Come azienda, è difficile non lasciarsi tentare da tutte le promesse dell’intelligenza artificiale. Se si crede a tutto questo clamore, può trasformare ogni parte del business, trovare e convertire nuovi clienti, progettare nuovi prodotti, gestire la fabbrica o il software e in generale fare qualsiasi cosa tranne portarvi un caffè la mattina (e si presume ci stanno lavorando proprio adesso).
Questa è una fantasia meravigliosa e molto allettante da credere. Ma quanto è vero? Con tutto questo clamore, potresti essere tentato di saltare completamente sul carro e credere a tutto, o andare dall’altra parte e rifiutare tutto ciò che senti come una grossolana esagerazione. La verità deve essere da qualche parte nel mezzo, ma come trovarla? E una volta fatto, come possiamo trasformare questa comprensione in qualcosa di utile per la nostra attività? Immergiamoci e discutiamo di come viene utilizzata l’intelligenza artificiale nel business, e in particolare di quanto deve essere personalizzato un modello di intelligenza artificiale affinché un’azienda possa vederne il valore. Dissiperemo parte del clamore attorno all’intelligenza artificiale mostrando al contempo le aree in cui può davvero trasformare un’azienda oggi. Esamineremo anche il ruolo dei dati validi e la sfida di trovarli/pulirli/verificarli per i modelli di intelligenza artificiale, un settore che sta rapidamente crescendo nello spazio Web3 con piattaforme come Sinesi Uno lavorando per sfruttare gli attributi della blockchain per verificare l’intelligenza artificiale e premiare gli utenti.
La promessa
Si dice che l’intelligenza artificiale risolva molti problemi diversi. Per chi non lo sapesse, alcuni di questi problemi potrebbero essere indistinguibili dalla magia, il che è molto eccitante ma altrettanto inutile se sei un’azienda che considera un investimento nell’intelligenza artificiale. Per fortuna, l’intelligenza artificiale in realtà non è così complicata come potresti credere, perché risolve solo tre problemi chiave. Innanzitutto, l’intelligenza artificiale può classificare cose. Pensa a un algoritmo di controllo qualità che ti dice se una parte che esce dalla catena di montaggio ha un difetto o meno. Questo può essere esteso a tutti i tipi di rilevamento di anomalie, capacità di ordinamento e altri usi non convenzionali che richiedono un algoritmo per analizzare qualcosa (ad esempio foto, dati di fogli di calcolo), quindi determinare a quale bucket appartiene. Successivamente, l’intelligenza artificiale può prevedere. La manutenzione predittiva può utilizzare molti sensori diversi in una macchina per prevedere quando si guasta o quando necessita di manutenzione. Può fornire previsioni molto accurate se i dati sono disponibili. Può prevedere dove un robot dovrebbe spostarsi per raggiungere un obiettivo specifico. Infine, l’intelligenza artificiale può ottimizzare. Può risolvere problemi complicati con molti vincoli diversi in un modo che è semplicemente troppo difficile da realizzare per un essere umano. Lo usiamo per il GPS, per l’organizzazione delle nostre fabbriche e per molte altre applicazioni che necessitano di una soluzione ideale dato un obiettivo e molti vincoli diversi.
La conclusione è che l’intelligenza artificiale funziona davvero. Può assolutamente risolvere i problemi sopra descritti e innumerevoli altri. Ancora meglio, l’intelligenza artificiale sta migliorando ogni singolo giorno. Vengono sviluppate nuove innovazioni, l’elaborazione informatica sta migliorando e vengono scoperti casi d’uso più generali. Da un lato, l’intelligenza artificiale è molto più incredibile di quanto pensiamo e sta trasformando il mondo in modi che non riusciamo nemmeno a comprendere appieno.
