Negli ultimi anni, l’Intelligenza Artificiale, in particolare attraverso il Deep Learning applicato alla visione artificiale e all’elaborazione del linguaggio naturale, ha profondamente trasformato i sistemi di supporto alle decisioni in ambito scientifico e sociale. Tuttavia, lo sviluppo dell’IA ha seguito prevalentemente un approccio “model-centric”, focalizzato sulla creazione di modelli sempre più complessi, trattando i dati come elementi statici. Questo ha portato a progressi soprattutto algoritmici, ma ha evidenziato limiti nella capacità di generalizzazione, come nel caso del concept drift, in cui il cambiamento delle distribuzioni dei dati nel tempo può compromettere le prestazioni dei modelli.

In questo scenario, i dati emergono come un vero e proprio collo di bottiglia per lo sviluppo dell’IA. Per affrontare questo limite, si sta affermando il paradigma della “Data-Centric AI”, che sposta l’attenzione dalla sola ottimizzazione dei modelli al miglioramento sistematico della qualità e dell’accessibilità dei dati. Questo approccio consente di ottenere sistemi più accurati, robusti e resilienti rispetto alle sole strategie model-centric. Tale cambiamento di prospettiva rappresenta un passaggio cruciale per la prossima generazione di sistemi intelligenti, con un impatto rilevante in ambito accademico, industriale e sociale.