I quattro casi d’uso essenziali dell’IA

Sebbene il clamore intorno a ChatGPT sia relativamente recente, le conversazioni sulla potenza delle reti neurali e dell'apprendimento automatico certamente non lo sono: nel 2016, il New York Times ha pubblicato un articolo intitolato The Great AI Awakening. Descriveva come, sebbene le reti neurali esistessero da decenni, non avevano mai trovato un uso commerciale diffuso, fino ad ora. Nel 2017, Google ha pubblicato l'ormai celebre articolo Attention is All You Need, che ha introdotto la rivoluzionaria architettura transformer.

Tuttavia, nonostante queste pubblicazioni, i noi del 2017 resterebbero comunque sbalorditi di fronte a tutti i progressi fatti nell'IA nel 2024. (Il mercato globale dell'intelligenza artificiale vale già più di 150,2 miliardi di dollari.) E se i prossimi sei anni saranno come gli ultimi sei, vivremo in un mondo molto diverso nel 2030.

Allora, cos'è cambiato?

Ebbene, ci sono stati molti progressi, tra cui i miglioramenti nell'hardware delle GPU, l'introduzione di potenti modelli transformer pre-addestrati come BERT, un'esplosione "cambriana" della comunità open source dell'IA su HuggingFace e nuove scoperte nella biologia come AlphaFold. Ma il progresso più importante di tutti, e il motivo per cui leggi quotidianamente di IA sulla stampa, è stata l'ascesa dell'IA generativa, e in particolare di modelli linguistici di grandi dimensioni come ChatGPT.

"IA generativa" indica semplicemente i modelli d'intelligenza artificiale che generano elementi, come testo o immagini. Non è una novità di per sé: le reti generative avversarie (predecessori di modelli di generazione di immagini come Midjourney e Stable Diffusion) sono state inventate da Ian Goodfellow nel 2014. E i modelli linguistici autoregressivi, come GPT-1 e GPT-2, esistono da ancora più tempo.

La novità è la scala di questi modelli, così come la loro procedura di addestramento: l'aumento delle dimensioni di questi modelli li ha resi molto più intelligenti e flessibili, ma forse la cosa più importante è che ha in gran parte ovviato alla necessità di grandi set di dati di addestramento.

Ad esempio, chi nel 2017 voleva sviluppare un modello per determinare l'intento di un utente quando parlava con un chatbot, doveva addestrare questo modello su decine di migliaia di messaggi di esempio, il che significa etichettare decine di migliaia di messaggi, un'operazione che richiede tempo e denaro. Ma nel 2024, basta "chiedere" a ChatGPT l'attività da svolgere, descrivendola come faresti con un altro essere umano, ed eseguirà semplicemente l'attività in base alle tue istruzioni.

La capacità di suggerire semplicemente anziché addestrare, insieme a enormi miglioramenti in termini di intelligenza e coerenza, rende gli LLM un punto di svolta per aziende e consumatori. Rende possibili cose che solo pochi anni fa sarebbero state considerate fantascienza. Usata correttamente, ha il potenziale per creare un enorme valore per l'economia e, cosa ancora più importante, migliorare realmente la vita delle persone. Ma affinché ciò accada, dobbiamo comprendere l'intelligenza artificiale: i suoi punti di forza e i suoi limiti; come usarla in modo responsabile ed efficace.

In questa guida, approfondiremo ciò che i dirigenti d'azienda devono sapere sui casi d'uso essenziali dell'IA e su come l'IA influenzerà la loro organizzazione.

Quattro casi d'uso essenziali

Parlare di casi d'uso per l'IA nel 2024 è un po' come parlare di casi d'uso per il computer nel 1970. Se, nel 1970, si fosse cercato di spiegare i potenziali casi d'uso dei computer, gli esempi si sarebbero limitati all'eseguire calcoli matematici su grandi serie di dati o creare un database per l'inventario di un'azienda.