La realtà
Detto questo, questi risultati hanno un costo: i dati. L’intelligenza artificiale è completamente inutile senza i dati giusti per addestrare un modello di intelligenza artificiale. Con l’avvento dei Large Language Models (LLM) come ChatGPT, la percezione errata dell’intelligenza artificiale è diventata ancora più distorta. Possiamo essere tentati di credere che l’intelligenza artificiale sia onnipotente e possa rispondere a qualsiasi domanda le poniamo, e poiché ChatGPT è disponibile per tutti, possiamo vederlo con i nostri occhi. Tuttavia, ci sono due grandi punti deboli che potrebbero non essere evidenti. Innanzitutto, ChatGPT è straordinario in alcune cose come scrivere un articolo sul cambiamento climatico o suggerire dieci luoghi da visitare a Budapest; ma non è bravo in molte altre cose, come dare una risposta certa a problemi di matematica o fornire informazioni del tutto affidabili. Per un’azienda, questo livello di incertezza non è accettabile. In secondo luogo, ChatGPT è stato realizzato utilizzando trilioni di punti dati per rispondere a domande generali. Se vuoi addestrare un modello di intelligenza artificiale preciso, ci vorrà molto meno, ma devi sapere esattamente quali dati utilizzare e devono essere convalidati per essere efficaci. In altre parole, devi sapere quale problema stai risolvendo, quale modello di intelligenza artificiale utilizzerai e quali dati verificati richiederanno. Il problema è che la raccolta di questi dati è difficile e, a seconda di una serie di fattori, la quantità di dati a volte può essere significativa. Il modello di intelligenza artificiale di cui sopra che identificava anomalie su una catena di montaggio? Probabilmente richiederebbe moltissimi campioni diversi di articoli sulla catena di montaggio, con diversi angoli di illuminazione, orientamenti e altre variazioni in modo che il modello possa accogliere tali variazioni. All’interno di ciò, sarà necessario un numero adeguato di campioni che mostrino articoli di buona qualità e campioni che mostrino articoli con anomalie. Solo allora il modello può apprendere che aspetto ha un’anomalia. E per la maggior parte dei modelli di intelligenza artificiale, tutti questi dati devono essere etichettati (ad esempio “nessuna anomalia” o “anomalia”). Questo è l’onere più grande per le aziende poiché spesso non dispongono delle competenze o delle conoscenze necessarie per elaborare accuratamente tutte queste informazioni e la manodopera coinvolta può essere significativa. La blockchain ha dimostrato una capacità unica nel contribuire a risolvere questo problema, con piattaforme come Synesis menzionata sopra che sfruttano gli elementi unici della blockchain specificatamente per convalidare i dati di addestramento dell’intelligenza artificiale. Utilizzando la decentralizzazione, l’immutabilità e le ricompense per il lavoro, la piattaforma è in grado di creare enormi set di dati premiando un’enorme popolazione di contributori in tutto il mondo. Data la sua natura, non ci vuole molto per addestrare qualcuno a convalidare un particolare set di dati. L’apprendimento è rapido e, con un numero sufficiente di persone, il set di dati può essere convalidato, etichettato (risposte allegate a ciascuna immagine o punto dati) e reso disponibile all’azienda che ne ha bisogno. È un modello di business affascinante e che probabilmente vedrà crescere un intero settore nel prossimo anno.
Molte aziende di piccole e medie dimensioni stanno lavorando per creare modelli di intelligenza artificiale proprietari alimentati dai propri dati. Tuttavia, addestrare un modello non è semplice come inserire dati grezzi. La sfida principale che devono affrontare è la mancanza di data scientist interni e di risorse per gestire il… pic.twitter.com/97gQ4JQ8Qb
— Synesis One (@synesis_one) 17 novembre 2024
Facendo uso dell’intelligenza artificiale
Ora che hai compreso il fascino dell’intelligenza artificiale e la sua realtà, puoi avere un’idea migliore dei problemi che può risolvere per la tua azienda. La chiave è identificare questi problemi di classificazione, previsione e ottimizzazione, quindi iniziare a creare i dati necessari per addestrare i modelli. Lavorare con una piattaforma di convalida dei dati come Synesis sarà fondamentale per molte aziende che non possono farlo da sole ma necessitano di una soluzione economicamente vantaggiosa. Una volta fatto, però, la tua azienda potrà essere potenziata con l’intelligenza artificiale in un modo che solo pochi anni fa era fantascienza.
Credito immagine in primo piano: Google DeepMind/Unsplash
