Generative AI o AI classica? Come implementarle in azienda

Quali sono le opportunità offerte dall’AI classica e dall’AI generativa? Come scegliere la tecnologia giusta al contesto applicativo e come assicurare una corretta implementazione?

Questi sono stati i temi al centro dell’ultimo appuntamento con LEF Operations Talks dedicato alla dicotomia tra AI classica e intelligenza artificiale generativa.

L’evento, condotto da Lorenzo Giacomini, Key Account Manager di LEF, ha riunito un panel di esperti per esplorare scenari, tecnologie e casi applicativi:

• Federico Biasutti, consulente LEF, ha fornito una panoramica strategica dei due macrofiloni dell’AI
• Cristian Fiorot, CEO di Alea AI Agency, ha guidato i partecipanti attraverso le potenzialità e le modalità di implementazione dell’AI generativa in azienda
• Carlo Tasso, docente di Sistemi di Elaborazione dell’Informazione all’Università degli Studi di Udine, ha offerto una prospettiva approfondita sull’AI classica, illustrando come rigore e metodo siano fondamentali per costruirne l’impatto.

Prima di vedere quali sono i vantaggi offerti dall’AI (sia classica che generativa) e come orientarsi nella scelta del giusto strumento è cruciale capire le differenze tra le due tecnologie.

AI, Gen AI, Machine Learning e Deep Learning: cosa sono e qual è la differenza

L’intelligenza artificiale (AI) rappresenta l’abilità di una macchina di simulare capacità umane come il ragionamento, l’apprendimento, la pianificazione e la creatività.

All’interno dell’ampio campo dell’intelligenza artificiale si trovano il Machine Learning (ML) e il Deep Learning. Il Machine Learning è un paradigma in cui le macchine apprendono dai dati, ricavando informazioni e simulando il comportamento umano. Un esempio è un sistema che, analizzando i dati dei sensori di un impianto industriale, può prevedere la quantità di materiali necessari a magazzino o la durata di un componente.

Il Deep Learning è un sottoinsieme del Machine Learning che simula i processi cognitivi umani utilizzando algoritmi sofisticati basati su reti neurali e neuroni artificiali. Questi modelli possono elaborare formati complessi come le immagini, ad esempio per classificare difetti in pezzi industriali, dopo aver appreso da numerosi esempi.

La Generative AI (Gen AI) è un sistema che, avendo appreso da una vasta quantità di dati, è in grado di creare contenuti originali. Ad esempio, può generare immagini realistiche basate su descrizioni testuali, come un componente meccanico lavorato per tornitura e fresatura, non come un rendering ma come un’immagine creata ex novo.

Storia dell’evoluzione dell’AI

La tendenza umana a cercare di sostituire lo sforzo fisico e intellettuale con artefatti ha radici antiche, con riferimenti a figure come Talos nel 700 a.C. e gli automi idraulici di Al-Jazari.

L’informatica moderna, tuttavia, prende il via nel 1854 con l’algebra booleana, un sistema di logica matematica basata sui valori 1 e 0 che ha gettato le basi per il funzionamento dei computer odierni.

Un passo fondamentale è stata la presentazione, nel 1943, della teoria del neurone artificiale di McCulloch e Pitts, un elemento chiave su cui si basano molti strumenti attuali, inclusi quelli come ChatGPT, che utilizzano le reti neurali.

Il termine “intelligenza artificiale” è stato coniato ufficialmente nel 1956 durante la Conferenza di Dartmouth. Questo evento ha segnato l’inizio di un periodo che, tuttavia, ha visto un “inverno dell’AI” a causa della mancanza di strumenti hardware adeguati per realizzare le potenzialità della tecnologia.

La ripresa si è avuta nel 1997 con la vittoria del computer Deep Blue di IBM contro il campione di scacchi Kasparov, un evento significativo ma non quanto la sconfitta di Lee Sedol a Go da parte di AlphaGo nel 2016. In questa occasione, infatti, ci si è iniziati a interrogare sulle capacità di un sistema di poter mostrare creatività, un attributo ritenuto esclusivo dell’uomo.

Dal 2022, con il rilascio di ChatGPT, si è assistito a una corsa continua tra i principali attori tecnologici per il lancio di modelli sempre più performanti. Questo ha reso il mondo dell’AI un settore in rapidissima evoluzione, con innovazioni che si susseguono di settimana in settimana.

Settori in cui l’AI trova utilizzo

Le tecnologie basate sull’intelligenza artificiale, inclusi il Deep Learning e il Machine Learning, trovano applicazione in una vasta gamma di settori.

