Se è vero, come prevedono gli analisti, che il mercato globale dello streaming analytics crescerà con un tasso annuo composto superiore al 30% fino al 2032, è perché la disponibilità del dato e dell’informazione in tempo reale risponde a esigenze di business che incidono sulla competitività. L’esigenza di accedere alle informazioni in tempo reale è viva da anni, ma oggi diventa ancora più centrale con la diffusione degli agenti AI, sui quali le organizzazioni stanno concentrando investimenti e progettualità.
Indice degli argomenti:
Data streaming, tra esigenze di business e limiti dell’IT
Se è indubbio che il data streaming risponda a un’esigenza pressante del business, ci domandiamo se l’IT sia sempre nelle condizioni di soddisfarla e quale sia la situazione attuale delle imprese, anche di quelle più strutturate.
A tal fine abbiamo interpellato Marco De Luca, partner di Blue Reply, che nel confermarci la crescente pressione verso la disponibilità di un dato azionabile in tempo reale, evidenzia quanto il percorso sia tutt’altro che completo. Anche nelle organizzazioni più mature, infatti, l’IT deve fare i conti con architetture, sistemi e competenze che rendono complesso far fluire il dato con la velocità e la continuità richieste.
“Le criticità che incontriamo più spesso sono riconducibili a tre macroaree – spiega Marco De Luca – La prima è la presenza di sistemi proprietari nati per gestire il dato all’interno del proprio perimetro, ma non va sottostimata l’obsolescenza tecnologica e, cosa determinante, la perdita di conoscenza: in molte aziende non è chiaro dove risiedano i dati core, quali siano le fonti o come accedervi. Sono criticità che si traducono in sfide che le aziende devono affrontare subito, perché frenano l’adozione dell’AI o fanno sì che progetti già avviati restino confinati alla fase di PoC, senza riuscire a scalare”.
La perdita di conoscenza sul patrimonio informativo può essere il risultato di anni di stratificazione tecnologica, di outsourcing fuori controllo e di perdita di competenze. La progressiva adozione del cloud, gli approcci ibridi e fonti informative sempre più numerose hanno inoltre moltiplicato le sorgenti fino a rendere difficile, in alcuni casi, stabilire dove risieda l’informazione e quale sia la fonte di riferimento.
Con l’AI cresce il bisogno di dati in tempo reale
Molte organizzazioni stanno investendo sugli agenti AI come supporto a un numero crescente di processi e casi d’uso, ma per quanto diversi possano essere gli scenari applicativi, l’agente deve accedere in tempo reale alle informazioni necessarie per comprendere il contesto, rispondere e agire.
Rispetto anche solo a un paio di anni fa, è cambiata la scala del fenomeno. “Fino a qualche anno fa era normale avere alcuni servizi alimentati in real time e altri gestiti in batch – osserva De Luca – Oggi, con gli AI agent, l’equilibrio cambia: se un agente deve rispondere in tempo reale, deve poter accedere a informazioni aggiornate in quel preciso istante. Un ritardo che fino a poco tempo fa poteva essere accettabile, oggi diventa un limite importante”. La progressiva diffusione dell’AI rende quindi ancora più urgente affrontare i limiti tecnologici e informativi descritti in precedenza.
La trasformazione, oltretutto, non riguarda soltanto piattaforme e architetture: sta cambiando anche il mix di competenze necessario per progettare e governare questi sistemi. Marco De Luca ci spiega che “Storicamente esisteva una separazione netta tra chi si occupava di dati, reporting e BI e chi gestiva i sistemi transazionali come ordini o logistica. Oggi questi due mondi stanno convergendo. Da un lato la catena del valore del dato deve accorciarsi sempre di più, dall’altro GenAI e agenti portano il dato direttamente dentro i processi operativi. Per questo stanno emergendo profili più ibridi, capaci di comprendere sia i sistemi e gli eventi transazionali sia il dato, e soprattutto capaci di renderlo utilizzabile rapidamente nei diversi casi d’uso”.
