Quando usare l'AI generativa o tradizionale

Questo documento ti aiuta a identificare quando l'AI generativa, l'AI tradizionale o una combinazione di entrambe potrebbe essere adatta al tuo caso d'uso aziendale.

In questo documento, per AI tradizionale si intendono le funzionalità e i casi d'uso dell'AI che potrebbero non richiedere l'utilizzo delle funzionalità di AI generativa, come alcuni casi d'uso di classificazione e AI predittiva. I modelli di AI tradizionali eccellono nell'apprendimento dai dati esistenti per classificare le informazioni o prevedere i risultati futuri in base ai pattern storici. I modelli di AI generativa espandono queste funzionalità per creare riepiloghi, scoprire correlazioni complesse nascoste o generare nuovi contenuti, come testo, immagini o video, che riflettono lo stile e i pattern all'interno dei dati di addestramento.

Quando usare l'AI generativa

In generale, le soluzioni di AI generativa eccellono in attività come le seguenti:

  • Creazione e consigli sui contenuti.
  • Supporto della ricerca conversazionale e dei chatbot.
  • Scalabilità e automazione del flusso di lavoro per attività ripetitive.
  • Utilizzo del ragionamento associativo per trovare insight e relazioni all'interno di documenti e dati.
  • Generazione di codice e assistenza agli sviluppatori nella scrittura, nella spiegazione e nella documentazione del codice.

Le sezioni seguenti forniscono esempi di questi casi d'uso comuni e generali dell'AI generativa che possono essere personalizzati per diversi settori.

Creazione e consigli sui contenuti

  • Generazione di contenuti di marketing, come immagini di prodotti, post sui social media ed email con immagini pertinenti.
  • Traduzione di contenuti come documenti, contenuti di siti web e conversazioni di chatbot multilingue.
  • Riassunto di contenuti di testo, inclusi documenti, articoli, feedback dei clienti e report, per aiutare a prendere decisioni basate sui dati più consapevoli.
  • Creazione di riepiloghi di informazioni provenienti da più fonti che possono includere componenti di testo, immagini, video o audio.
  • Sottotitolaggio automatico dei video.
  • Creazione di contenuti multimediali creativi, ad esempio la creazione di nuove immagini da descrizioni di prompt testuali, la modifica o la correzione di immagini utilizzando prompt testuali (ad esempio la rimozione di un oggetto o la modifica della combinazione di colori) e la generazione di video brevi o animazioni da prompt testuali o script.
  • Generazione di voci sintetiche realistiche per l'audio, come tracce di voce fuori campo e musica.
  • Analisi e comprensione del comportamento, delle preferenze, delle recensioni e delle interazioni passate degli utenti per fornire consigli sui contenuti personalizzati. L'analisi può essere combinata con fattori in tempo reale come la località per personalizzare i consigli sui contenuti, come prodotti, articoli e video.

Ricerca conversazionale e chatbot

  • Creazione di assistenti virtuali per le interazioni degli utenti, come l'assistenza clienti e le vendite online.
  • Abilitazione della ricerca conversazionale tramite grandi basi di conoscenza con query in linguaggio naturale.
  • Ricerca di risposte a domande complesse che combinano richieste testuali con immagini correlate.

Comprensione di documenti e dati

  • Estrazione di dati e analisi di contenuti da testo, come report, fatture, ricevute, transazioni finanziarie o contratti, per evidenziare possibili errori o problemi di conformità, identificare potenziali rischi o scoprire anomalie indicative di frode.
  • Analisi del sentiment dei contenuti generati dagli utenti, come post sui social media e recensioni prodotto.
  • Analisi delle conversazioni trascritte del call center per estrarre insight, ad esempio i motivi più comuni per cui i clienti assegnano una valutazione bassa alle interazioni con il call center.

  • Analisi dei dati di cybersecurity, come report sulle minacce, articoli e repository, per estrarre gli indicatori chiave delle minacce. Questa analisi consente una difesa proattiva della cybersecurity per riassumere e dare la priorità alle strategie di mitigazione con consigli per una risposta più rapida.

    L'analisi può tradurre grafici complessi relativi agli attacchi in spiegazioni di testo normale sull'esposizione. Può anche simulare possibili percorsi di attacco per evidenziare le risorse interessate e consigliare mitigazioni prima che le risorse possano essere sfruttate.