Ma, ovviamente, questo avrebbe sminuito i computer: il loro uso va ben oltre il semplice fare i conti o tenere traccia dell'inventario. I computer sono presenti in ogni aspetto della nostra vita e oggi li usiamo per molte cose che nel 1970 sarebbero state del tutto inimmaginabili. L'IA sembra destinata a rappresentare un cambiamento di piattaforma tanto significativo quanto il personal computer, gli smartphone o Internet, laddove arriverà a pervadere ogni aspetto delle nostre attività e delle nostre vite proprio come hanno fatto quelle tecnologie.

Quindi, sebbene identificare casi d'uso concreti sembri quasi sciocco o limitante, sono un punto di partenza importante, soprattutto perché molte organizzazioni fanno fatica a capire dove si inserisce questa tecnologia e a cosa può servire. Inoltre, separare i diversi casi d'uso ci consente di prendere decisioni migliori sui rischi che, a seconda dei casi d'uso, sono molto diversi.

Per ogni caso d'uso, illustreremo esempi di applicazioni, le tecnologie e gli algoritmi specifici su cui si basa, come funziona il coinvolgimento umano e cosa cambia ora con lo sviluppo dell'IA generativa.

IA come assistente creativo

Il primo caso d'uso è l'utilizzo dell'intelligenza artificiale come assistente creativo. In questo caso, l'IA aiuta i dipendenti creativi di alto livello fornendo suggerimenti, recuperando informazioni e supportando l'output. Alcuni di noi lo fanno già spesso sotto forma di GitHub Copilot o ChatGPT.

Ad esempio, per un product manager, Copilot può aiutare a completare automaticamente o addirittura a scrivere codici in base alle istruzioni fornite. ChatGPT invece può servire come una sorta di sostituto di StackOverflow, aiutando a eseguire il debug e a risolvere nuovi problemi (molto più rapidamente che leggendo la documentazione). Questi due prodotti stanno già portando a un aumento della produttività in questo e in altri campi.

CoPilot è un assistente creativo specifico per gli sviluppatori, ma in futuro ogni settore e applicazione avrà probabilmente una qualche forma di assistente creativo incorporato. Esistono già diversi altri assistenti basati sull'IA che stanno emergendo per altri settori, comeJasper e Copy AI per il copywriting, o UIZard e Galileo per la progettazione di interfacce utente. Inoltre, molti prodotti software come Notion e Microsoft Office stanno iniziando a integrare gli assistenti IA direttamente nei loro prodotti.

Quest'anno, probabilmente vedremo emergere altri assistenti creativi specifici del settore per campi come diritto, medicina, intrattenimento, pubblicità, università e finanza. Qualche esempio specifico:

• Gli assistenti creativi in ambito giuridico possono aiutare gli avvocati a redigere fascicoli e contratti, individuando e riassumendo rapidamente i casi rilevanti. Spesso, l'assistente scriverà la prima bozza e gli avvocati l'adatteranno se necessario.
• Nel settore medico gli assistenti creativi potrebbero aiutare i dottori a fare una diagnosi dei pazienti sulla base di una serie scritta di sintomi o a scrivere lettere per le compagnie assicurative come sta già facendo questo medico.
• Nel settore dell'intrattenimento, gli assistenti creativi possono aiutare gli sceneggiatori a generare nuove idee per gli episodi televisivi e persino a scrivere le prime bozze dei dialoghi.
• Gli assistenti di creazione pubblicitaria aiuteranno a scrivere le prime bozze di pubblicità o altri testi pubblicitari in base a un prompt. Saranno anche in grado di creare immagini o addirittura interi video.
• Gli assistenti creativi accademici possono aiutare i professori a scrivere articoli citando e riassumendo la letteratura pertinente.
• Gli assistenti di creazione finanziaria potranno aiutare i banchieri a compilare complicate formule Excel nei loro modelli e a riassumere i dati di mercato rilevanti.

Queste applicazioni sono davvero possibili solo grazie all'IA generativa e agli LLM. Ad eccezione di Clippy, questa categoria di prodotti essenzialmente non esisteva prima del 2022, ma da allora abbiamo assistito a un'esplosione di nuove startup. Prima degli LLM, i modelli di intelligenza artificiale semplicemente non erano abbastanza intelligenti o polivalenti da fornire molto aiuto in ambiti creativi complessi.

