi di lavoro, valutazioni e monitoraggio. Sia che tu sia un professionista che lavora con LLM, sia che ti dedichi a progetti nel fine settimana, questa sezione è stata scritta per te.” Se vuoi approfondire la parte più operativa o strategica su come realizzare progetti e prodotti con gli LLMs, anche la seconda e terza parte sono altamente consigliate.

Se invece vuoi, in modo molto pratico, provare a costruire piccole applicazioni con gli LLMs facendoti aiutare dagli LLMs stessi, ti consiglio assolutamente di seguire la serie AI Cookbook di

Massimiliano Turazzini

, che è stato nostro ospite la scorsa settimana. Ti suggerisco di iniziare dalla prima puntata: “Trascrizione automatica di riunioni offline con Whisper”, ma ce ne sono altre altrettanto interessanti!

👂🏾Organizzazione e cultura dei dati e algoritmi nelle organizzazioni. Come scalare un team di data-expert: i segreti di Jessica Lachs

Una delle sfide più appassionanti della mia carriera è stata capire (e farlo) come organizzare e scalare un team di data-expert all’interno di organizzazioni di ogni tipo: dalle start-up alle realtà più complesse e articolate. Non credo esista un modello organizzativo universalmente migliore o adatto a tutte le situazioni e culture. Tuttavia, penso che il modello centralizzato, con specializzazioni rivolte verso le diverse linee di business o operative, o persino per prodotto, sia il più flessibile. Questo approccio offre maggiori probabilità di successo ed è più facilmente adattabile a organizzazioni diverse.

Anche il modello hub & spoke, che introduce un livello maggiore di decentralizzazione, ha i suoi punti di forza. Tuttavia, costruire spoke (di data-experts) capaci di sopravvivere e mantenere efficacia nel lungo periodo all’interno delle unità di business non è una sfida semplice. Questo modello, infatti, dipende molto dalla capacità dei leader di unità di business o operative di gestire efficacemente i data-expert stessi.

L’approfondimento che ti consiglio oggi esplora proprio questi temi con la competenza di Jessica Lachs, VP di Analytics e Data Science presso DoorDash, una piattaforma leader nel settore della consegna a domicilio negli Stati Uniti. Jessica è una leader carismatica, capace di unire la gestione dei talenti a una profonda concretezza nella comprensione delle sfide di business. Ti consiglio di ascoltare la sua intervista su una puntata a lei dedicata del Lenny’s Podcast.

Ci sono alcuni concetti chiave che Jessica Lachs espone nell’intervista e che sono fondamentali per ricoprire con efficacia ruoli come Chief Data Officer o Head of Data(-XXXX). Di seguito ti riporto i miei preferiti, ma ti invito a seguire l’intervista completa: Jessica racconta episodi concreti, tra cui uno molto interessante sull’analisi dei clienti acquisiti tramite meccanismi di referral e molta analisi dei dati (la mia parte preferita!):

1. Impatto concreto sul business
   I dati (e le relative analisi) devono generare impatti tangibili per il business. Non si tratta solo di rispondere al “perché”, ma di offrire indicazioni operative. I KPI devono focalizzarsi su risultati misurabili a breve termine, che influenzano il successo nel lungo periodo.

2. Modello centralizzato con pod integrati
   Jessica predilige un modello centralizzato per il team Data & Analytics, suddiviso in sotto-team (che lei chiama pod) integrati nelle funzioni aziendali. La centralizzazione assicura coerenza nelle metriche, nelle metodologie e promuove una cultura uniforme tra i data-expert.

3. Opportunità di crescita per il team
   Questo modello centralizzato, secondo Jessica (e sono pienamente d’accordo!), offre maggiori opportunità di crescita per tutti i membri del team, consentendo loro di specializzarsi nelle aree di maggiore interesse.

C’è molto altro nell’intervista, in particolare sulla scelta dei KPI e sulla loro centralità. Jessica spiega questa parte in modo estremamente efficace! Ti consiglio anche di ascoltarla in un’altra intervista, più breve, ma focalizzata sul suo percorso come manager.

Concludo con una citazione, tratta proprio dall’ultima intervista che riassume la modernità della visione di Jessica come leader di data-expert, una qualità non comune in ruoli simili:

“Non è necessario disporre di dati perfetti o completi per prendere comunque un'ottima decisione. E credo che il nostro lavoro di analisti consista proprio nel determinare quando una decisione rapida, con una fiducia magari del 60%, sia in realtà la decisione giusta da prendere per l’importanza della velocità di esecuzione.”

👀 Data Science. Machine Learning e decisioni: il nuovo framework di Kevin Murphy

Back to 26

Era stato l’argomento più apprezzato del ventiseiesimo numero di questa newsletter. Penso che lo apprezzerai ancora di più ora, visto che Kevin Murphy, un rinomato esperto nel campo del machine learning e attualmente Principal Research Scientist e Director presso Google DeepMind, ha completato la sua trilogia di libri sul machine learning. Questa trilogia era iniziata nel 2012 con il celebre "Machine Learning: A Probabilistic Perspective", un testo che resta ancora oggi un riferimento fondamentale per studenti e professionisti.

