Un Approfondimento del Prof. Salvatore Carta per comprendere i Modelli Generativi.
ChatGPT e Oltre: L’Era dei Modelli Generativi e le Opportunità per il Business
Da quando ChatGPT è stato reso accessibile al grande pubblico, il termine Intelligenza Artificiale (IA) è diventato un tema centrale fra la gente comune ma soprattutto ha sollecitato l’interesse di chi ha la responsabilità di decidere di strategia aziendale.
L’IA in generale e la tecnologia della IA generativa, dei cosiddetti Large Language Model (LLM), che rappresenta il motore di ChatGPT e della pletora di alternative e servizi che ormai affollano il mercato, rappresentano infatti una fondamentale opportunità per le aziende. Una opportunità che per essere colta al meglio necessita come prima cosa di essere come minimo contestualizzata al meglio possibile dai decisori aziendali.
Sulla base della esperienza pluriennale come ricercatore di Intelligenza Artificiale in ambito accademico e di founder di aziende di tecnologia, spin off dell’Università di Cagliari, l’idea alla base di questo articolo è quella di fornire un primo approfondimento che contestualizzi l’IA generativa nell’ambito più generale della Intelligenza Artificiale. Parliamo infatti di un insieme di tecnologie che già da decenni contribuiscono all’evoluzione di varie industrie.
Prendiamo spunto da una interessante analisi presentata da Gartner nel 2024 che offre secondo noi il giusto punto di vista: da una parte categorizzare le principali tecniche di intelligenza artificiale, dall’altra mapparle su una serie di casi d’uso applicativi particolarmente rappresentativi fornendo una indicazione sul livello di compatibilità di ciascun incrocio.
Facciamo preventivamente presente che, trattandosi di categorizzazioni che vogliono rappresentare e esemplificare delle realtà sempre molto complesse, tali categorizzazioni portano a semplificazioni che possono essere non completamente condivisibili, anche da noi stessi. Ma riteniamo comunque che una rappresentazione di questo sia molto efficace per avviare un percorso di miglior comprensione di questi temi.
Casi d’Uso dell’IA: Una Panoramica Pratica
Esploriamo inizialmente le principali famiglie di casi d’uso in cui si prevede che le tecniche AI possano offrire soluzioni. Diamo una descrizione sintetica e molto applicativa tramite anche esempi pratici.
- Predizione / Previsione
Questo è uno dei casi d’uso più comuni. Supponiamo di vendere prodotti e di aver raccolto dati sulle vendite, oltre ad altre informazioni rilevanti. Possiamo usare algoritmi di machine learning per prevedere le vendite future.
- Sistemi autonomi
L’AI può essere utilizzata per costruire sistemi autonomi in grado di eseguire operazioni in modo intelligente. Un esempio è l’uso di droni con AI incorporata per ispezionare le linee di trasmissione elettrica.
- Pianificazione
In sistemi complessi con molte interdipendenze e vincoli, i casi d’uso di pianificazione mirano a trovare il miglior piano d’azione per massimizzare i benefici e/o minimizzare gli impatti.
Ad esempio, possiamo usare l’AI per analizzare i dati sul traffico urbano e determinare quando e dove effettuare lavori stradali per ridurre al minimo l’impatto sul traffico quotidiano.
- Intelligenza decisionale
Questo tipo di AI aiuta nel processo decisionale fornendo analisi e previsioni.
A differenza dei sistemi autonomi, questi strumenti supportano le decisioni umane anziché prenderle automaticamente, spesso perché le decisioni devono considerare preferenze personali o fattori imprenditoriali.
- Sistemi di raccomandazione
Un caso d’uso molto diffuso e maturo. Chiunque abbia mai usato eBay o Spotify ha sperimentato un sistema che raccomanda prodotti da acquistare o musica da ascoltare.
- Segmentazione / Classificazione
Quando non sono note le caratteristiche degli oggetti con cui si interagisce, si può usare l’IA per classificarli in diverse categorie o livelli e ottenere informazioni utili.
Ad esempio, possiamo classificare i richiedenti di prestiti in livelli di rischio (Basso, Medio, Alto) in base ai loro attributi.
- Automazione intelligente
Questa categoria combina IA e tecnologie di automazione per migliorare processi aziendali, come la produzione.
Un esempio è il concetto di “Digital Twin”, in cui si addestra un modello con dati sensoriali di un impianto industriale per prevedere e segnalare guasti prima che si verifichino.
- Percezione
Questa famiglia di casi d’uso riguarda l’elaborazione di dati sensoriali, come immagini, suoni o informazioni ambientali.
Un esempio è una telecamera stradale con AI in grado di rilevare infrazioni alla guida.
- Rilevamento di anomalie
A volte, un sistema presenta malfunzionamenti che non vengono rilevati immediatamente.
Ad esempio, in una rete elettrica con centinaia di generatori, un guasto singolo è facilmente individuabile, ma fluttuazioni minori in più generatori contemporaneamente possono essere difficili da notare. L’IA può rilevare questi eventi e inviare un avviso alla sala di controllo.
