Negli ultimi anni, l’Intelligenza Artificiale, in particolare mediante il Deep Learning applicato alla visione artificiale e al Natural Language Processing, ha determinato una profonda evoluzione dei sistemi di supporto alle decisioni in contesti sia scientifici sia sociali. Nonostante ciò, lo sviluppo dell’IA ha seguito in larga misura un paradigma di tipo model-centric, orientato alla progettazione di modelli sempre più sofisticati e alla considerazione dei dati come elementi sostanzialmente statici. Tale impostazione ha favorito soprattutto avanzamenti di natura algoritmica, ma ha anche messo in evidenza criticità nella generalizzazione, come nel fenomeno del concept drift, in cui le variazioni delle distribuzioni dei dati nel tempo possono ridurre significativamente le prestazioni dei modelli.

In tale contesto, i dati rappresentano un vero e proprio collo di bottiglia nello sviluppo dei sistemi di IA. Per superare questa limitazione, si sta consolidando il paradigma della Data-Centric AI, che sposta il focus dall’ottimizzazione esclusiva dei modelli al miglioramento strutturale e sistematico della qualità dei dati e della loro accessibilità. Questo orientamento consente di realizzare sistemi caratterizzati da maggiore accuratezza, robustezza e resilienza rispetto alle sole strategie model-centric. Tale cambio di prospettiva costituisce un passaggio fondamentale per l’evoluzione della prossima generazione di sistemi intelligenti, con ricadute significative in ambito accademico, industriale e sociale.