AI vs Generative AI: ma quali sono le differenze?

 

Sembra quasi paradossale catalogare l’AI come conoscevamo fino ad un anno fa come “tradizionale”, “classica” o “standard”, quasi come se ormai si trattasse di qualcosa di comune adozione, dal valore indubbiamente riconosciuto o addirittura obsoleta.

Può essere utile, quindi, provare a tracciare una breve sintesi di ciò che possiamo definire come Intelligenza Artificiale Tradizionale, e confrontarla con la novità della Generativa.

Cerchiamo di capire come la prima opzione non sia vecchia, ma possa aiutarci bene nei processi aziendali con le giuste regole e l'adozione corretta.

È quasi un anno che BID, tramite il percorso del Generative AI HUB, lavora per promuovere la conoscenza e l’adozione consapevole della Generative AI nei contesti aziendali.

Ad oggi, la domanda che viene posta più spesso all’inizio di ogni sessione continua ad essere: che differenza c’è tra l’Intelligenza Artificiale Generativa e quella classica/tradizionale/standard?

In Italia, la maggior parte delle misurazioni sullo stato di adozione del Machine Learning non sono positive. Per avere un'idea, basta pensare a alcuni esempi.

Per molto tempo, l'intelligenza artificiale è stata utilizzata in servizi come il controllo delle frodi con le carte di credito e i sistemi di sicurezza sulle autostrade. Era presente ma non sempre visibile agli utenti. Spesso, tuttavia, ci si trova davanti a prototipi con ottime potenzialità ma con scarsa adozione da parte del business.

In altri casi, non è stata condotta un’adeguata sensibilizzazione sul tema da parte degli utilizzatori finali. In molti casi, abbiamo visto modelli statistici che non producono risultati di qualità a causa dei dati non ottimizzati. Potreste aver sentito frasi come "Garbage in - Garbage out" o "You are what you eat" in conferenze sul tema.

In estrema sintesi, possiamo descrivere l’Artificial Intelligence come la teoria e lo sviluppo di sistemi informatici in grado di svolgere compiti che normalmente richiedono l'intelligenza umana. Il Machine Learning, traducibile come apprendimento automatico, è l'insieme di tecniche matematiche e statistiche che consentono di dare ai computer la capacità di apprendere senza essere esplicitamente programmati. Esso rappresenta una sottocategoria del’AI.

Una delle sotto-branche del ML è il Deep Learning, che consiste nell’utilizzo di Reti Neurali Artificiali per elaborare modelli più complessi rispetto all'apprendimento automatico tradizionale. Il DL a sua volta si può classificare in due filoni:

1.     I modelli discriminativi sono utilizzati per classificare o prevedere. Solitamente, vengono addestrati su un dataset di dati etichettati (label). Questi modelli imparano la relazione tra le caratteristiche dell’osservazione e la label associata.

2.     I modelli generativi, invece, sono in grado di generare nuovi dati che sono "simili" ai dati su cui sono stati addestrati. Questi modelli comprendono la distribuzione dei dati e quanto sia probabile un determinato esempio. Un'applicazione tipica dei modelli generativi è la previsione della parola successiva in una sequenza.

È importante notare che la Generative AI non si limiti esclusivamente al Deep Learning. Sebbene le reti neurali profonde siano comunemente utilizzate per creare modelli generativi, esistono altre tecniche di Machine Learning che possono essere impiegate per generare dati nuovi. Ad esempio, metodi basati su algoritmi evolutivi e altri approcci di apprendimento automatico possono essere utilizzati per scopi generativi.

 

Immagine1

I modelli predittivi sono addestrati utilizzando dati etichettati. Durante il processo di addestramento (training), il modello apprende la relazione tra i dati e le loro etichette. Una volta addestrato, il modello è in grado di prendere nuovi dati, mai visti prima, e prevedere le etichette corrispondenti.