Tre anni fa ti avevo segnalato il draft liberamente scaricabile del secondo volume della trilogia, “Probabilistic Machine Learning: An Introduction”. Ora è finalmente disponibile il terzo volume, “Probabilistic Machine Learning: Advanced Topics”, e puoi scaricare l’ultimo draft qui.

Quello che più mi colpisce di Kevin Murphy è il suo approccio, pratico e teorico allo stesso tempo, capace di collegare concetti complessi con soluzioni applicabili. Questo lo rende una figura influente nella comunità del machine learning. In particolare, nell’ultimo libro ha messo a punto un framework davvero interessante che collega il decision making al machine learning in una visione assolutamente moderna e innovativa.

Se non hai tempo di leggere il libro, ma vuoi esplorare il suo framework in modo diretto, ti consiglio vivamente questo video di un talk che Kevin ha tenuto a Princeton nel maggio 2023, dove spiega personalmente il concetto. Buona visione!

PS: Per i più nerd, Kevin ha anche rilasciato qui tutti i notebook degli ultimi due libri!

👅Etica & regolamentazione & impatto sulla società. Calculating Empires: Cinque secoli di potere e tecnologia in un'unica visualizzazione

“Calculating Empires è una visualizzazione di ricerca su larga scala che esplora la co-evoluzione delle strutture tecniche e sociali nel corso di cinque secoli. L'obiettivo è quello di collocare il periodo contemporaneo in una traiettoria più ampia di idee, strumenti, infrastrutture e sistemi di potere. L'opera analizza gli schemi tecnologici del colonialismo, della militarizzazione, dell'automazione e dei recinti a partire dal 1500, evidenziando come queste dinamiche continuino a soggiogare e mostrando possibili strade per annullarle. Seguendo questi percorsi imperiali, Calculating Empires ci offre una lente per interpretare il presente tecnologico in un contesto storico più profondo. Esaminando come gli imperi del passato si siano formati, possiamo comprendere meglio le condizioni che hanno portato all'impero tecnologico di oggi.”
Questa è la descrizione che i due autori Kate Crawford e Vladan Joler fanno di quella che, secondo me, è prima di tutto una visualizzazione affascinante della tecnologia nella sua accezione più ampia, attraversando 500 anni di storia. Se per caso hai letto (e te lo consiglio vivamente) Né Intelligente, Né Artificiale di Kate Crawford, saprai che la ricercatrice è una figura di riferimento nel dibattito etico-tecnologico. Grazie al suo approccio interdisciplinare, unisce scienze sociali, tecnologia e critica culturale, conducendo studi approfonditi sulle implicazioni sociali ed etiche dell’intelligenza artificiale.
Il lavoro che sta dietro questa straordinaria visualizzazione è impressionante: è di fatto la sintesi di molte riflessioni fatte da Crawford e Joler in diversi contesti e progetti. Ti consiglio anche di esplorare il sito di Joler, dove troverai altri lavori altrettanto stimolanti.
Per vivere appieno Calculating Empires, il mio consiglio è di guardarlo sullo schermo più grande che hai a disposizione. Segui i 5 minuti di audio-tour accessibili dal menu in alto a destra e lasciati trasportare nei 9 argomenti verticali della sezione Communication and Computation, e nei 18 della sezione Control and Classification. La diversa numerosità tra le due sezioni è già una chiave di lettura che Crawford e Joler vogliono offrire al loro lavoro 😀.

Ti segnalo, in particolare, che l’uso della grafica non è affatto casuale. Nella descrizione del progetto, i due autori si rifanno a un’idea di Donna Haraway, nota teorica femminista e studiosa di tecnologia (autrice anche del Manifesto Cyborg), che invita a "mappare le informatiche del dominio". Questo concetto si riferisce all’analisi dei sistemi tecnologici e informativi come strumenti di potere e controllo, intrecciati con dinamiche sociali, economiche e politiche. Crawford e Joler utilizzano questa provocazione per sviluppare una "genealogia visiva", che renda evidenti le connessioni tra sistemi di potere, informazione e contesto storico.

L’obiettivo di questo lavoro è duplice:

1. Rendere visibile l’intreccio tra conoscenze e controllo: dimostrare come le tecnologie moderne non siano neutrali, ma radicate in un lungo percorso storico fatto di dominio e sfruttamento.

2. Immaginare alternative: mostrare queste connessioni non serve solo a criticarle, ma anche a suggerire che il mondo potrebbe funzionare diversamente, costruendo sistemi più equi e giusti.

Se sei arrivato alla fine di questo “pippone”, ti consiglio davvero di goderti la visualizzazione: è di un valore assoluto, al di là di qualsiasi intellettualismo di rito 🙂.

Se hai ulteriori suggerimenti e riflessioni sui temi di questo numero o per migliorare questa newsletter scrivimi (st.gatti@gmail.com) o commenta su substack.

Se ti è piaciuta e non sei ancora iscritto lascia la tua mail qui sotto e aiutami a diffonderla!

Alla prossima!