Quando si utilizza l'IA come assistente creativo, l'essere umano ha ancora il pieno controllo. L'IA fornirà suggerimenti, presenterà/sintetizzerà informazioni rilevanti o proverà a scrivere una prima bozza. Ma l'ultima parola spetta comunque all'essere umano, solitamente un esperto del proprio settore, che può accettare, rifiutare o modificare i suggerimenti dell'IA.

Nel complesso, questo caso d'uso ha il potenziale per rendere molto più efficienti gli operatori intellettuali. Il personale la sfrutta, senza esserne sostituito, con un rischio minimo.

L'IA come outsourcing dei processi aziendali

Il secondo caso d'uso riguarda l'utilizzo dell'IA per automatizzare i processi aziendali. Questo è simile al modo in cui molte aziende automatizzano alcuni processi routinari e altamente ripetitivi affidandoli ad altre aziende e ad altri paesi (da qui "outsourcing dei processi aziendali").

Nei prossimi anni un gran numero di processi aziendali saranno destinati all'automazione. Molte di queste attività sono complesse e specifiche per ogni singola azienda, per cui è difficile prevedere esattamente come si concretizzeranno.

Tuttavia, alcuni esempi specifici potrebbero includere...

• Utilizzo dell'IA per identificare e colmare le lacune nelle prestazioni dell'assistenza clienti
• La codifica medica, che è il processo di traduzione di diagnosi e procedure in codici medici standardizzati e costa all'economia statunitense più di 400 miliardi di dollari l'anno, secondo uno studio del 2016
• AML (Anti-Money Laundering - lotta al riciclaggio di denaro) e KYC (Know-Your-Customer - la conoscenza del cliente) designano il processo di due diligence da parte degli istituti finanziari nei confronti di clienti nuovi ed esistenti

Naturalmente, ormai da molti anni è possibile automatizzare le attività utilizzando l'IA e l'apprendimento automatico e spesso i modelli ML più vecchi sono lo strumento giusto per questo compito. Tuttavia, gli LLM alzano significativamente il livello di ciò che può essere automatizzato, riducendo allo stesso tempo le barriere tecniche. Gli LLM non sono solo in grado di scrivere, possono anche ragionare, prevedere e classificare. Ciò significa che possono essere utilizzati per automatizzare un'ampia varietà di attività, non solo quelle che implicano la scrittura.

La sfida dell'outsourcing completo di un processo all'IA è che non c'è più un essere umano direttamente coinvolto. Ciò significa che i requisiti di precisione diventano molto più elevati e sono necessarie ulteriori misure di protezione per monitorare e riaddestrare il modello nel tempo. Uno dei modi migliori per limitare il rischio è affinare o supervisionare il modello, il che significa addestrarlo su molte migliaia o milioni di esempi dell'attività, invece di utilizzare l'apprendimento zero-shot, in cui semplicemente vengono fornite all'intelligenza artificiale istruzioni scritte. Più esempi si hanno, più accurato diventa il modello, riducendo al minimo il rischio di previsioni errate.

Ma il rischio zero non esiste. Nel valutarlo, tuttavia, è importante chiedersi sempre quale può essere l'alternativa, che di solito consiste nel far continuare gli umani a svolgere una data attività. Gli esseri umani hanno l'inconveniente di essere costosi e lenti, ma se rappresentano l'opzione più precisa o più sicura, il costo è giustificato. Tuttavia, gli esseri umani non rappresentano sempre l'opzione più accurata o più sicura.

Pertanto, la domanda non dovrebbe essere "L'IA può farlo perfettamente?", ma piuttosto "L'IA migliora lo status quo?" e in molti casi la risposta sarà "sì".

Il risultato più immediato sarà il lavoro di back-office altamente ripetitivo nell'economia dell'informazione. È importante sottolineare che l'IA ha ancora difficoltà a trovare applicazioni nel mondo fisico, come evidenziato dalla sorprendente mancanza di adozione di auto a guida autonoma negli ultimi dieci anni. Si scopre che è estremamente difficile far interagire l'IA con il mondo fisico in modo sicuro e prevedibile.

