Negli ultimi anni, l’Intelligenza Artificiale basata su Deep Learning ha prodotto un’evoluzione significativa nei sistemi di supporto alle decisioni, in particolare nei domini della visione artificiale e dell’elaborazione del linguaggio naturale. Tuttavia, il paradigma dominante è stato di tipo model-centric, focalizzato sull’ottimizzazione di architetture sempre più complesse, spesso a discapito della qualità dei dati. Tale impostazione ha evidenziato limiti rilevanti nella capacità di generalizzazione, soprattutto in presenza di fenomeni di concept drift, nei quali la distribuzione dei dati evolve nel tempo rendendo obsoleti i modelli addestrati. In questo contesto, il dato emerge come fattore critico e collo di bottiglia dello sviluppo dell’IA. Il paradigma della Data-Centric AI (DCAI) propone quindi uno spostamento dell’attenzione verso l’ingegnerizzazione sistematica dei dati, con l’obiettivo di migliorarne qualità, rappresentatività e accessibilità, ottenendo sistemi più robusti, accurati e generalizzabili.