Nella sanità gli algoritmi di AI possono analizzare radiografie e documenti medici, supportando la diagnosi e superando in alcuni casi le performance umane nel riconoscimento delle malattie.

Nel settore finanziario, l’AI è impiegata per identificare movimenti sospetti e rilevare frodi, cogliendo correlazioni nei dati che sfuggirebbero all’analisi tradizionale.

Nel commercio al dettaglio, sistemi basati sull’AI come quelli di Amazon suggeriscono prodotti ai clienti, categorizzando gli utenti in gruppi e offrendo raccomandazioni personalizzate basate sui loro acquisti.

Tr a le applicazioni nel settore manifatturiero vi è la manutenzione predittiva, vale a dire la capacità di individuare prontamente, grazie agli algoritmi di AI, anomalie che potrebbero significare il malfunzionamento o l’usura di un componente. Grazie a questa capacità di rilevamento in tempo reale le aziende possono intervenire prima che si verifichi il guasto, evitando fermi macchina improvvisi, ottimizzando la gestione degli interventi di manutenzione e delle scorte.

Anche in agricoltura si fa largo uso dell’AI, ad esempio per identificare precocemente malattie nelle piante o per gestire in modo ottimale l’irrigazione, correlando l’umidità del terreno con le previsioni meteo per massimizzare la resa e minimizzare lo spreco di risorse.

Come implementare l’AI Generativa in azienda

L’introduzione dell’Intelligenza Artificiale Generativa in un contesto aziendale richiede un approccio strutturato e consapevole per massimizzarne i benefici.

1. Da dove iniziare: approccio strategico e individuazione degli ambiti

Il punto di partenza è un’attenta valutazione strategica: è fondamentale individuare le opportunità reali di applicazione della Gen AI e stabilire priorità, concentrandosi inizialmente sugli ambiti che offrono il miglior rapporto costi-benefici.

Un passo imprescindibile alla buona riuscita del progetto è l’analisi dei flussi di lavoro più ricorsivi, a minore valore aggiunto e caratterizzati da elevata manualità – ideali per l’automazione tramite Gen AI per la creazione di contenuti – all’interno di dipartimenti come marketing, servizio clienti, vendite, produzione, risorse umane e qualità.

2. Sviluppare un progetto pilota

Una volta identificato l’ambito, il passo successivo è lo sviluppo di un progetto pilota su scala ridotta.

Questa fase sperimentale consente di testare il funzionamento dell’applicazione Gen AI, imparare dalle prime implementazioni e raccogliere feedback dai team coinvolti. È cruciale misurare i benefici ottenuti in termini di tempo, qualità e produttività.

3. Formazione del personale

Ma affinché il progetto abbia successo è imprescindibile investire nella formazione dei dipendenti, attraverso l’organizzazione di workshop per insegnare come scrivere prompt efficaci e l’educazione sui rischi legati alla privacy e ai dati.

È altresì importante strutturare policy aziendali sull’utilizzo dell’AI, definendo buone pratiche su come l’AI debba produrre output e quali termini usare nei prompt.

4. Espansione graduale dell’uso

Superata la fase pilota, l’uso dell’AI può essere gradualmente esteso all’intera organizzazione, coinvolgendo sia nuovi flussi di lavoro che più persone.

In questa fase, è necessario continuare a valutare i risultati tramite metriche specifiche, espandere l’uso dell’AI ad altri reparti e processi e considerare integrazioni su misura con i sistemi aziendali esistenti.

Consigli pratici per l’uso efficace dell’AI Generativa

Per un utilizzo efficace della Gen AI, è fondamentale tenere a mente alcuni aspetti pratici.

Prompt chiari e contestuali

I prompt, ovvero le istruzioni fornite all’AI, devono essere chiari, contestuali e orientati all’obiettivo. È utile adottare tecniche di miglioramento progressivo del prompt, ad esempio assegnando all’AI un ruolo specifico (“Immagina di essere il responsabile di produzione…”) o persino chiedendo all’AI stessa come formulare un prompt efficace.

È importante saper guidare l’output dell’AI in termini di tono, formato, stile e vincoli, garantendo coerenza con la comunicazione aziendale.

Come usare la GenAI in processi creativi

L’AI non trova impiego unicamente nell’automazione di compititi ripetitivi. Uno delle caratteristiche rivoluzionaria dell’AI Generativa è infatti quella di poter essere impiegata anche in compiti creativi come per generare idee alternative che arricchiscano il processo.

