Ruolo Chief AI Officer: Strategia, Governance e Tecnologie

6 maggio 2025

Dalle 09.00 alle 9.30

Come l’Intelligenza Artificiale può portare un vantaggio strategico in modo etico

• Ottenere un vantaggio strategico attraverso l’uso di diversi tipi di AI
• Impatto sul futuro del lavoro e delle società
• Cosa non trascurare fin dai primi passi

Dalle 9.30 alle 13.00

Definizione prerequisiti e pianificazione strategica

Governance e struttura preliminare

• Stabilire chiaramente i ruoli di responsabilità all’interno del progetto AI
• Valutare un comitato di governance per garantire supervisione, trasparenza e allineamento con gli obiettivi aziendali
• Organizzare in modo efficiente le risorse umane e tecnologiche, ottimizzando la collaborazione su tutti i livelli
• Perché coinvolgere le persone (Human in the Loop) può determinare il successo

Pianificazione strategica e definizione degli obiettivi

• Integrare l’AI come elemento chiave per la trasformazione e l’innovazione aziendale
• Allineare le strategie di AI con gli obiettivi aziendali
• Definire KPIs per misurare il ritorno sugli investimenti (ROI) e i benefici economici

Identificazione dei bisogni aziendali

• Mappare le aree aziendali per identificare dove l’AI può migliorare i processi
• Verificare gli strumenti già utilizzati e non monitorati
• Collettare e valutare le proposte bottom up
• Coinvolgere i diversi dipartimenti aziendali valutando soluzioni cross-funzionali
• Identificare come perseguire gli obiettivi di business con gli strumenti di AI

ESERCITAZIONE

I partecipanti simuleranno il processo di pianificazione strategica e analisi di bisogni e prerequisiti secondo le caratteristiche specifiche della propria realtà aziendale seguendo il framework proposto.

Dalle 14.00 alle 16.00

Compliance e Normative

AI Act: Regolamento dell’Unione Europea specifico per l’uso e lo sviluppo dell’AI

• Obiettivi e scopi dell’AI Act
• Definizioni e utilizzi per identificare gli ambiti di applicazione della legge
• Classificazione basata sul rischio
  • AI ad alto rischio
  • AI a basso rischio
  • AI proibita
  • AI per scopi generali
• Obblighi di rendicontazione e responsabilità per ruolo
  • Sviluppatori
  • Deployer
  • Importatori
  • Distributori
  • User
• Sanzioni previste e come evitarle

Monitoraggio degli impatti sociali, economici, ambientali, giuridici ed etici secondo l’AI Act

• Implementare pratiche di Responsible AI per modelli trasparenti, imparziali ed equi
• I dati utilizzati per addestrare i modelli AI devono essere gestiti in modo conforme alle normative legali ed etiche

Rischi e limiti dell’AI

• Responsible AI in caso di decisioni prese dai modelli ed eventuali errori
  • Allucinazioni risultati errati o fuorvianti

• • Bias dovuti a pregiudizi presenti nei dati di addestramento

• Gestione dei rischi utilizzando framework riconosciuti come NIS 2
• Garantire la trasparenza e tracciabilità e garantire spiegazioni chiare su come vengono prese le decisioni tramite l’AI
• Come garantire l’implementazione di Trustworthy AI

Dalle 16.00 alle 17.30

Valutazione delle normative applicabili

• Impatti della Direttiva Europea NIS2 per garantire la protezione delle infrastrutture critiche in ambienti connessi all’AI
• Implicazioni del Regolamento Digital Markets Act (DMA) per garantire la concorrenza leale nei mercati digitali

Implicazioni e integrazione con le altre normative

• Integrazione delle normative in tema di privacy e protezione dei dati personali

• Accessibility act
• Data Act
• il GDPR sulla privacy e protezione dei dati

• Mappare i dati da raccogliere e trattare per adottare soluzioni che minimizzino i rischi normativi

ESERCITAZIONE Integrazione degli obblighi dell’AI Act nella compliance aziendale

20 maggio 2025

Dalle 9.00 alle 13.00

Tipologie di AI e data quality

Esplorazione dell’Intelligenza Artificiale e analisi dei requisiti tecnici

• Caratteristiche principali dell’AI come tecnologia trasformativa

• Come identificare i giusti strumenti di AI
• Identificare le capacità tecniche necessarie (elaborazione, volume e tipo di dati)
• Valutare le esigenze infrastrutturali
  • Cloud vs Edge
  • GPU vs TPU

Machine Learning (ML)

• Algoritmi supervisionati e non supervisionati
• Dati necessari per addestrare i modelli predittivi
• Come i modelli evolvono e apprendono

Deep Learning (DP)

• Quando utilizzare le reti neurali profonde che analizzano enormi volumi di dati
• Sfruttare la capacità di apprendere e ottimizzare autonomamente caratteristiche complesse
• Differenza tra reti neurali convoluzionali (CNN) e reti neurali ricorrenti (RNN)

Reinforcement Learning (RL)

• Le potenzialità del modello che migliora la propria strategia secondo ricompense
• Gestione di dati di stato e feedback in evoluzione continua

Generative AI

• Caratteristiche distintive e opportunità
• Utilizzo di Retrieval-Augmented Generation (RAG) per integrare fonti esterne

Maturità della data quality

• Affidabilità e metodologie di raccolta dei dati da fonti interne ed esterne
• Strumenti e piattaforme di raccolta, aggregazione, pulizia e standardizzazione dati
• Valutazione delle soluzioni per la gestione dei dati in tempo reale vs batch
• Pianificazione per la raccolta e l’elaborazione di grandi volumi di dati (big data).
• Stabilire metriche di qualità e identificare eventuali criticità