Generazione di codice e assistenza agli sviluppatori

L'AI generativa può aiutarti con i seguenti tipi di attività in tutte le fasi del ciclo di vita dello sviluppo software (SDLC):

  • Generazione di specifiche e documentazione delle API utilizzando prompt in linguaggio naturale.
  • Creazione di asset come codice, funzioni, comandi della riga di comando e script Terraform da prompt in linguaggio naturale.
  • Generazione di test e spiegazioni del codice, inclusi commenti e documentazione per spiegare il codice.

Per ulteriori informazioni su come l'AI generativa può trasformare le operazioni aziendali come l'assistenza clienti, la produttività dei dipendenti e l'automazione dei processi, consulta la sezione Casi d'uso aziendali in "AI generativa su Cloud de Confiance."

Quando usare l'AI tradizionale

I casi d'uso dell'AI tradizionale in genere si concentrano sulla previsione dei risultati futuri o sulla classificazione di una categoria in base a un modello di AI addestrato su fonti di dati storici esistenti, come dati tabulari e immagini. Le soluzioni di AI tradizionali spesso sono sufficienti per risolvere diversi casi d'uso di classificazione e AI predittiva, come i seguenti:

  • Casi d'uso di classificazione:
    • Filtro dello spam nelle email classificando le email come spam o not spam, in base a un modello di AI di classificazione tradizionale addestrato su dati storici.
    • Addestramento di un modello di classificazione delle immagini tradizionale su immagini specifiche di prodotti buoni e difettosi per contribuire efficacemente all'ispezione in tempo reale e al rilevamento dei difetti nella produzione.
  • Casi d'uso di regressione:
    • Previsione di valori numerici continui, ad esempio la previsione dei prezzi delle case in base a caratteristiche e località specifiche della casa.
    • Previsione delle entrate che un cliente di una piattaforma di e-commerce genererà durante il suo rapporto con l'azienda in base ai dati storici sugli acquisti.
  • Casi d'uso di previsione delle serie temporali: previsione delle vendite e della domanda.
  • Casi d'uso di clustering: esecuzione della segmentazione dei clienti.

Per ulteriori informazioni sull'utilizzo dell'AI tradizionale, consulta la sezione Usi ed esempi di analisi predittiva in "Che cos'è l'analisi predittiva?".

Scegliere tra AI tradizionale e AI generativa

La seguente struttura decisionale semplificata fornisce un riferimento di alto livello per alcuni percorsi decisionali basati sui casi d'uso. In alcuni casi, potrebbe essere preferibile utilizzare sia l'AI tradizionale sia l'AI generativa, come descritto nella sezione successiva, "Quando combinare l'AI generativa con l'AI tradizionale".

Una struttura decisionale mostra quando utilizzare l'AI generativa, l'AI di classificazione o predittiva tradizionale o un modello di AI preaddestrato.
Un albero decisionale mostra quando utilizzare l'AI generativa, la classificazione tradizionale o l'AI predittiva oppure un modello di AI preaddestrato.
Fai clic sul diagramma per ingrandirlo.

La struttura decisionale include le seguenti domande e risposte basate sui casi d'uso:

  • Se il tuo caso d'uso è correlato alla classificazione o al rilevamento, verifica se un modello di AI tradizionale preaddestrato può soddisfare i requisiti del tuo caso d'uso. I modelli tradizionali preaddestrati includono API AI come Document AI, Vision AI, API Natural Language e API Video Intelligence.

    • Se un modello preaddestrato soddisfa i tuoi requisiti, utilizzalo.
    • Se un modello preaddestrato non soddisfa i tuoi requisiti, verifica se sono disponibili dati di addestramento sufficienti per addestrare un modello personalizzato.
      • Se sono disponibili dati di addestramento sufficienti, a cosa deve essere data la priorità: un maggiore controllo dell'addestramento del modello o un time-to-market (TTM) più rapido?
        • Se hai bisogno di un elevato controllo dell'addestramento del modello con personalizzazioni come l'utilizzo di qualsiasi algoritmo del modello preferito, lo sviluppo di funzioni di perdita personalizzate, l'utilizzo di funzionalità specifiche di spiegabilità del modello, il numero di livelli nel modello, la velocità di apprendimento e altri iperparametri del modello, utilizza un addestramento personalizzato di un modello di AI tradizionale. Per informazioni sulle differenze tra l'addestramento personalizzato o l'addestramento di un modello in Vertex AI utilizzando AutoML, consulta la sezione Scegliere un metodo di addestramento.
        • Se la priorità della tua attività è un TTM più rapido, utilizza l'AI generativa. Se il tuo caso d'uso è specializzato, puoi migliorare le prestazioni di un modello utilizzando l'ottimizzazione del modello, ad esempio l'ottimizzazione supervisionata per la classificazione, l'analisi del sentiment o l'estrazione di entità.
      • Se non è disponibile un set di dati di addestramento o se i set di dati disponibili non sono abbastanza grandi per addestrare un modello personalizzato, utilizza i modelli di AI generativa con l'ingegneria dei prompt. Questi modelli possono essere ulteriormente ottimizzati per eseguire attività specializzate utilizzando esempi di dati.

