Limor Ziv
La maggior parte delle implementazioni di IA si arena quando i vertici aziendali non riescono a giustificare il sistema davanti a un’autorità di regolamentazione, a un cliente o al comitato di gestione dei rischi del consiglio di amministrazione. La sfida non sta nel costruire un modello, bensì nel dimostrare che i dati su cui si basa sono accurati, rappresentativi e verificabili, e che le decisioni che ne derivano sono spiegabili quando qualcosa va storto.
La dott.ssa Limor Ziv è fondatrice e amministratrice delegata di Humane AI, nonché ricercatrice post-dottorato presso l’Università Bar-Ilan; il suo lavoro consiste nell’aiutare le organizzazioni a tradurre i principi di un’intelligenza artificiale responsabile in pratiche di governance, gestione dei dati e gestione dei rischi in grado di reggere a un esame approfondito.
Full Profile
Perché le aziende scelgono di collaborare con Limor Ziv
- Lei traduce l'etica dell'IA dai principi alla pratica operativa, con collaborazioni con clienti di rilievo come Google, KPMG, Accenture, SolarEdge e CyberArk per dimostrare i risultati concreti ottenuti.
- La sua consulenza si basa su istituzioni, non su opinioni: è membro del Comitato consultivo per l'etica dell'IA presso l'Institute for Experiential AI della Northeastern University e membro del Consiglio scientifico dell'Associazione israeliana per l'etica nell'IA.
- La sua ricerca empirica con 74 professionisti senior nel campo dell'IA e dei dati, pubblicata su Machine Learning and Knowledge Extraction di MDPI nel 2025, fornisce ai consigli di amministrazione un modello difendibile per trattare i dati come la sostanza operativa dell'IA piuttosto che come un suo sottoprodotto.
- Lavora sul confine tra credibilità accademica e implementazione commerciale: la stessa persona tiene la lezione e conduce il workshop successivo.
- Credibilità operativa sulla questione delle donne nell'IA, con ruoli pubblici nelle comunità israeliane dei dati e dell'etica, senza convertire ciò in una categoria di keynote separata.
Punti salienti della biografia
- Fondatrice e CEO di Humane AI, fornisce consulenza a multinazionali, governi e aziende tecnologiche su IA responsabile, qualità dei dati e rischio.
- Ricercatrice post-dottorato in Interazione Uomo-IA, Università Bar-Ilan; Ph.D., Università di Tel Aviv.
- Coautrice di "Behind the Algorithm: International Insights into Data-Driven AI Model Development" (MDPI, 2025), basato su interviste a 74 professionisti senior nel campo dell'IA e dei dati.
- Membro del Comitato consultivo per l'etica dell'IA presso l'Institute for Experiential AI della Northeastern University.
- Membro del Consiglio Scientifico dell'Associazione Israeliana per l'Etica nell'IA (IAEAI).
- Nominato relatore principale e consulente per Google, KPMG, Accenture, SolarEdge, CyberArk, Bright Data, Medison Pharma e il Comune di Tel Aviv.
Biografia
La maggior parte dei fallimenti dell'IA non ha origine dal modello. Ha origine dai dati che lo sostengono e da una lacuna di governance che nessuno nel comitato esecutivo riesce a individuare con precisione. La dott.ssa Limor Ziv ha fondato Humane AI per colmare tale lacuna, collaborando con multinazionali, governi e aziende tecnologiche per rendere i sistemi di IA difendibili a partire dal livello dei dati.
La ricerca è alla base della consulenza. Il suo articolo del 2025 con Maayan Nakash, pubblicato su Machine Learning and Knowledge Extraction di MDPI, si basa su interviste a 74 professionisti senior dell'IA e dei dati in diversi paesi e settori. Identifica i ricorrenti fallimenti sociotecnici che i leader incontrano quando cercano di industrializzare l'IA, dalla qualità dei dati e la governance alla contestualizzazione e all'allineamento aziendale.
La base istituzionale è insolita per una fondatrice di una società di consulenza. Fa parte del Comitato consultivo sull'etica dell'IA presso l'Institute for Experiential AI della Northeastern University, del Consiglio scientifico dell'Associazione israeliana per l'etica nell'IA e continua il lavoro post-dottorato sull'interazione uomo-IA alla Bar-Ilan dopo il dottorato a Tel Aviv. Questa diversificazione mantiene il lavoro vicino al dibattito normativo e accademico in corso piuttosto che a una semplice sintesi in una presentazione.
Per i responsabili degli acquisti senior, il prodotto concreto è un linguaggio utilizzabile per i rischi dell'IA che non si riduce né a una mera messinscena di conformità né a gergo tecnico. Tra i suoi clienti, elencati sul suo sito, figurano Google, KPMG, Accenture, SolarEdge, CyberArk, Bright Data e il Comune di Tel Aviv. Il brief è coerente per tutti loro: portare l'IA responsabile dai principi alla realtà operativa e assicurarsi che i dati alla base del sistema reggano quando qualcuno chiede come è stata presa una decisione.
