Oggi si parla continuamente di AI generativa, ma che ne è dell’intelligenza artificiale “tradizionale”? Machine learning, deep learning, tecnologie per l’automazione e la comprensione del linguaggio naturale non hanno certo perso la loro importanza ora che l’attenzione mediatica e molti nuovi investimenti si concentrano sui chatbot e large language model della GenAI. Un nuovo studio commissionato da Qlik evidenzia che le aziende stanno cercando di capire come integrare questa tecnologia all’interno del proprio ecosistema di dati ed, eventualmente, con l’AI “tradizionale” già in uso.
Il “Benchmark Report sull’Intelligenza Artificiale Generativa”, realizzato da Enterprise Technology Research per conto di Qlik, si basa su duecento interviste condotte su dirigenti, vicepresidenti e direttori C-level di aziende Global 2000 di diversi settori. Il dato di fondo è che l’interesse verso l’AI generativa è reale, e si sta concretizzando in nuovi progetti e investimenti: il 79% ha acquistato tecnologie di questo tipo o ha avviato iniziative centrate su di esse. Inoltre il 31% delle aziende del campione è intenzionato a spendere più di 10 milioni di dollari in iniziative di GenAI nel 2024. Questi investimenti rischiano però di non inserirsi organicamente nei processi e nelle tecnologie già in uso: il 44% degli intervistati ha detto di non avere una chiara strategia in merito ai progetti di GenAI.
Intanto nel mercato, sul fronte dell’offerta ma anche della domanda, iniziano a delinearsi due strade possibili: l’adozione di modelli di AI generativa pubblici od open source già preconfezionati (da alimentare o affinare, eventualmente, con dati proprietari) e la creazione ex novo di modelli proprietari. In tutti i casi, alle aziende servono competenze specifiche sui rischi e sulle implicazioni di etica, governance, privacy e sicurezza dell’AI generativa. E un buon 60% ammette di non possedere tali competenze al proprio interno e di doversi, quindi, affidare a un partner esterno.
Oltre al problema delle competenze, per l’adozione della GenAI in azienda i principali ostacoli da superare riguardano la regolamentazione, la sicurezza dei dati e le risorse.
C’è poi un altro problema da affrontare: i dati. Ovvero la loro disponibilità (la quantità), ma anche la qualità e la capacità di gestirli.
Spesso sul fronte del data fabric (il modo in cui i dati aziendali sono raccolti, strutturati, conservati e gestiti) c’è ancora del lavoro da fare prima di poter avviare con successo dei progetti di AI generativa. Solo il 20% degli intervistati ritiene che il proprio data fabric sia ben attrezzato (“molto” o “estremamente” attrezzato) per soddisfare le esigenze di AI generativa dell’azienda, considerando che questo genere di applicazioni tende ad aumentare la quantità dei dati da gestire.
Conseguentemente, il 73% del campione prevede di dover aumentare la spesa per le tecnologie che supportano i data fabric, e parte di tale spesa dovrà essere dedicata alla gestione di grandi volumi di dati. Ma non basta avere a disposizione tanti dati. La maggior parte degli intervistati concorda sul fatto che, per il successo dei progetti di AI generativa in azienda, sono importanti la qualità dei dati, la capacità di governance, l'integrazione dei dati stessi, e ancora gli strumenti di machine learning o intelligenza artificiale, quelli di Business Intelligence e analytics.
"Il potenziale dell'AI generativa ha scatenato un'ondata di interesse e di investimenti sia per gli strumenti discreti, sia per le tecnologie che aiutano le organizzazioni a gestire il rischio, abbracciare la complessità e scalare l'AI generativa e l'AI tradizionale per l'impatto", ha detto James Fisher, chief strategy officer di Qlik. "Il nostro report Generative AI Benchmark mostra chiaramente che le aziende leader comprendono che questi strumenti devono essere supportati da una base dati affidabile. Questa base di dati alimenta le intuizioni e i casi d'uso avanzati in cui la potenza dell'AI generativa e dell'AI tradizionale insieme prendono vita".
In merito al rapporto fra AI “tradizionale” e generativa, dalle interviste è emerso che queste tecnologie possono coesistere e servire per scopi diversi. L’intelligenza artificiale classica continua a essere usata per gli analytics predittivi e le attività di data science, per esempio, mentre la GenAI è un potente strumento per gli utenti non tecnici (che possono facilmente interrogare i dati attraverso di essa).
(Credits immagine di apertura: © virtosmedia, 123RF Free Images)