Quando utilizzare l'AI generativa o l'AI tradizionale

Last reviewed 2024-03-19 UTC

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

In questo documento, l'espressione IA tradizionale fa riferimento a funzionalità e casi d'uso di IA che potrebbero non richiedere l'utilizzo di funzionalità di AI generativa, come alcuni casi d'uso di classificazione e predittivi di AI. I modelli di IA tradizionali sono eccellenti nell'apprendimento dai dati esistenti per classificare informazioni o prevedere risultati futuri in base a pattern storici. I modelli di IA generativa ampliano queste funzionalità per creare riepiloghi, scoprire correlazioni nascoste complesse o generare nuovi contenuti, come testo, immagini o video, che riflettono lo stile e i pattern all'interno dei dati di addestramento.

Quando utilizzare l'AI generativa

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

  • Creare e consigliare contenuti.
  • Supporto di ricerca conversazionale e chatbot.
  • Scalabilità e automazione del flusso di lavoro per attività ripetitive.
  • Usare il ragionamento associativo per trovare insight e relazioni all'interno di documenti e dati.
  • Generare codice e assistere gli sviluppatori nella scrittura, nella spiegazione e nella documentazione del codice.

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

Creazione di contenuti e suggerimenti

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

Ricerca conversazionale e chatbot

  • Creare assistenti virtuali per le interazioni degli utenti, come l'assistenza clienti e le vendite online.
  • Ricerca conversazionale attraverso vaste knowledge base con query in linguaggio naturale.
  • Trovare risposte a domande complesse che combinano richieste testuali con immagini correlate.

Comprensione di documenti e dati

  • Estrarre e analizzare contenuti da testi quali report, fatture, ricevute, transazioni finanziarie o contratti per evidenziare possibili errori o problemi di conformità, identificare potenziali rischi o scoprire anomalie indicative di attività fraudolente.
  • Analizzare il sentiment dei contenuti generati dagli utenti, come i post sui social media e le recensioni di prodotti.
  • Analisi delle conversazioni trascritte dei call center per estrarre insight quali i motivi più comuni per cui i clienti danno una valutazione bassa alle interazioni con i call center.

  • Analisi dei dati di cybersicurezza come report sulle minacce, articoli e repository per estrarre i principali indicatori di minacce. Questa analisi consente alla difesa informatica proattiva di riassumere e dare priorità alle strategie di mitigazione con suggerimenti per una risposta più rapida.

    L'analisi può tradurre complessi grafici di attacco in spiegazioni testo normale dell'esposizione. Può anche simulare possibili percorsi di attacco per evidenziare gli asset interessati e consigliare mitigazioni prima che gli asset vengano sfruttati.

Generazione di codice e assistenza per gli sviluppatori

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

  • Generare specifiche e documentazione sulle 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 sul 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 Casi d'uso aziendali in "IA generativa su Google Cloud".

Quando utilizzare l'AI tradizionale

I casi d'uso di IA tradizionali generalmente si concentrano sulla previsione dei risultati futuri o sulla classificazione di una categoria in base a un modello di AI addestrato su origini dati storiche esistenti, come dati e immagini tabulari. Le soluzioni IA tradizionali spesso sono sufficienti per affrontare diversi casi d'uso di AI predittiva e di classificazione, tra cui:

  • Casi d'uso di classificazione:
    • Filtrando lo spam delle email classificando le email come spam o non spam, in base a un modello di classificazione tradizionale di AI addestrato sui dati storici.
    • Addestramento di un modello tradizionale di classificazione delle immagini su immagini specifiche di prodotti buoni e difettosi per agevolare l'ispezione in tempo reale e il rilevamento dei difetti nel settore manifatturiero.
  • Casi d'uso della regressione:
    • Previsione di valori numerici continui, ad esempio la previsione dei prezzi delle case in base a specifiche caratteristiche dell'abitazione e posizione.
    • Prevedere le entrate che un cliente di una piattaforma di e-commerce genererà durante il rapporto con l'azienda in base ai dati di acquisto storici.
  • Casi d'uso per la previsione di serie temporali: previsione di vendite e domanda.
  • Cluster di casi d'uso: segmentazione dei clienti.

Per saperne di più sull'uso dell'AI tradizionale, consulta Utilizzi ed esempi dell'analisi predittiva in "Che cos'è l'analisi predittiva?"

Scegli tra AI tradizionale e AI generativa

Il seguente albero decisionale semplificato fornisce un riferimento generale per alcuni percorsi decisionali basati sui casi d'uso. In alcuni casi, potrebbe essere preferibile utilizzare sia AI tradizionale sia l'IA generativa, come descritto nella sezione successiva, "Quando combinare AI generativa con AI'IA tradizionale".