ESERCITAZIONE

I partecipanti esploreranno e testeranno le differenze tra Machine Learning, Deep Learning e Generative AI

Dalle 14.00 alle 16.30

Change e people management (ISO/IEC 42001:2023)

Governance e gestione del rischio

• Linee guida su come sviluppare, implementare e monitorare l’uso responsabile e sicuro
• Framework di governance con responsabilità e gestione dei rischi
• Identificare, valutare e mitigare i rischi (etici, legali e operativi) dell’AI
• Adottare controlli per garantire la sicurezza dei sistemi

Competenze e formazione

• Prevedere una formazione tecnica continua su nuove tecnologie e metodologie

• Garantire che la formazione in tema di compliance sia sempre aggiornata
• Prevedere un supporto dedicato per risolvere i problemi tecnici e supportare gli utenti

• Creare percorsi di formazione su misura per gli utenti finali (uso, ottimizzazione, rischi)

Performance e monitoraggio continuo

• Monitoraggio regolare delle performance per garantire che continuino a rispettare gli standard etici, legali e di sicurezza
• Misurare l’efficacia e il ritorno sugli investimenti (ROI) delle soluzioni AI in relazione agli obiettivi aziendali
• Il sistema di gestione dell’AI deve essere soggetto a revisioni e aggiornamenti periodici
• Raccogliere e integrare il feedback degli utenti per un miglioramento continuo

Documentazione e Tracciabilità

• Ogni fase (sviluppo, implementazione e manutenzione) deve essere documentata
• Tracciabilità e auditabilità delle decisioni per garantire trasparenza e responsabilità

Strategie di gestione del cambiamento

• Gestione delle aspettative degli stakeholder nella definizione e gestione delle soluzioni
• Garantire che le esigenze e le preoccupazioni siano adeguatamente affrontate
• Coinvolgimento e comunicazione regolare ai vari livelli aziendali

Dalle 16.30 alle 17.30

USE CASE

4 giugno 2025

Dalle 9.00 alle 12.00

Strumenti e applicazioni di AI

Applicazioni e strategie di impiego dell’AI

• Come l’AI è impiegata per settori e funzioni aziendali
• Come ridurre i costi tramite automazione e ottimizzazione dei processi
• Ricercare la differenziazione con soluzioni uniche e prodotti personalizzati
• Utilizzare l’AI per concentrarsi su nicchie di mercato e rispondere alle esigenze specifiche dei clienti

Valutazione dell’applicabilità dell’AI

• Valutare se un progetto può trarre vantaggio dall’AI, considerando dati, obiettivi e risorse disponibili
• Considerare fattori di complessità, costo, tempo di implementazione e dati storici

Scelte tecniche e strategiche nella scelta della tecnologia

• Come l’AI si allinea con la strategia aziendale a lungo termine
• Considerare aspetti tecnici di scalabilità, qualità dei dati, integrazione con IT aziendale e necessità infrastrutturali
• Valutare se scegliere sistemi open source o proprietari

ESERCITAZIONE

Dalle 12.00 alle 13.00

Generative AI in Business

• Come la Generative AI crea contenuti tramite modelli
• Applicazioni Attuali nel marketing, nella creazione di contenuti e nel customer service
• Come raggiungere leadership di costo e differenziazione con GenAI
• Valutazione dell’applicabilità prima di adottare la Generative AI
• Considerazioni strategiche e tecniche sull’integrazione e la piattaforma da utilizzare (es. ChatGPT, Gemini)

Dalle 14.00 alle 17.30

Valutazione delle tecnologie AI e scelta del partner

Come determinare una AI Robusta

• Affidabilità in vari scenari e condizioni, minimizzando errori e fallimenti
• Resilienza perché si adatti a imprevisti o modifiche nel contesto operativo
• Sicurezza, difendendosi da vulnerabilità, attacchi e manipolazioni esterne
• Trasparenza dele decisioni prese dall’AI perché siano comprensibili e spiegabili

Panoramica delle tecnologie e delle loro applicazioni per attività e settori

• Casi e paper di ricerca per valutazioni basate su evidenze
• Suite di strumenti per il machine learning a supporto del ciclo di vita del progetto
• Tool per la gestione dei dati, l’elaborazione e il monitoraggio dei modelli in produzione
• Piattaforme per la spiegabilità e l’interpretabilità a supporto di trasparenza e controllo dei processi decisionali automatizzati

Valutare le piattaforme di AI

• Capire tendenze, forze e debolezze dei principali fornitori
• Valutare tempestivamente le recensioni di mercato
• Inserire i rapporti degli analisti nel processo di scelta

Coinvolgere gli stakeholder chiave nella scelta

• Assicurare l’allineamento e il supporto aziendale nella selezione delle tecnologie
• Documentare il processo di selezione del fornitore esplicitando i criteri
• Valutare la documentazione di conformità dei venditori e come intendono affrontare i limiti imposti dalla normativa

Valutare le principali strade di collaborazione coi partner tecnologici

• Selezione del fornitore (Buy)

• • affidabilità tecnologica
  • supporto post-vendita
  • compatibilità con l’infrastruttura esistente
  • costi totali di proprietà

• Decisione sullo sviluppo (Make)

• • capacità interne per sviluppare la soluzione in-house
  • disponibilità di talento
  • costi di sviluppo
  • scalabilità futura

USE CASE