Un contesto di crescita accelerata per l’intelligenza artificiale

Negli ultimi anni BBVA ha visto un incremento significativo del numero di soluzioni di intelligenza artificiale e machine learning sviluppate internamente. La diversificazione dei casi d’uso ha richiesto una piattaforma cloud solida, capace di offrire flessibilità, scalabilità e automazione. La piattaforma globale ADA, basata su tecnologie Amazon Web Services, ha completato il suo rollout a livello globale e ora serve più di 6.500 utenti, fornendo accesso centralizzato a ambienti di sviluppo, dati condivisi e capacità di deployment in produzione.

Oltre a questi servizi, ADA offre ora pipelines di machine learning standardizzati e riutilizzabili. I team tecnici possono così creare e distribuire modelli in modo coerente tra le diverse aree di business, accelerando sperimentazione e consegna.

Obiettivi: industrializzare MLOps con governance rigorosa

I workflow di ML di ADA erano inizialmente costruiti su scaffolding standardizzato e notebook. Con l’aumento dell’adozione, è stato necessario migliorare la modularità, favorire il riuso del codice e rafforzare pratiche di riproducibilità e controllo di versione. Allineare i pattern di sviluppo tra le varie business unit è diventato cruciale per garantire coerenza e sostenibilità a lungo termine.

Parallelamente, i data scientist hanno richiesto maggiore autonomia per sperimentare senza compromettere la stabilità della piattaforma. Le operazioni di sviluppo e governance erano separate, creando inefficienze nella gestione del ciclo di vita dei modelli. L’obiettivo era unificare gli asset – pipeline di training, modelli e pipeline di inference – in progetti integrati, automatizzando approvazioni e audit per ridurre il carico di coordinamento e migliorare la tracciabilità.

La soluzione tecnica: un’architettura MLOps basata su AWS SageMaker

BBVA ha adottato un approccio flessibile, desacoplato e completamente automatizzato, fondato su Amazon SageMaker AI. La piattaforma ADA mette a disposizione un catalogo di template MLOps: l’utente seleziona una template, avvia un nuovo progetto e il sistema raccoglie automaticamente metadati regolamentari (descrizione modello, responsabile di business, classificazione). Viene creato un repository GitHub dedicato con codice base standardizzato per training, registrazione delle metriche e dei metadati.

Il flusso di sviluppo è ora completamente automatizzato: blocchi di costruzione standardizzati e capacità di autoservizio consentono ai team di sviluppare, testare e distribuire soluzioni di ML in modo indipendente, sfruttando un’infrastruttura condivisa pronta per la produzione. Gli utenti possono comporre componenti riutilizzabili, parametrizzarli e iterare con maggiore efficienza, evitando logiche monolitiche.

Flussi di sviluppo efimeri: una svolta operativa

Una delle innovazioni chiave è l’introduzione di flussi di sviluppo efimeri. Invece di validare le modifiche mediante merge su branch principale, BBVA utilizza un modello basato su branch dedicati per ogni Pull Request (PR). GitHub Actions e SageMaker creano risorse isolate e temporanee – pipeline di training, pacchetti modello – per ogni PR, consentendo a più team di lavorare simultaneamente senza interferire.

Questi ambienti efimeri seguono una convenzione di naming standardizzata e vengono distrutti automaticamente al chiudersi o al merging della PR. Il processo di clean‑up elimina esecuzioni in corso, versioni di modello, definizioni di pipeline e gruppi di pacchetti, garantendo zero spreco di risorse.

Impatto economico e di governance

    • Riduzione dei costi cloud del 40‑55% nei casi pilota grazie alla pulizia automatica delle risorse.
    • Versionamento dei pipeline attivato solo quando cambiano definizione o codice, diminuendo il numero totale di risorse attive.
    • Integrazione di Amazon EventBridge e AWS Lambda per gestire workflow di approvazione e registrazione dei modelli in produzione, mantenendo tracciabilità e auditabilità.

La transizione tra ambienti di sviluppo e produzione è gestita da GitHub Actions collegate a branch specifici; EventBridge e Lambda orchestrano l’approvazione dei modelli, registrandoli nell’ambiente di produzione una volta validati.

Governance integrata e orientata agli eventi

BBVA ha implementato un modello di governance basato su eventi, in cui ogni azione – creazione di progetto, avvio di training, deployment – genera eventi tracciati da EventBridge. Questi eventi attivano funzioni Lambda che aggiornano registri di conformità, notificano i responsabili e avviano controlli di qualità automatici.

Il risultato è una governance “as‑as‑code”: le regole sono codificate, versionate e applicate automaticamente, riducendo il rischio di errori manuali e garantendo audit trail completo per ogni modello.

Benefici per il business e prospettive future

Grazie alla nuova architettura, i team di data science possono concentrarsi sul valore di business piuttosto che sulla gestione dell’infrastruttura. I tempi di sperimentazione si sono ridotti drasticamente, consentendo di portare le soluzioni AI sul mercato più rapidamente. Inoltre, la standardizzazione dei pipeline facilita il riuso tra progetti, accelerando lo sviluppo di nuovi casi d’uso.

BBVA prevede di estendere ulteriormente ADA integrando funzionalità di monitoraggio continuo dei modelli in produzione, bias detection e spiegabilità, mantenendo il focus su scalabilità, sicurezza e compliance. La trasformazione del machine learning in BBVA dimostra come un’architettura cloud ben progettata, combinata con pratiche DevOps avanzate, possa trasformare la AI da progetto pilota a asset strategico di livello enterprise.