Adozione dell’AI nel pharma: i dati devono essere accurati e affidabili
Il settore biofarmaceutico sta attraversando una fase di grande cambiamento, con l'adozione dell'intelligenza artificiale (AI) come una delle principali tendenze. Tuttavia, nonostante il grande potenziale dell'AI, molte aziende del settore stanno incontrando difficoltà nell'implementazione di soluzioni di AI efficaci.
Secondo una ricerca di Veeva, il 95% delle aziende biofarmaceutiche sta attivamente portando avanti iniziative di AI in ambito marketing e vendite, ma quasi tutte (l'89%) non riescono a scalare più della metà dei progetti pilota avviati. La principale causa di questo insuccesso è la scarsa qualità dei dati, con il 67% dei responsabili aziendali che abbandona i progetti di AI a causa della mancanza di fiducia nei dati.
La qualità dei dati: il principale ostacolo alla scalabilità dell'AI
La qualità dei dati è fondamentale per qualsiasi iniziativa di AI, poiché i modelli di AI richiedono dati accurati e affidabili per funzionare correttamente. Tuttavia, la strategia adottata dalla maggior parte delle aziende si basa ancora sul tentativo di armonizzare informazioni provenienti da silos separati, un approccio che non è sostenibile, soprattutto con l'aumento costante dei volumi di dati.
I data scientist stimano di dedicare fino all'80% del loro tempo alla preparazione, pulizia e trasformazione dei dati per renderli utilizzabili. Questo comporta un enorme spreco di risorse e tempo, che potrebbero essere utilizzati per attività più strategiche.
La mancanza di fiducia nei dati
La mancanza di fiducia nei dati è uno dei principali motivi per cui i team sul campo non adottano le raccomandazioni dell'intelligenza artificiale. Se i dati sottostanti non sono sufficientemente accurati, i team sul campo tendono a mettere in discussione l'intera piattaforma e a non seguire le raccomandazioni dell'AI.
Erika Husing, business analyst di GSK, spiega: "Se non ci fidiamo dei dati, come possiamo trarne conclusioni? È fondamentale superare lo scetticismo che oggi li circonda e promuoverne una maggiore fiducia. Disporre di dati di riferimento di alta qualità è essenziale affinché tutto il team possa farvi affidamento."
La soluzione: una base dati globale e armonizzata
Una base dati globale e armonizzata può fornire la soluzione al problema della qualità dei dati. Una base dati di questo tipo garantisce coerenza e accessibilità dei dati in tutti i mercati, riducendo la dipendenza da dati incompleti e frammentati.
La gestione dei dati è intrinsecamente complessa, poiché le sedi locali li trattano in modi diversi per rispettare le normative regionali. Ne consegue un sistema frammentato, in cui le informazioni non sono uniformi tra i diversi Paesi, rendendo complicate le analisi transnazionali e l'applicazione dell'intelligenza artificiale.
Casostudio: Bayer AG
Una base dati centralizzata e accurata non ha solo fornito un'unica fonte attendibile di dati per operatori e strutture sanitarie, ma ha anche aumentato la fiducia nell'affidabilità delle analisi dell'intelligenza artificiale. Di conseguenza, i team sul campo tendono meno a mettere in discussione il sistema e a seguire maggiormente le raccomandazioni dell'AI.
Stefan Schmidt, digital capability lead di Bayer, spiega: "Il nostro panorama dati globale era frammentato: ogni Paese attingeva a fonti diverse. Per avere una visione completa, avevamo bisogno di un'anagrafica clienti unificata."
L'agentic data curation: la chiave per ottenere dati di alta qualità
L'agentic data curation, combinata con la supervisione umana, permette di ottenere dati verificati, affidabili e di elevata qualità, necessari per scalare efficacemente l'intelligenza artificiale.
Gli agenti AI possono assumere attività specifiche e ripetitive di data curation, come il confronto incrociato delle informazioni o l'identificazione dei duplicati. Agenti specializzati analizzano il 100% dei record ogni giorno, mentre un data steward umano rivede successivamente i risultati.
Poiché gli agenti operano continuamente, rilevano le modifiche non appena si verificano, spesso individuando segnali prima che vengano registrati nei database pubblici. Ad esempio, possono monitorare le affiliazioni a livello dettagliato e identificarne le variazioni.
I vantaggi dell'agentic data curation
L'agentic data curation offre numerosi vantaggi, tra cui:
- dati di alta qualità e affidabili
- riduzione della dipendenza dagli aggiornamenti inviati dai team sul campo
- passaggio da un modello reattivo a un approccio proattivo
- aumento della fiducia nell'affidabilità delle analisi dell'intelligenza artificiale
In conclusione, la qualità dei dati è fondamentale per l'adozione dell'intelligenza artificiale nel settore biofarmaceutico. Una base dati globale e armonizzata, combinata con l'agentic data curation, può fornire la soluzione al problema della qualità dei dati, permettendo alle aziende di scalare efficacemente l'intelligenza artificiale e di ottenere dati di alta qualità e affidabili.