- Interfacce conversazionali
Questa categoria include chatbot e assistenti virtuali, resi popolari dalla crescita dell’AI generativa. Un chatbot per il servizio clienti è un esempio: viene addestrato su documentazione di prodotto per rispondere automaticamente alle domande più comuni senza bisogno di intervento umano.
- Generazione di contenuti
Caso d’uso evidente: ChatGPT è un’applicazione di questa categoria.
Tuttavia, la “generazione di contenuti” non si limita al testo, ma può includere immagini, video o suoni.
- Scoperta della conoscenza
Quando i dati sono disordinati e complessi, possiamo usare l’AI per individuare pattern nascosti e ottenere nuove informazioni. Ad esempio, l’AI può analizzare i dati clinici dei pazienti per scoprire correlazioni che potrebbero aiutare nello sviluppo di nuove cure mediche.
Tecniche di IA: Dalla Teoria alla Pratica
Diamo quindi una panoramica delle tecniche AI più comuni.
- Machine Learning non generativo
Prima della popolarità dell’AI generativa, questa distinzione non esisteva.
Ora, tutto ciò che non è generativo viene spesso chiamato “Machine Learning classico” o “Deep Learning”. Include tecniche come regressione lineare, clustering, classificazione e alberi decisionali.
- Simulazione
Questa tecnica permette di modellare un processo o un sistema reale, testando molte combinazioni di parametri per rispondere a domande “what-if”.
- Ottimizzazione
Usata per trovare i migliori parametri in un’equazione.
Ad esempio, per determinare il livello di sconto ottimale in un supermercato, bilanciando tra l’aumento delle vendite e il mantenimento dei profitti.
- Regole / Euristiche
Non necessariamente basata su Machine Learning: in alcuni casi, si usano regole predefinite derivate da evidenze scientifiche o dall’esperienza di esperti del settore.
- Grafi
I grafi rappresentano dati in modo strutturato, mettendo in evidenza relazioni tra elementi.
Ad esempio, in un grafo, un nodo può rappresentare un cliente e le connessioni tra nodi possono mostrare le sue interazioni con prodotti o servizi.
- Modelli generativi
L’AI generativa può creare testi, immagini, video e altri contenuti. ChatGPT è l’esempio più famoso di applicazione di modello generativo. In particolare ChatGPT utilizza le varie generazioni dei modelli proprietari GPT di Open AI.
La Matrice di Gartner: Uno Strumento per la Scelta Strategica
Fonte: Gartner Data & Analytics Summit Conference / Christopher Tao on Medium
Fonte: Gartner Data & Analytics Summit Conference / Christopher Tao on Medium
La matrice elaborata da Gartner mappa sulle righe i 12 casi d’usi di applicazione della IA con sulle colonne le 6 tecniche di IA, e Per ogni cella della matrice viene indicato il livello di matching fra la tecnologia e il caso d’uso, indicando con Basso (L), Medio (M) e Alto (H) il livello di matching di una tecnica AI per un determinato caso d’uso:
- Le tecniche AI con matching alto (H) sono quelle più indicate per un caso d’uso.
- Se una tecnica ha matching medio (M), si intende che si necessario valutare attentamente se è davvero quella giusta per quel caso d’uso
- In caso di matching basso (L), si intende che la tecnica non dovrebbe essere utilizzata per quel caso d’uso.
Chiaramente va considerato, come già accennato, che categorizzare in maniera netta aiuta la chiarezza espositiva ma nasconde alcune complessità del mondo reale: ad esempio che spesso le tecniche da utilizzare per specifici progetti o casi d’uso si ibridano (ad esempio modelli generativi con modelli di machine learning tradizionale), fuoriuscendo dalla categorizzazione schematica di una matrice di questo tipo.
Analizzando la matrice possiamo trarre in maniera immediata una prima conclusione che potrebbe sembrare ovvia: non tutte le famiglie di casi d’uso possono essere risolte con modelli generativi.
Questo appunto sembra ovvio a posteriori, ma dalla nostra esperienza sul campo abbiamo imparato che non raramente la prima cosa da fare per chi vuole trasferire questo tipo di competenze in una realtà aziendale è far passare il concetto che non tutto si fa con l’IA generativa!
Ad esempio, se abbiamo dati di vendita di un prodotto, non ha senso chiedere previsioni su andamenti di future vendite a ChatGPT. Tuttavia, ChatGPT può essere potenzialmente molto utile nello sviluppare codice infrastrutturale a supporto di una soluzione che utilizzi tecniche di Machine Learning classico per eseguire questa previsione.
L’IA Generativa: Un Nuovo Universo di Possibilità per le Aziende
In conclusione, dopo aver sottolineato come l’IA generativa non sia la panacea di tutti i mali, e come un decisore che voglia introdurre l’IA nella sua azienda debba come prima cosa contestualizzare opportunamente le caratteristiche dei propri casi d’uso e solo dopo ragionare sulla soluzione tecnologica più adatta, vogliamo anche sottolineare come l’IA generativa rappresenti una opportunità enorme perché ha aperto un nuovo universo di possibili casi d’uso, principalmente quelli incentrati sul processamento e la gestione del linguaggio naturale e della informazione audio video, ma non solo.