Ci vorrà molto tempo prima di avere idraulici, chef o agricoltori sostituiti dall'intelligenza artificiale. Ma i codificatori medici intelligenti? O gli analisti del KYC? O gli assistenti legali? Questi sono proprio dietro l'angolo e sarà dovere di ogni azienda automatizzare questo tipo di lavoro manuale e meccanico. Non solo farà risparmiare enormi quantità di denaro, ma libererà il personale da alcuni dei compiti più ingrati e meno gratificanti. Questa forma di IA probabilmente sostituirà molti lavori: non facciamo un favore a nessuno facendo finta che non sia così, ma sono lavori che, in definitiva, non ci mancheranno.

IA come esperienza digitale

Un terzo caso d'uso riguarda l'utilizzo dell'IA per creare o potenziare le esperienze digitali. (Il termine "esperienza digitale" impiegato in senso lato per definire "qualsiasi punto di contatto tra un'azienda e i suoi utenti finali"). In sostanza, l'IA è un mezzo attraverso il quale l'utente interagisce con un'azienda o utilizza i suoi servizi.

Questo caso d'uso è già ben consolidato e molte persone interagiscono ormai da anni con esperienze digitali basate sull'intelligenza artificiale.

Utilizziamo un motore di ricerca basato sull'IA ogni volta che interagiamo con Google. Seguiamo i consigli basati sull'IA per trovare film, canzoni e prodotti che possono piacere su Netflix, Spotify e Amazon. Conversiamo con assistenti virtuali basati sull'IA come Siri e Alexa per cercare informazioni e svolgere attività. L'IA è sempre più il mezzo attraverso il quale noi interagiamo con le aziende digitali.

Quando si tratta di esperienze digitali basate sull'IA, di solito non stiamo cercando di sostituire un essere umano, ma piuttosto di fornire un'esperienza che fondamentalmente può essere fornita solo dal software e dall'IA. Il ruolo dell'uomo (nella misura in cui ce n'è uno) è più che altro quello di monitorare il comportamento dell'IA e di ottimizzare i contenuti a cui ha accesso.

Le esperienze digitali basate sull'IA esistono già da quasi un decennio, ma l'IA generativa ha il potenziale per migliorarle in modo significativo. Storicamente, la creazione di esperienze digitali basate sull'intelligenza artificiale era possibile solo per le aziende tecnologiche più grandi e avanzate, i progressi nell'intelligenza artificiale stanno rendendo possibile, se non necessario, che un numero maggiore di aziende offra queste esperienze.

Questo può assumere molte forme, come...

• Un'azienda high-tech che fornisce un assistente virtuale che aiuta gli utenti a districarsi nella documentazione dei suoi prodotti e risponde a domande complesse al riguardo
• Un rivenditore che fornisce consigli personalizzati per prodotti complementari e una rapida ricerca semantica per aiutare gli utenti a trovare esattamente il prodotto che stanno cercando
• Un sistema sanitario che offre un assistente virtuale in grado di aiutare i clienti a individuare il medico più adatto a trattare i loro sintomi e a fissare un appuntamento

Man mano che l'IA diventerà più potente e diffusa, le aspettative dei consumatori aumenteranno e non tollereranno più siti web e chatbot obsoleti. Si aspetteranno di ricevere contenuti pertinenti e dinamici e risposte immediate alle loro domande. Altrimenti, andranno a cercarli altrove.

IA come proiezione e previsione

Il caso d'uso finale è uno di cui non leggerai così spesso ma è estremamente prezioso: l'IA può servire per prevedere il futuro. I lettori più attenti faranno notare che tutta l'IA è predittiva: gli LLM prevedono la parola successiva in una sequenza, i modelli di diffusione prevedono l'insieme ideale di pixel per un'immagine, i suggerimenti di prodotti prevedono che cosa piacerà a un utente.

In questo caso, mi riferisco specificamente alla previsione dei risultati aziendali nel mondo reale. Per esempio:

• Prevedere la domanda dei consumatori per un prodotto specifico in base all'andamento delle tendenze
• Prevedere cosa farà il mercato azionario domani in base a una varietà di fattori
• Prevedere la probabilità che una persona rimborsi un prestito in base alla cronologia dei pagamenti
• Prevedere che tempo farà domani sulla base dei dati dell'IoT

Si potrebbe pensare a queste attività più come "statistica" che "apprendimento automatico" o "intelligenza artificiale", ma, a quanto pare, sono tutte la stessa cosa. L'IA e l'apprendimento automatico sono sistemi statistici, applicati su larghissima scala a problemi che tradizionalmente non riteniamo coinvolgano i numeri.