Ad esempio, in una sessione di brainstorming, si potrebbe chiedere all’AI di generare una serie di idee o prospettive diverse su un determinato argomento o problema. L’AI, attingendo alla vasta mole di dati su cui è stata addestrata, può proporre soluzioni o associazioni di concetti che un essere umano potrebbe non considerare immediatamente, arricchendo così il processo di ideazione.

Liberare questo potenziale richiede un uso “interattivo” dell’AI. Invece di chiedere semplicemente all’AI una risposta diretta, si può impostare la domanda in modo che l’AI sia costretta a “ragionare” o a esplorare diverse angolazioni di un problema.

Ad esempio, un’azienda potrebbe chiedere all’AI di analizzare una specifica dinamica di mercato o un problema interno (come un calo di produttività), non per ottenere una soluzione definitiva, ma per stimolare la riflessione.

L’AI può offrire analisi, porre domande inaspettate o evidenziare punti critici che aiutano il team a interrogarsi più a fondo sulla situazione, a vedere il problema da nuove prospettive e a formulare strategie più robuste.

In pratica, l’AI diventa uno strumento per affinare il pensiero critico e decisionale umano, piuttosto che sostituirlo.

Controllare sempre l’output degli strumenti di Generative AI

È indispensabile valutare e verificare sempre la qualità, la coerenza e l’affidabilità dei contenuti generati, controllando fonti, dati, calcoli e affermazioni, e chiedendo all’AI come è giunta a una determinata conclusione.

La capacità di distinguere tra ciò che è utile e ciò che è fuorviante e di integrare l’output dell’AI con le proprie competenze umane è cruciale.

Essere consapevoli dei limiti e delle criticità legate all’uso dell’AI

È fondamentale essere consapevoli dei limiti legali ed etici dell’AI e definire buone pratiche da condividere con i colleghi attraverso la formazione.

Soprattutto, è essenziale non delegare completamente la propria creatività e il proprio genio all’AI, ma utilizzarla come amplificatore delle proprie qualità e capacità.

Come l’AI supporta i professionisti aziendali

L’implementazione dell’intelligenza artificiale in azienda offre benefici significativi, in particolare nel potenziare le capacità dei team e dei singoli individui.

Uno studio della Harward Business School ha dimostrato che una persona che utilizza l’AI performa meglio di un intero team che non ne fa uso. Questo suggerisce che l’AI non solo ottimizza l’efficienza, ma può anche elevare il livello delle prestazioni individuali e collettive.

Un aspetto particolarmente interessante è la capacità dell’AI di favorire la produzione di output multidisciplinari, cioè di permettere a una persona, anche se priva di competenze specifiche in un determinato campo tecnico, di generare un risultato di elevata qualità tecnica.

Ad esempio, un commerciale può produrre un report con un livello di dettaglio tecnico paragonabile a quello di un esperto di ricerca e sviluppo. L’AI agisce come un assistente che colma le lacune di conoscenza, permettendo al professionista di concentrarsi sulla propria area di competenza primaria mentre l’AI fornisce il supporto specialistico necessario.

In questo modo l’AI non solo permette di incrementare la produttività, ma promuove anche una maggiore versatilità all’interno dei team, consentendo alle persone di affrontare compiti che tradizionalmente avrebbero richiesto competenze diverse o la collaborazione di più specialisti.

Generative AI o AI “tradizionale”? Come scegliere la tecnologia giusta per il contesto applicativo

Nei progetti aziendali mirati all’adozione dell’AI, uno dei primi dubbi è la scelta della giusta tecnologia: quando si può optare sull’AI generativa e quando invece è meglio affidarsi all’AI “tradizionale”?

Entrambe le traiettorie offrono un vasto ventaglio di opportunità, ma la chiave per un’adozione efficace risiede nella comprensione delle loro differenze e nell’allineamento con gli obiettivi specifici di ciascun progetto aziendale.

L’AI tradizionale, fondata su logiche predittive e sull’elaborazione strutturata dei dati, ha come scopo principale analizzare, classificare o prevedere risultati specifici. Apprende da schemi definiti, basati su regole predefinite o dati etichettati, e l’output che produce consiste in risposte specifiche, classificazioni, valori o punteggi numerici.

Questa tipologia di AI richiede spesso dati strutturati o etichettati per l’addestramento e, sebbene la sua modellazione sia meno complessa, può necessitare di maggiore “engineering manuale”.

