Ottenere valore dall'Intelligenza Artificiale: come prevenire uno stallo della GenAI

In alcuni casi, queste storie nascono da una comprensione errata di come funzionano l’AI e l’AI generativa (Gen AI), da aspettative eccessive sulle loro reali capacità o da usi distorti e poco etici che se ne sono fatti.

Tuttavia, quello che sembra essere successo è che, man mano che le persone hanno acquisito maggiore familiarità soprattutto con le tecnologie di GenAI, si è verificata una sorta di pausa di riflessione per valutare cosa sia realmente accaduto mentre eravamo travolti dall’entusiasmo per questa nuova tecnologia. Ed è un bene: come già avvenuto nei precedenti cicli di innovazione dell’AI, questo ha portato a porsi domande sensate sul reale valore generato dall’AI.

Ad esempio, un sondaggio ha rilevato che dal 2021 c’è stata una riduzione sia nel numero di progetti di AI implementati sia nel ritorno sull’investimento (ROI). Un altro sondaggio ha invece evidenziato che, sebbene l’AI generativa sia oggi la principale tipologia di soluzione adottata nelle organizzazioni, uno dei maggiori ostacoli alla sua implementazione resta stimarne e dimostrarne il valore. Questi sondaggi non dicono che l’AI (generativa o meno) non funzioni, che non sia in grado di fare cose straordinarie o che sia priva di valore; al contrario, indicano la necessità di identificare con maggiore precisione i problemi di business da risolvere e il modo in cui questi possano tradursi in valore concreto per l’organizzazione.

È probabile che tutto questo stia avvenendo in modo più visibile perché la GenAI è molto più accessibile rispetto alla “vecchia” AI o al machine learning e, proprio per questo, molte più persone e aziende hanno potuto sperimentarla direttamente.

Come possiamo dunque, noi che ci apprestiamo ad avviare progetti di (Gen) AI, costruire su queste esperienze e imparare dai successi e dagli errori dei progetti di AI e ML del passato? In questo e nei prossimi articoli cercherò di evidenziare alcuni dei principali insegnamenti fondamentali per la riuscita di un progetto di AI ma, prima di tutto, è importante chiarire cosa intendiamo per “AI” e “AI generativa” e, a livello generale, come funzionano.

Nel caso degli approcci di AI tradizionale – o “vecchia” AI – come il machine learning (ML), gli algoritmi funzionano in modo specifico: con una configurazione e una guida adeguate, sono in grado di produrre un’inferenza a partire da un insieme di dati in input. La costruzione di un modello, però, è un’attività che richiede competenze, conoscenza e creatività. Tuttavia, forse la sfida più grande consiste nell’assemblare i vari elementi che possono essere risolti con il ML in modo tale da fornire una soluzione complessiva al problema di business.

I problemi di business, infatti, raramente si adattano a una soluzione di ML “chiavi in mano”. Non sono impostati come una competizione su Kaggle, dove il fortunato data scientist del progetto deve semplicemente ottimizzare un algoritmo partendo da un file csv ordinato di dati in input, e dove l’output di 1 e 0 (o 0,2; 0,7; 0,9, ecc.) generato dall’algoritmo risolve magicamente il problema aziendale. Non è che input, output e i modelli o algoritmi intermedi non possano contribuire a risolvere un problema di business; è piuttosto che il caso d’uso deve essere prima identificato e strutturato correttamente e che l’output ottenuto deve essere incapsulato in modo da integrarsi in una soluzione complessiva, che a sua volta risolva il problema di business.

La GenAI è soggetta a vincoli simili: bisogna infatti garantire che la soluzione “preconfezionata” (ad esempio un foundation model, come un large language model) possa essere adattata affinché il meccanismo “prompt in / testo out” si comporti come richiesto dal problema di business. Approcci comuni per ottenere questo adattamento includono il prompt engineering e la retrieval augmented generation (RAG), oltre ai vari controlli necessari per rendere il comportamento del modello più prevedibile e ridurre il rischio di risultati indesiderati. Pertanto, così come per la “vecchia AI”, anche l’AI generativa deve essere integrata in una soluzione più ampia.

Allora, cos’è questa soluzione complessiva e come risolve davvero il problema di business? Prima di tutto, però, dobbiamo capire bene qual è il problema e capire se l’AI è lo strumento giusto per affrontarlo, oppure se ci sono altre strade più adatte.

Non possiamo saperlo subito, ma possiamo fare passi concreti per arrivarci: prima di tutto capire il problema di business, parlare con chi è coinvolto e mettere a fuoco come la soluzione si inserisce nella logica aziendale.

Ne parlerò più nel dettaglio, insieme ad alcuni consigli pratici per gestire i progetti di AI, nella serie di articoli che seguirà.