Questo caso d'uso è il più antico dei quattro. Sono ormai molti decenni che utilizziamo la matematica e la statistica per prevedere il futuro. La differenza oggi è che gli algoritmi possono gestire molti più dati rispetto a prima.

Storicamente, fornivamo ai modelli predittivi solo un insieme attentamente selezionato di segnali o "valori" noti per avere una forte rilevanza statistica. (ad esempio, per prevedere il prezzo di una casa, uno dei valori da usare sarà la metratura). Potremmo usare dieci o venti di questi data point per addestrare un semplice modello predittivo.

Ma, negli ultimi dieci anni, il deep learning e le grandi reti neurali, combinati con altre innovazioni nell'elaborazione dei dati, ci consentono di addestrare modelli molto più grandi con molte più funzionalità su enormi serie di dati. Questi modelli sono in grado di apprendere relazioni e rappresentazioni complesse che sarebbero state impossibili da apprendere con metodi statistici più primitivi.

Ancora una volta, l'intento del modello è superare gli esseri umani e di solito questi modelli lo fanno agevolmente. In effetti, questi modelli sono estremamente utili, soprattutto nelle situazioni in cui l'intuizione umana fallisce. Se chiedessi a una qualunque persona di prevedere i movimenti nei mercati delle materie prime sulla base di serie di dati storici e cronologici, sicuramente non ne sarebbe in grado. Questo è un lavoro per un algoritmo che, rispetto a un essere umano, riesce a elaborare molti più dati e a osservare meglio gli andamenti statistici.

Questo caso d'uso è probabilmente il meno influenzato dall'IA generativa. In generale, l'IA generativa non sposta molto l'ago della bilancia sulla nostra capacità di produrre previsioni statistiche. Nella maggior parte dei casi, i metodi di ML più vecchi, come le reti neurali ricorrenti e persino i transformer, funzionano meglio in questo caso. Ma ci sono alcune eccezioni: ad esempio, Deepmind ha da poco rilasciato GraphCast, un algoritmo che prevede il tempo con una precisione senza precedenti utilizzando l'IA generativa. Forse l'IA generativa rivoluzionerà anche questo campo.

Conclusione

I casi d'uso di cui abbiamo parlato non sono affatto esaustivi e molte applicazioni non rientrano perfettamente in un'unica categoria. (Ad esempio, un software di riconoscimento facciale sull'iPhone.) Ma questa cornice ci aiuta a inquadrare le applicazioni dell' IA nella tua azienda, ad esempio:

• L'IA può essere utilizzata per assistere i knowledge worker creativi come programmatori, avvocati, medici, insegnanti o sceneggiatori. Consigliamo di adottarla il prima possibile perché i rischi sono minimi e l'IA può essere estremamente utile.
• L'IA può servire per automatizzare interi processi aziendali in massa, ma questo è più rischioso e richiede un'elevata precisione e successivi controlli/salvaguardie. Ma a volte vale la pena correre il rischio e bisogna confrontare l'IA con lo status quo, non con la perfezione.
• L'IA può servire per creare esperienze digitali coinvolgenti e utili. Il lavoro dell'uomo in questo ambito è curare i contenuti e modificare il comportamento dell'algoritmo. Si tratta di un rischio relativamente basso e i consumatori chiederanno sempre di più esperienze basate sull'intelligenza artificiale a tutte le aziende, non solo a Google e Netflix.
• L'IA può servire a prevedere il futuro in base all'andamento delle tendenze e ad altri dati. Questa è un'applicazione preziosa, ma relativamente poco è cambiato in questo campo.

Utilizzando l'intelligenza artificiale per raccogliere e organizzare le conoscenze in tutta l'azienda, puoi offrire esperienze digitali scalabili e senza interruzioni.