In che modo i foundation model e gli storage di dati sbloccano il potenziale aziendale dell'AI generativa

Fedeli al loro nome, i modelli di AI generativa generano testi, immagini, codice o altre risposte in base al prompt dell'utente. Le organizzazioni che li utilizzano correttamente possono trarre una miriade di vantaggi: dall'aumento dell'efficienza operativa, al miglioramento della capacità decisionale, fino alla creazione rapida di contenuti di marketing. Ma cosa rende possibile la funzionalità generativa di questi modelli e, in ultima analisi, i benefici per l'organizzazione?

È qui che entra in gioco il foundation model. Si tratta del motore sottostante che offre ai modelli generativi le funzionalità avanzate di ragionamento e deep learning che mancano ai modelli di machine learning tradizionali. Insieme ai data store, i foundation model consentono di creare e personalizzare strumenti di AI generativa per le organizzazioni di tutti i settori che desiderano ottimizzare l'assistenza clienti, il marketing, l'HR (inclusa l'acquisizione di talenti) e le funzioni IT.

Noto anche come trasformatore, un foundation model è un algoritmo di AI addestrato su grandi quantità di dati generali. Il termine “foundation model” è stato coniato dallo Stanford Institute for Human-Centered Artificial Intelligence nel 2021.

Un foundation model è basato su un modello di architettura di rete neurale per elaborare le informazioni proprio come fa il cervello umano. I foundation model possono essere addestrati per eseguire attività quali la classificazione dei dati, l'identificazione di oggetti all'interno di immagini (computer vision) e l'elaborazione del linguaggio naturale (PNL) (comprensione e generazione di testo) con un elevato grado di precisione. Possono anche svolgere un apprendimento auto-supervisionato per generalizzare e applicare le loro conoscenze a nuove attività.

Invece di dedicare tempo e impegno all'addestramento di un modello da zero, i data scientist possono utilizzare foundation model pre-addestrati quale punto di partenza per creare o personalizzare modelli AI per un caso d'uso specifico. Ad esempio, un foundation model potrebbe essere utilizzato come base per un modello di AI generativa che viene poi messo a punto con set di dati aggiuntivi per aiutare a scoprire modi più sicuri e veloci per produrre un tipo di prodotto.

Un tipo specifico di foundation model, noto come modello linguistico di grandi dimensioni (LLM), viene addestrato su grandi quantità di dati di testo per le attività di NLP. BERT (Bi-directional Encoder Representations from Transformers) è uno dei primi foundation model di LLM sviluppati. Google ha creato BERT, un modello open source, nel 2018. È stato pre-addestrato su un ampio corpus di dati in lingua inglese con auto-supervisione e può essere utilizzato per una serie di attività tra cui:

• Analizzare il sentiment dei clienti o del pubblico
• Rispondere alle domande del servizio clienti
• Prevedere del testo dai dati di input
• Generare testo in base ai prompt dell'utente
• Riassumere documenti complessi e di grandi dimensioni

Foundation model e modelli tradizionali di machine learning a confronto

Un foundation model utilizzato per l'AI generativa è diverso da un modello di machine learning tradizionale perché può essere addestrato su grandi quantità di dati senza etichetta per supportare applicazioni che generano contenuti o eseguono attività.

Invece, un modello di machine learning tradizionale viene in genere addestrato per svolgere una singola attività utilizzando dati etichettati, ad esempio utilizzando immagini etichettate di auto per addestrare il modello a riconoscere poi le auto in immagini senza etichetta.

Foundation model orientati al valore aziendale

Lo studio watsonx.ai di IBM è una suite di foundation model di codice e linguaggio, ciascuno con un nome in codice a tema geologico, che può essere personalizzato per una vasta gamma di attività aziendali. Tutti i modelli watsonx.ai vengono addestrati sul data lake IBM, specifico e orientato al mondo enterprise.

Disponibile ora: Slate

Slate si riferisce a una famiglia di modelli basati solo su encoder che, sebbene non generativi, sono veloci ed efficaci per molte attività aziendali di PNL.

Prossimamente: Granite

I modelli Granite si basano su un'architettura di soli encoder, simile a GPT, per attività generative.

