I Large Language Models sono attualmente al centro dell’innovazione in ambito AI e ne sono l’applicazione più potente ed affascinante.
Gli LLM riescono ad unire, in un unica tecnologia, queste capabilities:
- Comprensione profonda e produzione di linguaggio, gestendo sintassi, grammatica, sinonimi eccetera. La gestione del linguaggio non si limita a quello umano, si estende con particolare capacità anche ai linguaggi di programmazione e simili (ad esempio l’SQL)
- Una estesa, seppur imprecisa, “world knowledge”: fatti, luoghi, persone, concetti scientifici.
- Una capacità di pianificazione degli step per la risoluzione di problemi
L’unione di queste tre capabilities posizione gli LLM, in teoria, come una delle tecnologie chiave per il supporto alle attività di Data Management. Un assistente basato su queste capabilities è in grado:
- Di comprendere il contesto funzionale di un problema
- Di analizzare le strutture dati
- Di produrre SQL ed altro codice per manipolare e trasformare i dati
Vi sono però alcune limitazioni da affrontare per abilitare questi scenari. Nonostante gli sforzi ed i grandi passi avanti, i LLM soffrono ancora del fenomeno dell’allucinazione. Al contrario di un algoritmo tradizionale, perfettamente deterministico nella produzione di un output a partire da input attraverso una serie di passi preordinati, i LLM generano un output a volte non perfetto rispetto alle nostre aspettative.
Abbiamo quindi:
- Da un lato la possibilità di sfruttare l’AI per rivoluzionare il nostro modo di interagire con i dati
- Di contro, la necessità di aiutare l’AI fornendo, contestualmente alle nostre richieste, tutti quegli elementi al contorno (informazioni sul business, vocabolari, metadati funzionali e tecnici) che permettono all’AI di rispondere in modo preciso alle domande
Per cogliere appieno queste opportunità è necessario organizzare i concetti di business ed i metadati in un Knowledge Graph, una mappa delle conoscenze organica che sia la base delle informazioni con cui istruire l’AI.
Non solo, è anche possibile il processo inverso: sfruttare l’AI per organizzare e razionalizzare il vocabolario aziendale di concetti di business, per avere una base di conoscenza comune a tutta l’organizzazione e KPI/metriche condivise tra i vari gruppi di lavoro.
La costruzione del Knowledge Graph estende ed arricchisce, ed allo stesso tempo razionalizza sotto una nuova prospettiva, la mission della Data Governance, che acquista l’AI come nuovo interlocutore e strumento, per abilitare:
- L’esplorazione e l’uso dei dati tramite i tool di Self Service BI basati sull’AI
- La razionalizzazione di concetti e dei domini di business
- L’esplicitazione dei legami di significato tra concetti di business ed i dati presenti sui sistemi