Questo tipo di modello è principalmente utilizzato per attività di classificazione e previsione, dove l'obiettivo è determinare l'etichetta di un dato non etichettato.

Dall'altro lato, i modelli generativi vengono addestrati su contenuti non strutturati. Durante l'addestramento, il modello impara a riconoscere i modelli e le strutture presenti nei dati non etichettati. L'output di un modello generativo non è un'etichetta, ma nuovi dati che assomigliano ai dati di addestramento.

Questo approccio è utilizzato per generare nuovi contenuti, come testi, immagini o suoni, che sono simili a quelli presenti nel dataset di addestramento.

In breve, i modelli predittivi fanno previsioni basate sulla relazione tra dati ed etichette, mentre i modelli generativi creano nuovi contenuti simili ai dati di addestramento.

Immagine2

Un classico esempio di modello predittivo è la previsione della domanda, solitamente adottato o sperimentato nel settore retail. Le aziende del settore possono utilizzare modelli predittivi per analizzare i dati storici delle vendite e prevedere la domanda futura per i loro prodotti. Questo permette di ottimizzare gli inventari, ridurre i costi di magazzino e migliorare la soddisfazione del cliente assicurando che i prodotti più richiesti siano sempre disponibili.

Un altro esempio della stessa famiglia di modelli, nel settore bancario, è l’analisi del rischio di credito. Le banche e le istituzioni finanziarie possono utilizzare modelli predittivi per valutare il rischio di credito dei loro clienti. I modelli predittivi analizzano i dati dei clienti. Possono prevedere se un cliente non rimborsa un prestito. Questo aiuta le istituzioni a prendere decisioni più informate.

Passando ai Modelli Generativi, sono in corso numerose sperimentazioni nel settore Marketing sulla creazione di contenuti personalizzati. Le aziende di marketing possono utilizzare modelli generativi per creare contenuti pubblicitari personalizzati, come testi, immagini o video. Ad esempio, un'azienda può generare descrizioni di prodotti personalizzate in base alle preferenze degli utenti o creare annunci pubblicitari che risuonano meglio con il pubblico di destinazione.

La Generative AI fornisce un supporto anche nel corso dello sviluppo di nuovi prodotti. Nel settore della moda, ad esempio, i modelli generativi possono essere utilizzati per progettare nuovi capi di abbigliamento. Analizzando i dati sulle tendenze passate e le preferenze dei consumatori, questi modelli possono generare nuovi design che hanno maggiori probabilità di essere accettati dai clienti. Questo approccio può accelerare il processo di sviluppo dei prodotti e ridurre i rischi associati al lancio di nuovi prodotti sul mercato.

La Generative AI è una novità affascinante da esplorare, ma dobbiamo considerare le limitazioni e i rischi legati a questa tecnologia emergente.

È importante considerare alcune limitazioni della Generative AI: la qualità dei contenuti generati può variare e spesso è necessario un intervento umano per assicurare precisione e affidabilità. Inoltre, l'uso di questa tecnologia solleva questioni etiche, come il rischio di creare deepfake o manipolare informazioni in modo ingannevole.

Ecco per concludere alcuni spunti per non correre il rischio di adottare soluzioni di scarso valore aggiunto per ottenere il semplice effetto “wow”:

  • Tener conto dell’output non deterministico – Per soluzioni che richiedono scelte deterministiche meglio affidarsi al caro “vecchio” Machine Learning
  • “Human in the loop” – L’uomo è indispensabile per valutare l’accuratezza e per la validazione. Non si tratta di un rimpiazzo, ma di un affiancamento.
  • Valutare la componente creativa – Che ruolo ha la creatività all’interno della practice dove sto implementando l’asset?
  • Discriminare hype da outcome – Valutare i costi ed il valore portato dall’asset implementato
  • Proporzionalità tra GenAI e Maturità Digitale – La practice interessata adotta metodologie MLOps? Opera in regime di CI/CD?

Vuoi approfondire questi temi?