L’intelligenza artificiale generativa (GenAI), l’apprendimento automatico (ML) e i modelli linguistici di grandi dimensioni (LLM) stanno diventando sempre più importanti per le imprese moderne, ma ottenere un valore misurabile dall’intelligenza artificiale è ancora una sfida. Parte del problema è che un modello di intelligenza artificiale ben addestrato si basa su una grande quantità di dati e, per molte aziende, l’organizzazione e l’utilizzo di tutti i dati le rallenta ogni giorno. Per massimizzare il valore dell’intelligenza artificiale, le aziende devono garantire che il proprio stack di dati sia ben organizzato. Se un'azienda è in grado di consolidare le origini dati, è molto più semplice creare casi d'uso preziosi per l'intelligenza artificiale generativa. Ecco alcuni esempi che già oggi aggiungono valore.

L'intelligenza artificiale nello sviluppo di software e nella scienza dei dati

Per quanto riguarda gli LLM, GPT-4 è un generalista impressionante, con un'ampia conoscenza di argomenti che spaziano dalla storia del mondo alla programmazione informatica, alla cucina mediorientale e oltre. Ciò non sorprende, poiché è stato in gran parte formato su pagine Web recuperate da Internet. Ma ciò di cui la maggior parte delle aziende ha bisogno sono modelli specializzati focalizzati sul proprio mercato verticale, formati sui propri dati interni, non su Internet. Il post sull'a16z Di cosa parlano i costruttori quando parlano di intelligenza artificiale ha spiegato come le aziende non abbiano davvero bisogno di più chatbot. Le aziende hanno bisogno di GPT in grado di fornire informazioni efficienti con elevata accuratezza e precisione. Non importa se l’intelligenza artificiale può riassumere Shakespeare: importa se può prevedere con precisione quale potrebbe essere il valore della vita di un potenziale cliente.

Ali Ghodsi di Databricks ha osservato che i suoi clienti "vogliono avere modelli specializzati che siano più economici, più piccoli e abbiano precisione e prestazioni davvero elevate". Per qualcosa come la produzione che richiede estrema precisione, è meglio addestrare un modello più piccolo su un set di dati specializzato e specifico del dominio. Di conseguenza, il modello risultante sarà più veloce, più economico e più accurato. 

Con un set di dati più completo, stiamo vedendo come le aziende possono prototipare nuovi software e iterarli rapidamente. Noi usiamo IA generativa presso la mia azienda per contribuire a creare prototipi di connettori che facilitano lo spostamento dei dati da app cloud, database, streaming di dati e applicazioni aziendali, che confluiscono tutti in un data warehouse o data lake. La creazione di connettori per nuove applicazioni SaaS può essere complessa quando le piattaforme e lo schema cambiano così rapidamente. Utilizzando GPT-4, siamo stati in grado di rendere operativo un cliente mentre svolgevamo il lavoro a lungo termine per creare connettori robusti e completi di funzionalità. 

Intelligenza istantanea

Uno dei casi d'uso che trovo affascinante è il modo in cui GenAI viene utilizzato per la ricerca e il riepilogo. Ogni grande azienda dispone di più repository di dati, da Atlassian a Slack, da Sharepoint a Teams o Google Drive e Gmail. Oppure un mix di tutto quanto sopra. E per la maggior parte, queste enormi risorse di conoscenza organizzativa sono ancora in gran parte inutilizzate. Ciò cambierà presto, poiché le aziende riconoscono il vantaggio competitivo di attingere a questi dati e sfruttarli utilizzando l’intelligenza artificiale. La generazione aumentata di recupero (RAG), che consente agli LLM di recuperare fatti da fonti esterne come documenti interni o Internet, è uno sviluppo entusiasmante su cui dobbiamo ancora sfruttare appieno.

Insieme a queste app aziendali, esistono repository specifici del dominio, come la cronologia degli scambi presso una società finanziaria o gli ordini al dettaglio e i profili dei clienti che devono essere integrati nel set di dati di formazione. La formazione di un LLM può rendere molto semplice porre domande in un inglese semplice in grado di scoprire informazioni dall'intero stack di dati di un'organizzazione. Ma questi dati devono prima essere organizzati e categorizzati in modo che la formazione possa dare un senso a tutto, e più dati sono disponibili, migliori saranno i risultati della formazione. 

Questo problema è particolarmente impegnativo in un ambiente di acquisizione dei dati di modifica, quando i dati finanziari o sulle transazioni arrivano 24 ore su 24 e vengono costantemente aggiornati. Quando gli schemi dei dati cambiano, i dati possono essere categorizzati in modo errato o addirittura persi nell'etere. Se il LLM aiuterà ad automatizzare le cose, a creare nuove idee di prodotto o a fare brainstorming su nuovi concetti, deve essere aggiornato. Sfortunatamente, molte aziende hanno difficoltà a raccogliere i dati in un unico posto.

L'intelligenza artificiale potenzia i ruoli e facilita la collaborazione 

Da molto tempo c'è bisogno di ingegneri software entry-level in grado di scrivere codice di base, senza concentrarsi sul quadro più ampio dell'architettura dei dati e dei modelli di progettazione, sull'integrazione con altre piattaforme o sulla progettazione di un sistema per le massime prestazioni.

Come ha affermato Dylan Field di Figma, “I migliori designer stanno iniziando a pensare molto di più al codice, e i migliori sviluppatori stanno pensando molto di più al design”. GenAI sta consentendo a queste persone di entrare nei reciproci domini tradizionali e aggiungere valore: ciò renderà lo sviluppo molto più veloce. Nel frattempo, gli sviluppatori intelligenti stanno studiando modelli di progettazione dei sistemi nel tentativo di salire più in alto nella catena del valore.

In definitiva, la fusione tra intelligenza artificiale generativa, modelli linguistici di grandi dimensioni e apprendimento automatico trasformerà le operazioni aziendali. Dallo sviluppo del software alla strategia di marketing, l’intelligenza artificiale generativa avrà un impatto drammatico creando nuovo codice, prototipando idee e abbattendo i silos tra progettisti e programmatori, senza divulgare dati proprietari. La chiave sta nel bilanciare la versatilità dell’intelligenza artificiale con le basi essenziali della gestione dei dati. Se riusciamo a mantenere i dati sottostanti centralizzati e integrati, possiamo dare il via a questa nuova era tecnologica per rendere le persone più produttive e le imprese più efficaci.

• Distribuzione di contenuti basati su SEO e PR. Ricevi amplificazione oggi.
• PlatoData.Network Generativo verticale Ai. Potenzia te stesso. Accedi qui.
• PlatoAiStream. Intelligenza Web3. Conoscenza amplificata. Accedi qui.
• PlatoneESG. Carbonio, Tecnologia pulita, Energia, Ambiente, Solare, Gestione dei rifiuti. Accedi qui.
• Platone Salute. Intelligence sulle biotecnologie e sulle sperimentazioni cliniche. Accedi qui.
• Fonte: https://www.dataversity.net/generative-ai-challenges-and-opportunities-for-modern-enterprises/