L’AI è molto più di un chatbot
Quando le organizzazioni si approcciano per la prima volta all'IA, la conversazione si limita quasi sempre all'esperienza maturata con ChatGPT. La nebbia si dirada solo quando scoprono cosa l'IA può effettivamente fare al di là della semplice generazione di testo, e si rendono conto della differenza tra un chatbot e un modello operativo addestrato.
Implementare l’AI nei processi aziendali non è un’opzione e neanche un’opportunità, ma si configura sempre di più come necessità per le organizzazioni che vogliono restare competitive. Oggi l’intelligenza artificiale impone un cambio di passo radicale nell’ottimizzazione della produttività e nella riduzione di tempi e costi. Tuttavia non è ancora così semplice e chiaro il modo in cui farlo.
Sì perché, se da un lato l’AI è sulla bocca di tutti, la sua adozione e la consapevolezza su come usare l’AI per l’automazione industriale e nei processi di qualsiasi organizzazione, è ancora limitata. In Italia, nel 2024, l’8,2% delle imprese con almeno 10 dipendenti ha usato almeno una tecnologia basata sull’AI, segnando un aumento rispetto al 5% del 2023. Nonostante questa crescita significativa il nostro paese rimane al di sotto della media europea (Fonti: AI 4 Italy – Istat; Eurostat).
Le sfide dell’implementazione delle tecnologie basate sull’intelligenza artificiale nelle organizzazioni italiane riguardano principalmente:
Gli investimenti ridotti in AI The AI market in Italy is valued at approximately €0.8 billion, with growth projections reaching €2.5 billion by 2027. Current investment levels, however, remain lower than in other European countries (Source: Global Technology Report 2024, Bain & Company).
Inadequate infrastructure. According to the Cisco AI Readiness Index, only 10% of Italian companies feel fully prepared from an infrastructure standpoint to support AI, with significant gaps in computing capacity and network performance.
La scarsa qualità dei dati Molte aziende non si sentono pronte nella gestione dei dati per progetti di intelligenza artificiale. Solo il 13% delle imprese mondiali e il 10% in Italia si considerano pronte in termini di dati, evidenziando sfide legate alla frammentazione, scarsa qualità e assenza di metadati (Fonte: Cisco AI Readiness Index).
Lack of skills. La mancanza di personale qualificato rappresenta, probabilmente, l’ostacolo maggiore. Stando al rapporto Minsait-Luiss “Intelligenza Artificiale in Italia – La rivoluzione che sta cambiando il business”, il 19% delle aziende segnala un deficit di competenze e di professionisti specializzati nell’AI.
La nebulosità rispetto alle applicazioni Una delle conseguenze della mancanza di competenze nelle aziende è anche la mancanza di idee precise rispetto alle possibili applicazioni dell’AI.
Esempi alternativi di AI nei processi aziendali
A conferma di questi dati possiamo portare la nostra esperienza di guida all’applicazione pratica di nuove tecnologie. Quando incontriamo le organizzazioni interessate all’AI, di solito le idee sono molto confuse e difficilmente ci si allontana dall’esperienza dell’intelligenza artificiale generativa, sperimentata con chatGPT e con altri chatbot.
Solo dopo aver approfondito necessità e soluzioni che prevedono applicazioni alternative dell’AI, vediamo la nebulosità dissiparsi alla luce delle lampadine che via via si accendono negli occhi dei nostri interlocutori. Perché l’AI è molto più di una risposta testuale. Vediamo insieme qualche esempio pratico di intelligenza artificiale oltre i chatbot, e un caso studio realizzato qui in Rational AI e Geckosoft.
Riduci i costi con la manutenzione predittiva Nel settore manifatturiero e industriale, i guasti ai macchinari possono comportare costi e ritardi. L’AI, grazie all’analisi predittiva, può monitorare i dati in tempo reale e prevedere quando una macchina avrà bisogno di manutenzione, riducendo i fermi produttivi e ottimizzando la gestione delle risorse.
Personalizza l’esperienza cliente, non solo in chat Se i chatbot rispondono alle domande, l’AI può fare molto di più nel migliorare la customer experience. Algoritmi avanzati analizzano il comportamento degli utenti per offrire esperienze personalizzate, suggerendo prodotti, ottimizzando le campagne di marketing e migliorando le conversioni.
Ottimizza la supply chain L’AI può ottimizzare l’intera catena di approvvigionamento, prevedendo la domanda, migliorando la logistica e minimizzando gli sprechi. Algoritmi avanzati analizzano i dati storici, i trend di mercato e le condizioni meteo per prevedere la disponibilità delle materie prime e ottimizzare i livelli di magazzino.
