09. Utilizza i dati in modo efficiente

Raccogli solo i dati strettamente necessari. Collabora con i tuoi stakeholder (ad esempio, team legali, di progettazione, di analisi) per definire chiaramente i punti dati essenziali per ogni caratteristica del prodotto, eliminando la raccolta di dati non essenziali o ridondanti. Promuovi pratiche di efficienza dei dati migliori semplicemente chiedendo: abbiamo davvero bisogno di questi dati?

Per affrontare le preoccupazioni relative alla potenziale perdita di informazioni a causa della mancanza di dati, enfatizzate l'la qualità prima della quantitàe dei dati e dimostrate attraverso progetti pilota come set di dati mirati e minimi possano garantire prestazioni di prodotto uguali o migliori con costi e rischi significativamente ridotti.

Rimanete aggiornati sulle tecniche in continua evoluzione. Ad esempio, nel gennaio 2025, DeepSeek ha dimostrato che l'IA è in grado di ragionare bene senza enormi set di dati di addestramento: questo risultato è stato ottenuto attraverso l'apprendimento per rinforzo, che ha permesso al modello di migliorare attraverso tentativi ed errori. Si tratta di una formazione intelligente, non di una maggiore quantità di dati.

Una volta identificati i dati necessari, potete aiutare il vostro team tecnico ad attuare politiche rigorose di conservazione dei dati, come il periodo di conservazione per tipo di dati, e ridurre al minimo i dati oscuri (i dati inutilizzati e non necessari) che occupano molto spazio di archiviazione.

Se non siete sicuri che i dati rimarranno inutilizzati, incoraggiate la conservazione locale dei dati oscuri per un eventuale utilizzo futuro. Puoi estendere questo approccio agli SLA (accordi sul livello di servizio) e agli SLO (obiettivi sul livello di servizio) dei tuoi fornitori (ad esempio, ridurre il tempo di conservazione dei file di log).

Con il tuo team addetto ai dati, risparmia elaborazioni non necessarie investendo molto nella pre-elaborazione dei dati per garantire l'igiene dei dati e aumentarne la qualità. Evita l'effetto "Garbage in - Garbage Out" e ottimizza la qualità della risposta fin dall'inizio.

Raccomandate la centralizzazione dei vostri dati e l'uso di formati leggeri (ad esempio JSON, Avif) per ridurre al minimo i movimenti e le migrazioni dei dati.

Implementate la compressione dei dati per ridurre il numero di bit necessari a rappresentarli. (Potreste usare il ML tenendo presente l'impronta di carbonio che potrebbe generare).

Supportate l'ottimizzazione delle pipeline di dati, riducendo la ridondanza, e consentite la memorizzazione delle risposte con il vostro team di ingegneri.

Quando possibile, utilizzare set di dati open source (anziché emettere nuovi gas serra durante la creazione della propria pipeline di dati), ad esempio sfruttando Abbracciare il viso e Kaggle.

Se la vostra applicazione non richiede la raccolta di dati in tempo reale o "su richiesta", prendete in considerazione lo spostamento della domanda (quando e dove è disponibile energia verde).