La maggior parte delle università ha ormai realizzato almeno un progetto pilota nell’ambito dell’intelligenza artificiale. Molte ne hanno realizzati diversi. Il copione che ne deriva tende a essere familiare: una promettente prova di fattibilità, una presentazione alla dirigenza e poi un graduale affievolirsi dell’iniziativa, che fatica a passare alla fase operativa. La frustrazione è reale e raramente ha a che fare con l’intelligenza artificiale in sé.
La causa principale è quasi sempre la stessa: l’infrastruttura dati alla base del progetto pilota non è stata progettata per soddisfare le effettive esigenze dell’IA aziendale. Anche disponendo del miglior modello esistente, non si otterrà alcun risultato di valore se i dati che lo alimentano sono isolati, obsoleti o inaccessibili all’agente nel momento in cui deve agire.
Questo articolo tratta delle scelte strutturali che determinano se i progetti di intelligenza artificiale nel settore dell'istruzione superiore arrivino alla fase operativa o rimangano bloccati nella fase pilota.
Creare innanzitutto le basi per i dati
Gli agenti di intelligenza artificiale operano sulla base dei dati. E nella maggior parte degli ambienti dell’istruzione superiore, i dati di cui un agente di intelligenza artificiale avrebbe bisogno per svolgere un’attività realmente utile sono distribuiti tra un sistema informativo sugli studenti, un sistema di gestione dell’apprendimento, un CRM, un data warehouse e una serie di strumenti dipartimentali che non sono mai stati collegati in modo sistematico.
In pratica, ciò significa che l’implementazione dell’IA nell’istruzione superiore è fondamentalmente un progetto di integrazione prima ancora di essere un progetto di IA. Gli istituti che stanno introducendo con successo l’IA in ambiente operativo sono quelli che hanno investito innanzitutto nella creazione di un “data fabric” unificato, in grado di fornire un accesso controllato e in tempo reale ai dati presenti in tutti i sistemi, in modo che gli agenti possano effettivamente agire sulla base delle informazioni aggiornate.
Ciò non richiede una revisione pluriennale delle infrastrutture prima di poter procedere. Richiede invece di scegliere con attenzione quali domini di dati unificare per primi, in base alle aree in cui l’IA può apportare il valore più immediato alla vostra istituzione.
Capire cosa significa concretamente, nella pratica, l’IA agentica
Il termine viene usato in modo piuttosto generico, quindi vale la pena essere precisi. Un agente di intelligenza artificiale è un modello a cui è stato concesso l’accesso a una serie di strumenti e che è in grado di utilizzarli in modo autonomo per portare a termine un compito. L’agente decide quali azioni intraprendere e in quale sequenza, in base all’obiettivo che gli è stato assegnato e ai risultati che ottiene da ciascuna chiamata agli strumenti.
In pratica, ciò significa che un agente potrebbe interrogare il sistema informativo degli studenti, analizzare un PDF, confrontare i dati con una serie di requisiti memorizzati in un database e quindi creare un caso in Salesforce, senza che un operatore umano debba avviare singolarmente ciascuna di queste fasi. L’operatore umano definisce l’obiettivo e verifica il risultato. L’agente si occupa delle fasi intermedie.
Le potenzialità sono reali e i casi d’uso nel settore dell’istruzione superiore sono davvero di grande valore: valutazione dell’idoneità dei futuri studenti, gestione delle code per l’orientamento accademico, individuazione di opportunità di avanzamento e identificazione degli studenti a rischio.
Ma nessuna di queste soluzioni funziona se gli strumenti su cui si basa l'agente non sono stati realizzati correttamente.
Definisci con precisione l'ambito di applicazione dei tuoi strumenti e prevedi delle misure di sicurezza
Quando si concede a un agente di intelligenza artificiale l'accesso a un sistema, si sta prendendo una decisione architettonica specifica su ciò che quell'agente può e non può fare. Gli strumenti che si mettono a disposizione dell'agente ne definiscono il raggio d'azione. Uno strumento per agenti ben progettato svolge un'unica funzione, dispone di autorizzazioni chiaramente definite e non può compiere azioni al di fuori dell'ambito per cui è stato creato.