Argomenti chiave
- IA responsabile ed etica dell'IA
- Gestione dei rischi dell'IA e conformità
- Governance dell'IA e preparazione normativa
- Qualità dei dati e IA incentrata sui dati
- Interazione uomo-IA e progettazione incentrata sull'uomo
- IA nei settori regolamentati, tra cui sanità e finanza
- Implementazione di un'IA responsabile in azienda
Ideale per
- Consigli di amministrazione e comitati esecutivi incaricati di definire la governance dell'IA e i quadri di riferimento per la gestione dei rischi.
- Responsabili dell'IA, responsabili dei dati e CISO che implementano politiche di IA responsabile.
- Dirigenti di settori regolamentati quali sanità, servizi finanziari e settore pubblico alle prese con l’implementazione dell’IA sotto la pressione della conformità.
- Responsabili dell'innovazione e della trasformazione che stanno passando da progetti pilota di IA alla produzione con governance integrata.
Risultati per il pubblico
- Una definizione operativa del rischio IA che distingua il rischio dati, il rischio modello e il rischio decisionale, e una comprensione di dove ciascuno di essi si colloca all'interno dell'organizzazione.
- Una visione di ciò che l'IA incentrata sui dati richiede effettivamente ai team operativi, tratta dalla sua ricerca empirica condotta su 74 professionisti senior.
- Una lettura approfondita dei dibattiti normativi ed etici in corso, da parte di una persona che fa parte di due organismi consultivi sull'etica dell'IA.
- Un quadro più onesto di quanto costa e cosa restituisce un'IA responsabile, quando un'azienda cerca di integrarla piuttosto che pubblicizzarla.
Discorsi
Una panoramica di alto livello sui settori in cui l’IA genera un valore misurabile e su quelli in cui comporta i rischi organizzativi più rilevanti.
Punti chiave:
- Una mappa pratica delle categorie di rischio legate all’IA, dal rischio legato ai dati e ai modelli al rischio di implementazione e reputazionale.
- I punti decisionali in cui i sponsor esecutivi perdono tipicamente il controllo di un programma di IA.
- Un quadro di riferimento per stabilire le priorità degli investimenti nell’IA in base alla propensione al rischio dell’organizzazione.
Una sessione di lavoro dedicata all’identificazione, alla gestione e alla mitigazione dei rischi legati all’intelligenza artificiale all’interno delle organizzazioni operative.
Punti chiave:
- In che modo il rischio legato all’IA differisce dal rischio tecnologico convenzionale e perché le funzioni di gestione del rischio esistenti faticano ad assorbirlo.
- Linee guida pratiche per i team di sviluppo dell’IA che resistano al confronto con autorità di regolamentazione e revisori.
- Le pratiche di igiene dei dati e di documentazione che trasformano la politica sui rischi dell’IA in pratica.
Come si presenta un’IA responsabile quando viene implementata nelle funzioni relative a prodotti, dati e governance.
Punti chiave:
- Il problema della traduzione tra i principi etici dell’IA e i requisiti dei sistemi implementabili.
- Ruoli, responsabilità e meccanismi di revisione che rendono verificabile l’IA responsabile.
- Dove l’IA responsabile si sovrappone ai regimi esistenti in materia di privacy, sicurezza e conformità, e dove invece non lo fa.
Una panoramica sul panorama normativo attuale ed emergente, con implicazioni per la strategia in materia di IA.
Punti chiave:
- L’architettura della legge UE sull’IA e dei regimi ad essa correlati, in termini operativi semplici.
- Cosa potrebbero chiedere per primo le autorità di regolamentazione e quali documenti le organizzazioni devono tenere a portata di mano.
- Come definire una politica interna che anticipi la regolamentazione anziché reagire ad essa.
Come progettare una governance dell’IA che si integri con la governance aziendale esistente, anziché procedere in parallelo ad essa.
Punti chiave:
- Strutture di governance per i portafogli di IA, dai comitati direttivi ai registri dei modelli.
- Diritti decisionali e percorsi di escalation tra le funzioni dati, IA, rischio e legale.
- Modelli di fallimento della governance nei primi programmi di IA aziendali e come evitarli.
Una panoramica sulla ricerca nell’ambito dell’interazione tra esseri umani e IA applicata alla progettazione di prodotti e ambienti di lavoro.
Punti chiave:
- Le prove su come gli utenti interagiscono effettivamente con i sistemi di IA e dove si rompe la fiducia.
- Scelte progettuali che tutelano il giudizio umano anziché sostituirlo.
- Contributi interdisciplinari, dalla psicologia alla politica, che rafforzano le decisioni relative ai prodotti di IA.
Una visione di come le organizzazioni dovrebbero strutturare il lavoro, i ruoli e le competenze intorno all’IA, anziché parallelamente ad essa.
Punti chiave:
- Il passaggio da una mentalità orientata all’automazione a una orientata al potenziamento all’interno dei team operativi.
- Investimenti nelle competenze che i leader sottovalutano costantemente durante l’implementazione dell’IA.
- Un modello per la progettazione di flussi di lavoro uomo-IA in grado di reggere alla pressione operativa.