Immergersi nella pressione dell’uso dell’IA

Quando le grandi organizzazioni spendono miliardi di dollari nella ricerca e nello sviluppo di una tecnologia rivoluzionaria, arriva il momento in cui la tecnologia è pronta per il grande pubblico. I giganti della tecnologia danno il meglio di sé per garantire un’adozione su larga scala della tecnologia. Questi sono momenti entusiasmanti per ogni appassionato di tecnologia, ed è naturale sentirsi spinti a far parte del movimento e non rimanere indietro.

Le persone di ogni livello all’interno di un’organizzazione sentono la pressione di utilizzare soluzioni basate sull’IA per ogni problema aziendale. Come gestire questa pressione e prendere le decisioni giuste per i problemi aziendali? Analizziamo il problema e togliamo le incertezze per avere un quadro chiaro su quando utilizzare l’IA e quando no.

Domande Fondamentali da Risolvere

Prima di addentrarti troppo nei dettagli nello sviluppo di soluzioni per problemi aziendali specifici e casi d’uso, ci sono alcune domande molto fondamentali che puoi farti e che ti daranno indizi molto forti su se è necessario investire tempo ed energie nella costruzione di soluzioni basate sull’IA.

• Investire in una soluzione basata sull’IA ci aiuterà a rivoluzionare lo status quo della nostra industria?
• Nos permetterà di passare da un ritardatario dell’industria a un leader di settore per uno qualsiasi dei nostri prodotti o delle caratteristiche dei nostri prodotti?
• Possiamo utilizzare l’IA per uno qualsiasi dei nostri processi di sviluppo del prodotto o di operazioni del prodotto? Riduce significativamente i costi delle operazioni a lungo termine per il nostro prodotto?sviluppo del prodotto

Sebbene questo tipo di domande venga spesso sollevato e risposto nelle stanze dei bottoni a livello esecutivo, in buone aziende con una forte cultura del prodotto, il processo decisionale è democratizzato e i singoli team hanno il potere di prendere decisioni chiave per la loro roadmap di prodotto e le funzionalità del prodotto.

Pertanto, è importante che i product manager tecnici e i loro team pensino come un CEO e riflettano su queste domande fondamentali quando decidono di utilizzare soluzioni basate sull’IA per i problemi forniti da clienti ed esecutivi.

Stratificando le Laye

Ora, prendiamo il processo di interrogazione e analisi di uno strato al di sotto delle domande fondamentali e utilizziamo un framework che ti aiuterà a decidere se utilizzare l’IA nel design della tua soluzione.

IA Predittiva

Sebbene ci sia molto contenuto nel dominio pubblico sulla differenza tra IA predittiva e IA generativa, voglio comunque sottolineare la differenza tra le due. IA Generativa (GenAI) ha attirato così tanta attenzione negli ultimi mesi che le persone spesso trascurano il potere di altri tipi di IA e l’investimento e l’innovazione in quelle tecnologie sono rallentati in molte organizzazioni.

È importante che i team di sviluppo si fermino e pensino a soluzioni creative per il problema dell’utente/cliente in questione.

Il problema che stai cercando di risolvere è legato alla raccolta di dati storici di eventi passati, alla ricerca di schemi in essi in modo da poter prevedere l’esito di eventi futuri? Per questo tipo di problemi, l’IA predittiva è dove il tuo flusso di soluzioni dovrebbe diramarsi.

Se stai pensando all’IA generativa per tali problemi, stai sbagliando strada. Alcuni esempi comuni di problemi che possono essere risolti utilizzando soluzioni di IA predittiva includono previsioni finanziarie, ottimizzazione dell’utilizzo delle infrastrutture, rilevamento delle frodi, ecc.

Una volta che hai chiaro che il problema che stai risolvendo richiederà una soluzione basata su IA predittiva, quale algoritmo di apprendimento automatico risolverà il tuo problema dovrebbe essere il tuo prossimo passo logico nella progettazione della soluzione.

• Classificazione. Assegnare punti dati a classi predefinite è un problema di classificazione. Ad esempio, contrassegnare qualsiasi contenuto su una piattaforma di social media come inappropriato in modo che la conoscenza della macchina riguardo al contenuto appropriato vs inappropriato sia continuamente affinata è un problema di classificazione.
• Regressione. Quando l’obiettivo è definire la correlazione tra le caratteristiche e la tua variabile target per prevedere i problemi futuri è un problema di regressione. Ad esempio, prevedere il traffico futuro sul tuo servizio per decidere quando aumentare il numero di pod.
• Clustering. Raggruppare i dati in diversi contenitori con l’obiettivo di definire i contenitori giusti che ti aiuteranno a prendere decisioni è un problema di clustering. Ad esempio, analizzare il comportamento dei clienti e i casi d’uso per aiutare la tua organizzazione a definire i giusti segmenti di clientela è un problema di clustering.

Non è straordinario che ci sia così tanta innovazione e creatività che puoi guidare nel campo dell’IA predittiva? Finora, in questo articolo, non siamo entrati nel regno dell’IA generativa, che ha creato così tanto interesse ultimamente.

IA Generativa

Al contrario, se il problema che stai cercando di risolvere implica l’addestramento di un modello di IA sui dati grezzi della tua organizzazione, facendolo apprendere per esempio in modo che possa ricevere input da un utente e generare output nuovi, è qui che entra in gioco GenAI. Il problema potrebbe avere diverse permutazioni e combinazioni di input utente e output generato. Gli input utente potrebbero essere discorsi, testi o dati non strutturati, e l’output generato potrebbe essere testo in linguaggio naturale, discorsi, immagini o video.

Esempi comuni di problemi che possono essere risolti utilizzando GenAI includono supporto clienti, generazione di codice per ridurre i costi di sviluppo del prodotto, sintesi dei dati per ricerca e test, creazione di contenuti di marketing su richiesta, ecc.

Quando si tratta di soluzioni basate su GenAI, una volta che sei chiaro che il tuo problema richiede una soluzione basata su GenAI, ci saranno ulteriori importanti decisioni di design della soluzione che ti aiuteranno a costruire la soluzione più impattante.

• Cual è il modello LLM base che dovrei usare?
• Quali sono i più recenti framework architettonici e modelli di design di cui dovrei approfittare. Pensa a RAG, RLHF, agente reattivo multi-agente usando langflow, ecc.?
• Come posso garantire le giuste misure di sicurezza e privacy dei dati?

Conclusione

Mentre la mancanza di modernizzazione tecnologica può rendere obsoleto il modello di business di un’azienda a un certo punto, è importante assicurarsi di utilizzare gli investimenti in AI dell’organizzazione per i problemi giusti e nei posti giusti. Forzare soluzioni basate sull’IA per problemi che non ne hanno bisogno può portare il tuo prodotto nella direzione sbagliata. Mantieni la calma e utilizza saggiamente gli investimenti in AI.