Un albero decisionale mostra quando utilizzare AI generativa, la classificazione tradizionale o AI predittiva o un modello di AI preaddestrato.

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 caso d'uso. I modelli tradizionali preaddestrati includono API IA come Document AI, Vision AI, API Natural Language e API Video Intelligence.

    • Se un modello preaddestrato soddisfa i tuoi requisiti, utilizza il modello preaddestrato.
    • Se un modello preaddestrato non è in grado di soddisfare i requisiti, verifica se sono disponibili dati di addestramento sufficienti per l'addestramento personalizzato di un modello.
      • Se sono disponibili dati di addestramento sufficienti, a cosa occorre dare la priorità: un maggiore controllo sull'addestramento del modello o una accelerazione del go-to-market (GTM)?
        • Se hai bisogno di un controllo elevato dell'addestramento dei modelli con personalizzazioni, come l'utilizzo di qualsiasi algoritmo del modello preferito, lo sviluppo di funzioni di perdita, l'utilizzo di caratteristiche specifiche della spiegabilità del modello, del numero di livelli nel modello, del tasso di apprendimento e di altri iperparametri del modello, utilizza l'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 Scegliere un metodo di addestramento.
        • Se la tua azienda è un GTM più veloce, usa l'AI generativa. Se il tuo caso d'uso è specializzato, puoi migliorare le prestazioni di un modello utilizzando l'ottimizzazione del modello come l'ottimizzazione supervisionata per la classificazione, l'analisi del sentiment o l'estrazione delle entità.
      • Se un set di dati di addestramento non è disponibile o se i set di dati disponibili non sono abbastanza grandi per addestrare un modello personalizzato, utilizza i modelli di AI generativa con il prompt engineering. Questi modelli possono essere ottimizzati ulteriormente per eseguire attività specializzate utilizzando esempi di dati.

  • Se il tuo caso d'uso è correlato a casi d'uso di AI predittiva, usa l'AI tradizionale. AI predittiva tradizionale è particolarmente efficace con i dati strutturati.

  • Se il tuo caso d'uso riguarda casi d'uso di AI generativa come riassunto, generazione di contenuti o trascrizione avanzata, utilizza l'AI generativa. L'uso dell'AI generativa include casi d'uso che richiedono l'elaborazione e l'inserimento di informazioni da diverse modalità, come testo, immagini, video o audio.

Sebbene i data scientist e i ML engineer siano responsabili del processo di selezione del modello, è importante considerare anche il contributo dei principali stakeholder, come leader aziendali, proprietari dei prodotti, esperti di dominio e utenti finali. Ad esempio, questi stakeholder potrebbero impegnarsi 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 un'influenza o avere un maggiore controllo sul comportamento del modello per allinearlo alle priorità dei prodotti.
  • Esperti di dominio: applica le loro competenze nel dominio per migliorare l'efficacia del modello.
  • Utenti finali: potrebbero dover comprendere l'output del modello e come incorporarlo per un processo decisionale più consapevole.

Quando combinare l'AI generativa con l'AI tradizionale

L'IA tradizionale e l'AI generativa non si escludono a vicenda. In alcuni casi d'uso aziendali, possono essere utilizzati in modo complementare per raggiungere l'obiettivo aziendale principale. Ad esempio, puoi usare l'output di un modello di AI tradizionale come parte del prompt per un modelloAIA generativa. Di seguito sono riportati alcuni esempi di casi d'uso per combinare funzionalità di AI tradizionale e generativa:

  • 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 su AI generativa che permette al team di vendita di esplorare le previsioni mediante 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 AI generativa può simulare scenari diversi per aiutare a formulare possibili strategie di mitigazione.
  • L'AI predittiva tradizionale può identificare i segmenti di clienti per creare contenuti di 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 tradizionale è in grado di rilevare e classificare il linguaggio dei segni, L'IA generativa può migliorare la comprensione del contesto e delle sfumature del linguaggio dei segni, consentendo una traduzione più ottimizzata in testi scritti, incluse più lingue. L'IA generativa può anche generare un output vocale dalla traduzione del testo, consentendo una comunicazione bidirezionale senza interruzioni tra firmatari e non firmatari.
  • L'IA tradizionale consente di analizzare video e usare funzionalità di intelligence video per estrarre insight e funzionalità essenziali. Ad esempio, può eseguire il rilevamento di oggetti, rilevamento persone, il rilevamento di testo ed l'estrazione da asset video. L'IA generativa può usare questi approfondimenti per creare nuove esperienze come chatbot, schede, report o articoli.

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

Passaggi successivi