La Gen AI, d’altra parte, si distingue per la sua capacità di creare contenuti originali, automatizzare attività cognitive e potenziare il lavoro intellettuale. Si basa su modelli di apprendimento avanzati, addestrati su enormi quantità di dati, ma è caratterizzata da una prontezza all’uso che non richiede all’utilizzatore di eseguire il training dei modelli.

La Gen AI apprende da distribuzioni complesse presenti in grandi dataset, anche non strutturati o non etichettati, per generare nuovi campioni simili. Il risultato sono contenuti creativi e coerenti, non presenti nei dati di training. La sua complessità risiede in modelli più sofisticati con capacità emergenti.

La scelta tra le due tipologie di AI dipende intrinsecamente dalla natura del problema che si intende risolvere. Se l’obiettivo è analizzare grandi volumi di dati per identificare pattern, fare previsioni o classificazioni precise – come nel rilevamento di frodi finanziarie o nella manutenzione predittiva – l’AI tradizionale è spesso la soluzione più appropriata.

Se invece l’esigenza è generare nuovi contenuti, automatizzare processi creativi o simulare la creatività umana – come nella creazione di testi di marketing, prototipi di prodotti o risposte per assistenti virtuali – la Gen AI si rivela la tecnologia ideale.

Spesso, per progetti complessi e ad alto impatto, una combinazione sinergica delle due tecnologie può offrire i risultati migliori.

Quando preferire l’AI tradizionale a quella generativa? Alcuni esempi

L’AI classica è la scelta privilegiata per problemi che richiedono un’analisi approfondita dei dati, previsioni precise, classificazione o ottimizzazione, in particolare quando si lavora con dati interni e specifici.

Carlo Tasso, Professore ordinario di Sistemi di Elaborazione dell’Informazione
all’Università degli Studi di Udine, ha presentato alcuni casi d’uso dove questi vantaggi dell’AI tradizionale hanno orientato la scelta.

Un ambito cruciale dove l’AI tradizionale si configura come scelta più vantaggiosa è il forecasting e la manutenzione predittiva. Il laboratorio del Professor Tasso ha sviluppato algoritmi per prevedere guasti o anomalie in sistemi complessi, utilizzando dati di turboreattori della NASA.

L’AI classica, attraverso la costruzione di modelli specifici, è in grado di prevedere andamenti futuri con alta precisione. Questa capacità di previsione su dati interni o in tempo reale non trova un corrispettivo pronto all’uso nei modelli di AI Generativa, rendendo l’AI classica l’approccio necessario.

Altro esempio è la previsione della qualità dell’aria, dove modelli predittivi sono stati creati per stimare il contenuto di PM 2.5 nelle ore successive, basandosi su dati raccolti da centraline e serie storiche meteorologiche.

L’AI classica trova applicazione anche nelle previsioni dei flussi turistici. Ad esempio, all’aeroporto di Trieste l’analisi di dati storici sugli arrivi, presenze alberghiere, eventi regionali e persino le ricerche Google, elaborati da una rete neurale profonda permette di fare previsioni future sugli arrivi.

Nel settore alimentare l’AI classica trova impiego in molteplici applicazione, come nella stima delle quantità di vendita. Attraverso l’analisi di serie storiche di dati amministrativi e qualitativi sui prodotti, un modello di AI classica è stato in grado di prevedere le quantità di vendita per nuove proposte di prodotto, basandosi sulla conoscenza acquisita da pattern interni all’azienda.

Per il manifatturiero il professor Tasso ha presentato due casi significativi:

• applicazione dell’AI classica per l’analisi dei dati per stufe industriali ha permesso di riconoscere andamenti particolari nei dati operativi, trasmessi in tempo reale da sensori, per identificare guasti o utilizzi impropri
• l’ottimizzazione del settaggio di impianti complessi, come i rulli per la lavorazione del metallo, ha visto l’applicazione di tecniche di data science su anni di dati storici. Nonostante l’assenza di dati etichettati, l’AI classica ha permesso di analizzare gli andamenti e fornire i settaggi ottimali per lavorazioni specifiche.

Nella visione artificiale l’AI classica è stata impiegata per il riconoscimento di anomalie su immagini, come annerimenti su uno schermo o imperfezioni del manto stradale da telecamere montate su veicoli.

In un caso specifico di riconoscimento di annerimenti, dove i dati erano scarsi, è stata utilizzata l’AI Generativa per creare migliaia di immagini sintetiche del difetto, arricchendo così il dataset di addestramento per l’AI classica e migliorando significativamente i risultati.