Alza il livello della cyber security Le minacce informatiche sono in costante evoluzione, ma l’AI può fornire una difesa che gioca d’anticipo. Gli algoritmi di machine learning possono individuare anomalie nel traffico di rete, rilevare tentativi di phishing e bloccare attacchi in tempo reale.
Prendi decisioni ancora più consapevoli con le analisi avanzate L’AI può aiutare le aziende a prendere decisioni più informate, analizzando grandi quantità di dati per identificare pattern, trend e opportunità di mercato. Per esempio, se hai un’azienda di vendita al dettaglio puoi usare l’intelligenza artificiale per analizzare i dati di vendita e prevedere quali prodotti avranno maggiore successo nelle prossime stagioni, ottimizzando gli acquisti e massimizzando i profitti.
Addestra l’AI sulle specificità della tua azienda
Il caso Rational AI per Uluru Uluru è una start-up statunitense che supporta studenti di medie e superiori nel percorso educativo. Si integra alle piattaforme LMS usate dagli insegnanti per inviare i compiti agli studenti direttamente online, e aiuta a organizzare lo studio sulla base di un metodo messo a punto dai coach di Uluru. Noi di Rational AI e Geckosoft siamo stati coinvolti in questo progetto per realizzare un’intelligenza artificiale addestrata sul metodo Uluru. Un LLM in grado di scomporre i compiti a casa in attività più piccole, determinare il tempo necessario per svolgerle e indicare il momento della giornata migliore per farlo in base al calendario di disponibilità dello studente. Quindi, almeno per il momento, niente chatbot, ma una tecnologia capace di funzionare come un vero coach di Uluru a supporto di ogni studente, in maniera personalizzata, 7 giorni su 7, 24 ore su 24.
Lo abbiamo fatto allenando l’LLM attraverso una lunga serie di esempi di compiti scomposti e organizzati per durata e livello di difficoltà. Gli esempi sono stati generati prima con un’attività di prompt engineering, seguita da un’attività di fine-tuning realizzata con l’aiuto dei coach Uluru, che garantisce un’ottimizzazione puntuale e un’elevata personalizzazione del modello di AI fornito al cliente.
Il modello AI di Rational AI è integrato nell’esperienza utente dell’app Uluru: non una “classica” chat, ma si fonde completamente con la UX dell’app impersonandosi nella mascotte Uluru e aiutando lo studente a pianificare le proprie attività di studio.
Qual è la differenza fra prompt engineering e fine-tuning?
Prompt engineering e fine-tuning sono due attività volte a ottimizzare l’uso di un modello di intelligenza artificiale.
Il prompt engineering consiste nel formulare in modo strategico la richiesta (prompt) che si dà a un modello AI per ottenere una risposta ottimale. Si lavora direttamente sull’input senza modificare il modello stesso. Si sperimentano diverse formulazioni, strutture e dettagli per guidare il comportamento dell’IA. Il prompt engineering è rapido, economico e funziona su qualsiasi modello pre-addestrato (come GPT-4).
Il fine-tuning è un processo in cui un modello di AI viene riaddestrato su un set di dati specifico per adattarlo a un particolare contesto o settore. Si forniscono al modello nuovi dati di addestramento per aggiornarne i pesi e migliorare le risposte in base alle esigenze dell’azienda. In questo modo il modello di AI diventa più preciso e ottimizzato per compiti e settori specifici. E ci si mette al riparo da allucinazioni e risposte generiche.
Quelli che abbiamo condiviso fino a qui sono solo alcuni esempi di come le tecnologie basate sull’AI possono aiutare le organizzazioni a migliorare la produttività, ridurre i costi, offrire servizi impensabili appena qualche anno fa, creare nuove opportunità di business.
Vuoi chiarire l’incertezza che circonda le tue idee sull’intelligenza artificiale? Facciamo luce sugli aspetti essenziali insieme.
TL;DR
L’adozione dell’AI è ormai una necessità competitiva, ma molte aziende italiane restano indietro per investimenti limitati, infrastrutture insufficienti, dati di bassa qualità, carenza di competenze e scarsa chiarezza sulle applicazioni. Solo una minoranza utilizza l’AI in modo concreto, restando sotto la media europea. Le applicazioni più efficaci includono manutenzione predittiva, personalizzazione avanzata, ottimizzazione della supply chain, cyber security e analisi decisionali. Il caso Uluru mostra come modelli addestrati su dati specifici possano andare oltre i chatbot e integrarsi nei processi. Prompt engineering e fine-tuning sono approcci complementari per ottimizzare i modelli. L’AI offre margini significativi per efficienza, riduzione costi e nuovi servizi.
Originariamente pubblicato sul sito web di Geckosoft.