In un flusso di lavoro di prospezione per la raccolta fondi, ad esempio, lo strumento che recupera i dati dei potenziali donatori da Salesforce dovrebbe essere in sola lettura. L’operatore non dovrebbe avere la possibilità di modificare, cancellare o sovrascrivere i record dei donatori, anche se in qualche modo ricevesse un’istruzione errata che lo induca a farlo. La misura di sicurezza è di natura strutturale: lo strumento semplicemente non dispone di tale funzionalità.
Un modello mentale utile: trattate gli agenti di IA come trattereste i dipendenti umani. Non dareste mai a un nuovo coordinatore della raccolta fondi l’accesso amministrativo all’intero data warehouse. Gli dareste accesso solo a ciò di cui ha bisogno per svolgere il proprio lavoro. La stessa logica vale per gli agenti.
Progettare fin dall’inizio tenendo conto del coinvolgimento umano
Gli agenti basati sull'intelligenza artificiale possono agire rapidamente. Nella maggior parte dei casi d'uso nel settore dell'istruzione superiore, è preferibile che non agiscano così rapidamente da impedire a un operatore umano di verificare il risultato prima che questo raggiunga uno studente, un donatore o un sistema esterno.
Il modello "human-in-the-loop" è un modello architettonico, non un ripensamento. L'agente porta a termine il lavoro, presenta il risultato e si mette in attesa affinché un essere umano lo esamini e lo approvi prima che qualsiasi cosa venga inviata o confermata. L'IA si occupa della ricerca, della stesura e della consultazione dei dati. L'essere umano si occupa delle decisioni discrezionali.
In un flusso di lavoro di orientamento agli studenti, ciò potrebbe significare che l’operatore valuti l’idoneità di uno studente, crei un caso nella coda di orientamento e ne informi il consulente, senza però inviare alcuna comunicazione direttamente allo studente. Il consulente esamina il caso e decide come procedere. L’operatore alleggerisce il carico amministrativo. Il consulente fornisce il contesto umano.
Rendi verificabili le tue interazioni con l'IA
Una delle obiezioni più comuni all'adozione dell'intelligenza artificiale nell'istruzione superiore è che gli istituti non sono in grado di verificare come l'intelligenza artificiale utilizzi i dati sensibili degli studenti. Si tratta di una preoccupazione che può essere risolta, ma solo se si progetta fin dall'inizio tenendo conto della verificabilità.
In un sistema agentico, la verificabilità consiste nel registrare ogni invocazione di uno strumento: quale strumento è stato eseguito, quali input ha ricevuto, quale output ha restituito e quando. Dal punto di vista dell’agente, questo registro dovrebbe essere di sola scrittura. L’agente non può scegliere se registrare o meno. La registrazione avviene a livello dello strumento, come comportamento integrato, indipendentemente da ciò che l’agente richiede.
Una volta implementato questo sistema, i responsabili della conformità, i gestori dei dati e i revisori interni possono verificare con precisione cosa sia accaduto in ogni singola interazione. Tale trasparenza spesso fa la differenza tra un’implementazione dell’IA che conquista la fiducia dell’istituzione e una che rimane bloccata a tempo indeterminato in fase di revisione della governance.
Da dove iniziare
La domanda che la maggior parte dei responsabili IT si pone a questo punto è: da dove cominciare? La risposta che tende a generare il valore reale più rapidamente è anche la meno affascinante: individuare le attività ripetitive e ad alto volume che richiedono un notevole impiego di tempo da parte del personale e che attualmente dipendono dalla ricerca manuale dei dati in più sistemi.
Si tratta dei flussi di lavoro in cui un agente con competenze ben definite e accesso a un livello dati unificato può eliminare la maggior parte degli ostacoli nel minor tempo possibile. Valutazione dell’idoneità dei potenziali studenti. Identificazione dei potenziali donatori. Segnalazione degli studenti a rischio per la revisione da parte dei consulenti. Analisi e inoltro dei certificati di studio.
Iniziate con un unico flusso di lavoro, strutturatelo correttamente seguendo i principi sopra indicati, mettetelo in produzione e misurate i risultati. La fiducia istituzionale che deriva dal successo di una prima implementazione rende ogni implementazione successiva più facile da approvare e più veloce da mettere in atto.
L'obiettivo è quello di creare un modello operativo replicabile che consenta all'IA di funzionare in modo sicuro e di produrre risultati misurabili e giustificabili.
Sei pronto a espandere le iniziative di IA del tuo ateneo? Scopri di più su SnapLogic per l'istruzione superiore oppure prenota una demo per vedere la nostra piattaforma in azione.
