Principi fondamentali per un’implementazione duratura dell'intelligenza artificiale secondo Expedia

Esiste una distinzione cruciale tra l’intelligenza artificiale (AI) che funziona oggi e quella che dura nel lungo termine a grande scala. Molti progetti tecnologici si concentrano sull’efficacia immediata senza domandarsi se i loro modelli siano abbastanza resilienti per continuare a crescere e adattarsi. Velocità senza disciplina e visione strategica non aggiunge valore ma rappresenta un rischio.

Costruire modelli AI non è solo questione di rendere funzionale una soluzione, ma di svilupparne un’architettura capace di evolversi con il tempo, rispondendo a nuove sfide e adattandosi al contesto di utilizzo. L’evoluzione dell’AI non si limita a predire ed ottimizzare; oggi i sistemi conversano, operano decisioni e agiscono in autonomia. Questo passo avanti implica nuovi standard in termini di affidabilità, governance e responsabilità.

Expedia Group ha integrato AI e apprendimento automatico (ML) in numerosi aspetti del viaggio: dal personalizzare le esperienze, alla gestione della frode e al supporto clienti, fino all’applicazione più recente di AI generativa. Questa esperienza profonda ha portato all’elaborazione di un insieme di principi che definiscono come progettare, implementare, gestire e rivedere continuamente i sistemi AI all’interno dell’azienda.

Dal principio al prodotto: trasformare le linee guida in pratica

Esprimere principi teorici è solo il primo passo. L’unica opera realmente significativa è quella di trasformarli in strumenti operativi funzionanti per gli sviluppatori. Per questo motivo, Expedia ha introdotto i "Controlli di lancio di un sistema Agentivo"—una serie di passaggi consigliati e talvolta obbligatori, da soddisfare prima di rilasciare nuove funzionalità AI basate sull’autonomia.

Questi controlli traducono in azioni concrete i principi fondamentali: ad esempio chiarezza sulla responsabilità, governance basata sul rischio, valutazione complessiva, test graduale e monitoraggio. Alcune di queste fasi sono già automatizzate o integrate all’interno del ciclo di vita del prodotto. L’obbiettivo a lungo termine è che questi criteri diventino parte integrante del design, dell’valutazione, dell’approvazione, del lancio e del monitoraggio di qualsiasi sistema AI.

Risultati: Misurare ciò che realmente fa la differenza

La prima prova che un modello è efficace è verificare se ottimizza un risultato aziendale o migliora l'esperienza dell'utente, non solo un indicatore tecnico. Per garantire risultati concreti, ogni iniziativa ML deve essere direttamente correlata a un indicatore chiave d’impresa o a una metrica rilevante per il cliente.

Principio 1: Allinea i modelli alle metriche con impatto aziendale.

Ogni iniziativa ML deve mirare a un risultato commerciale ben definito, non a un miglioramento tecnico occasionale.

Principio 2: Massimizza il ritorno sull'investimento.

I benefici generati dal modello devono giustificare i costi di sviluppo, addestramento e manutenzione. Le soluzioni che forniscono impatti duraturi a basso costo sono preferibili a quelle complesse ma onerose.

Principio 3: Giustifica la complessità con un basamento solido.

Prima di affidarsi a modelli specializzati o architetture complesse, è necessario verificare che un modello basilare, una semplice regola logica o uno strumento di terze parti non soddisfi già i requisiti. La complessità deve essere raggiunta, non assunta.

Principio 4: Valuta offline e online.

Nessun modello può essere rilasciato esclusivamente dopo un’analisi offline o senza test in ambiente live. I test devono avvenire in entrambi gli ambienti per verificare la capacità del sistema di adattarsi a situazioni reali.

Architettura: Sistemi in grado di scalare e condividere il valore

Lavorare su un modello è un compito, estendere il valore a diversi team o settori dell’azienda ne richiede un altro totalmente diverso. Questa estensione rappresenta la vera sfida, soprattutto in contesti complessi con dati diversificati e funzionalità multiple.

Principio 5: Usa fondamenti condivisi; specializza solo quando necessario.

Favorire la costruzione su fondamenti comuni e piattaforme aziendali condivise, mantenendo però la flessibilità per sviluppi specifici. Questo permette di ottenere un miglioramento a livello organizzativo quando le architetture di base subiscono aggiornamenti.

Principio 6: Tratta i dati come un prodotto principale.

La qualità dell’AI dipende direttamente da quella dei dati su cui si basa. Mantenere pipeline robuste e tracciabilità chiara, con schemi ben definiti e SLA (livelli di servizio) garantiti, rende altri team capaci di utilizzare quei dati con fiducia.

Principio 7: Priorizza la generalità rispetto all’ottimizzazione locale.

Quando più soluzioni ottengono risultati simili, scegliere quella con maggiore potenzialità di applicazione in contesti diversi. La scalabilità e la diffusione del successo interno sono più importanti dello stesso miglioramento localizzato.

Principio 8: Ridurre le regole manuali.

Le regole manuali possono essere necessarie in contesti di policy, sicurezza o compliance, ma non devono sostituire modelli deboli né diventare un peso manutentivo. Devono essere esplicite, verificabili e integrate in un ciclo di miglioramento aperto.

Principio 9: Riproducibilità e tracciabilità al primo posto.

Tutti i dati di addestramento, configurazioni, risultati di valutazione, versioni di distribuzione e decisioni chiave devono essere documentati. Questo permette di risolvere errori a distanza di mesi e di trasferire la conoscenza interna al team senza perdita.

Fiducia: Responsabilità, governance e operazioni a grande scala

Non basta che un modello AI funzioni: per farlo adottare a livello aziendale e al di fuori dell’azienda, è necessario dimostrare che è affidabile, etico e operativo in sicurezza. La fiducia non è aggiunta all’ultimo momento, ma costruita gradualmente e monitorata continuamente.

Principio 10: Assegna chiaramente i ruoli.

Ogni modello deve essere associato a responsabilità ben definite durante il ciclo di vita. Devono esserci un proprietario aziendale, un proprietario del prodotto, un proprietario dell’AI e un responsabile operativo. Questo sistema elimina ambiguità e garantisce che qualsiasi incidente o problema venga risolto con tempestività.

Principio 11: Segui gli standard e le regole di governance.

Gli strumenti AI devono utilizzare piattaforme approvate e