  • Se il tuo caso d'uso è correlato ai casi d'uso dell'AI predittiva, utilizza l'AI tradizionale. L'AI predittiva tradizionale è particolarmente efficace con i dati strutturati.

  • Se il tuo caso d'uso è correlato ai casi d'uso dell'AI generativa, come il riepilogo, la generazione di contenuti o la trascrizione avanzata, utilizza l'AI generativa. L'utilizzo dell'AI generativa include casi d'uso che richiedono l'elaborazione e l'inserimento di informazioni da più modalità, come testo, immagini, video o audio.

Sebbene i data scientist e gli ML engineer in genere guidino il processo di selezione del modello, è importante considerare anche l'input degli stakeholder chiave, come i dirigenti aziendali, i proprietari dei prodotti, gli esperti di dominio e gli utenti finali. Ad esempio, questi stakeholder potrebbero interagire nei seguenti modi:

  • Dirigenti aziendali e responsabili delle decisioni: approvano la selezione quando è in linea con le priorità aziendali.
  • Proprietari dei prodotti: potrebbero richiedere influenza o avere un maggiore controllo sul comportamento del modello per allinearlo alle priorità del prodotto.
  • Esperti di dominio: applicano la loro competenza nel dominio per migliorare l'efficacia del modello.
  • Utenti finali: potrebbero dover comprendere l'output del modello e come incorporarlo per prendere decisioni più consapevoli.

Quando combinare l'AI generativa con l'AI tradizionale

L'AI tradizionale e l'AI generativa non si escludono a vicenda. In alcuni casi d'uso aziendali, possono essere utilizzate in modo complementare per raggiungere l'obiettivo aziendale finale. Ad esempio, puoi utilizzare l'output di un modello di AI tradizionale come parte del prompt per un modello di AI generativa. Di seguito sono riportati alcuni esempi di casi d'uso per la combinazione di funzionalità di AI tradizionali e generative:

  • L'AI predittiva tradizionale può analizzare i dati storici per prevedere la probabilità di abbandono dei clienti. Questa analisi può essere integrata con un LLM o un chatbot basato sull'AI generativa, che consente al tuo team di vendita di esplorare le previsioni utilizzando conversazioni in linguaggio naturale. Puoi anche generare dashboard di business intelligence (BI) tramite una semplice conversazione con il chatbot.
  • L'AI predittiva tradizionale può prevedere i rischi di un caso d'uso specifico, mentre l'AI generativa può simulare diversi scenari per aiutare a formulare possibili strategie di mitigazione.
  • L'AI predittiva tradizionale può identificare i segmenti di clienti per creare marketing e campagne personalizzati. Puoi quindi utilizzare l'AI generativa per generare contenuti di marketing personalizzati su misura per ogni segmento identificato.
  • La visione artificiale dell'AI tradizionale può rilevare e classificare la lingua dei segni per tradurre l'input video in testo. L'AI generativa può aggiungere la comprensione del contesto e delle sfumature all'interno della lingua dei segni, consentendo una traduzione più ottimizzata in testo scritto, incluse più lingue. L'AI generativa può anche generare output vocale dalla traduzione del testo, consentendo una comunicazione bidirezionale senza interruzioni tra i firmatari e i non firmatari.
  • L'AI tradizionale può eseguire l'analisi video e utilizzare le funzionalità di video intelligence per estrarre insight e funzionalità vitali dagli asset video. Ad esempio, può eseguire il rilevamento di oggetti, il rilevamento persone, il rilevamento di testo e l'estrazione dagli asset video. L'AI generativa può quindi utilizzare questi insight per creare nuove esperienze come chatbot, schede, report o articoli.

Per massimizzare i vantaggi aziendali degli investimenti in AI generativa e AI tradizionale, dai la priorità ai risultati aziendali necessari e alle esigenze degli utenti (soluzioni di AI basate sull'attività e incentrate sull'utente). Questo approccio garantisce che le soluzioni rimangano pertinenti, promuovano l'adozione, migliorino l'efficienza e favoriscano l'innovazione. Dare la priorità all'esperienza utente nelle soluzioni basate sull'AI aiuta ad allineare le aspettative e a fornire risultati significativi.

Passaggi successivi