Prossimamente: Sandstone

I modelli Sandstone utilizzano un'architettura encoder-decoder e sono adatti per la messa a punto di attività specifiche.

Prossimamente: Obsidian

I modelli Obsidian utilizzano una nuova architettura modulare sviluppata da IBM Research, che fornisce un'elevata efficienza di inferenza e livelli di prestazioni in una varietà di attività.

Senza un accesso sicuro a conoscenze affidabili e specifiche del dominio, i foundation model sarebbero molto meno affidabili e vantaggiosi per le applicazioni di AI aziendali. I data store fungono per fortuna da repository sicuro e consente ai foundation model di scalare sia in termini di dimensioni che di dati di apprendimento.

I data store adatti all'AI generativa orientata al business si basano su un'architettura aperta di data lake che riunisce le qualità di un data lake e quelle di un data warehouse. Questa architettura offre risparmi grazie all'object storage a basso costo e consente la condivisione di grandi volumi di dati attraverso formati di tabella aperti come Apache Iceberg, realizzati per l'analytics delle prestazioni e per il trattamento dei dati.

I foundation model possono interrogare grandi volumi di dati specifici del dominio in un container scalabile ed economico. Poiché questi tipi di data store abbinati al cloud consentono una scalabilità praticamente illimitata, le lacune di conoscenza di un foundation model vengono ridotte o addirittura eliminate nel tempo con l'aggiunta di più dati. Più lacune vengono colmate, più affidabile diventa un foundation model e maggiore è la sua portata.

I data store forniscono ai data scientist un repository che possono utilizzare per raccogliere e pulire i dati utilizzati per addestrare e mettere a punto i foundation model. I data store che utilizzano al meglio le infrastrutture cloud e hybrid cloud di terze parti per elaborare una grande quantità di dati sono critici per le efficienze di costo dell'AI generativa.

Quando i foundation model accedono alle informazioni nei data store e vengono ottimizzati nel modo in cui utilizzano queste informazioni per eseguire diverse attività e generare risposte, gli strumenti di AI generativa che ne derivano possono aiutare le organizzazioni a ottenere benefici tra cui:

Aumento dell'efficienza e della produttività

Data science

I data scientist possono utilizzare modelli pre-addestrati per implementare in modo efficiente gli strumenti di AI in una serie di situazioni mission-critical.

Sviluppo

Gli sviluppatori possono scrivere, testare e documentare più velocemente utilizzando strumenti di AI che generano frammenti di codice personalizzati.

Comunicazioni interne

I dirigenti possono ricevere riassunti generati dall'AI di lunghi report, mentre i nuovi dipendenti ricevono versioni concise del materiale di onboarding e di altre risorse.

Operazioni

Le organizzazioni possono utilizzare gli strumenti di AI generativa per l'automazione di varie attività, tra cui:

• Classificazione e categorizzazione dei dati
• Comunicazioni con i clienti
• Inoltro di messaggi al reparto pertinente per ottenere tempi di risposta più rapidi
• Generazione di report
• Prenotazione di riunioni e appuntamenti

Generazione di contenuti più veloce

I team di marketing possono utilizzare gli strumenti di AI generativa per creare contenuti su un'ampia gamma di argomenti. Possono anche tradurre in modo rapido e accurato il materiale marketing in più lingue.

Analytics più precisa

I leader aziendali e gli altri stakeholder possono effettuare analisi assistite dall'AI per interpretare grandi quantità di dati non strutturati, ottenendo una migliore comprensione del mercato, del sentiment ai fini della reputazione, ecc.

Per aiutare le organizzazioni a moltiplicare l'impatto dell'AI sul business, IBM offre il portfolio di prodotti di AI watsonx,. Il portfolio è costituito da tre potenti prodotti:

• Lo studio watsonx.ai per i nuovi foundation model, l'AI generativa e il machine learning
• Lo storage dei dati fit-for purpose di watsonx.data, costruito su un'architettura open lakehouse
• Il toolkit watsonx.governance, per accelerare i workflow dell'AI, creati con responsabilità, trasparenza e spiegabilità.