A complicare ulteriormente il quadro c’è il fatto che l’AI agent può essere allo stesso tempo data consumer e data producer. Da un lato deve accedere in tempo reale alle informazioni necessarie per comprendere il contesto e agire; dall’altro genera a sua volta output, decisioni ed eventi che devono essere reimmessi nei processi e resi disponibili agli altri sistemi. Questo rende il data streaming ancora più centrale, perché non deve soltanto alimentare l’AI, ma anche distribuire ciò che l’AI produce.
Knowledge rebuilding, l’approccio di Blue Reply
Di fronte a questo scenario, la risposta non può essere soltanto tecnologica. Prima ancora di far fluire i dati, bisogna sapere dove si trovano, quali sono rilevanti, come devono essere trattati e utilizzati nei processi. È da qui che parte l’approccio di Blue Reply: “Per essere davvero efficaci nel medio e lungo termine, le iniziative di trasformazione digitale devono partire dalla rimappatura delle informazioni, quello che in Blue Reply chiamiamo Knowledge Rebuilding”, spiega Marco De Luca.
In pratica, si tratta di ricostruire la mappa informativa dell’azienda prima di progettare nuovi flussi o nuovi componenti. Blue Reply analizza i sistemi sorgente per capire quali dati contengono, ne ricostruisce struttura e relazioni e identifica quali informazioni sono utili rispetto ai processi da supportare, tenendo conto delle esigenze del cliente ma anche della propria esperienza su diversi verticali. Da qui nasce una prioritizzazione: non tutto deve essere spostato o reso disponibile allo stesso modo, ma occorre stabilire quali dati portare verso i nuovi target, quali trattare e da quali ambiti partire.
“Anche il Knowledge Rebuilding può utilizzare l’AI – aggiunge De Luca – Utilizziamo infatti strumenti di intelligenza artificiale e nostri acceleratori per affrontare attività di analisi e ricostruzione che in passato potevano richiedere effort difficilmente sostenibili. Questo ci permette di recuperare conoscenza sui sistemi e sui dati con tempi e costi molto più compatibili con le esigenze dei progetti attuali”. Definito il basamento su cui costruire, Blue Reply può poi seguire i progetti in modalità end to end, dalla ricostruzione dei modelli dati alla definizione dell’architettura, fino alla delivery.
La piattaforma tecnologica alla base del data streaming
Nei progetti che segue, Blue Reply si confronta con aziende che hanno ecosistemi applicativi molto complessi e requisiti sfidanti in termini di volumi, velocità e affidabilità del dato.
Per rispondere a queste esigenze, Blue Reply si affida a Confluent, la piattaforma enterprise di data streaming di proprietà IBM e basata su Apache Kafka. L’esperienza maturata con la piattaforma permette a Blue Reply di individuare alcuni elementi differenzianti, a partire dalla capacità di collegarsi nativamente a un’infinità di sorgenti senza richiedere integrazioni custom, che ovviamente andrebbero a incidere su tempi e costi dei progetti.
Viene poi sottolineata la forte scalabilità della piattaforma, che la rende adatta anche a scenari caratterizzati da elevati volumi e velocità di dati (IoT), e la capacità di trasformare e arricchire il dato in streaming senza introdurre latenza. Man mano che lo streaming diventa parte strutturale dell’architettura, infine, diventa fondamentale sapere chi sta producendo il dato, come viene trasformato e dove viene consumato: la piattaforma fornisce tutte queste informazioni con una tracciabilità end-to-end dell’intero flusso.
I tecnici e i manager di Blue Reply saranno presenti all’evento Tech Excellence, organizzato da NextWork360 in collaborazione con IBM e in programma il prossimo 12 novembre a Milano. L’evento è un’occasione per approfondire il tema delle nuove infrastrutture dati, confrontarsi sui percorsi di adozione e capire come evolvere verso modelli sempre più moderni e innovativi.
Articolo realizzato in collaborazione con Blue Reply
Partecipa alla community