Sbloccare il potenziale aziendale con l'AI open source e il multicloud ibrido

L'intelligenza artificiale (AI) open source è la parola del momento, grazie anche al recente rilascio di modelli linguistici di grandi dimensioni (LLM) a basso costo come DeepSeek-1 e alla crescente importanza di modelli aperti come Llama e Mistral AI.

Queste innovazioni stanno attirando l'attenzione del pubblico e le aziende devono affrontare una questione seria: come trasformare questo entusiasmo in un valore aziendale tangibile?

Tecnologie open source come Linux e Kubernetes, da tempo alla base dei sistemi più critici, offrono trasparenza, stabilità e sicurezza. La loro natura collaborativa favorisce una rapida innovazione, che è stata fondamentale per l'evoluzione di modelli avanzati di AI, inclusa l'AI generativa. Tuttavia, il vero potenziale per il business sta nella combinazione di AI open source e ambienti multicloud ibridi. Questa potente combinazione offre alle aziende:

• Integrazione perfetta

• Scalabilità flessibile

• Maggiore sicurezza

• Soluzioni personalizzate

• Innovazione attraverso la collaborazione

Uno studio di IBM rivela che il 62% delle organizzazioni prevede di aumentare i propri investimenti nell'AI nel 2025 e che quasi la metà riguarda l'uso di strumenti open source per le iniziative di AI.

"Stiamo progettando l'AI per il multicloud", afferma Shobhit Varshney, VP & Senior Partner, AI, Data & Automation Leader di IBM. "Ciò significa che necessitiamo di un unico livello di automazione, sicurezza FinOps e governance che copra tutti i cloud".

Evitare il blocco da fornitore è critico per le aziende e l'open source AI si inserisce naturalmente in un modello multicloud ibrido. Consente alle aziende di integrare modelli AI proprietari, come AWS SageMaker o Google Vertex AI, con modelli aperti come Granite di IBM. La serie di modelli Granite di IBM, open source con Apache 2.0 e progettata per l'integrazione in ambienti di multicloud ibrido, offre alle organizzazioni maggiore libertà e controllo sull'implementazione e la gestione di modelli AI su piattaforme diverse.

"Tutto ciò che consente di gestire il modello nella propria infrastruttura si adatta bene alla progettazione ibrida", spiega Varshnay, "soprattutto quando i sistemi sono progettati per funzionare in modo ottimale in più ambienti di cloud computing e infrastrutture IT on-premise sin dall'inizio".

Questa infrastruttura ibrida assicura che i modelli AI possano spostarsi liberamente tra i cloud, consentendo alle aziende di scegliere l'ambiente migliore per le loro esigenze.

I modelli AI open source offrono una flessibilità senza pari, in particolare durante il ridimensionamento e la distribuzione dei modelli nell'infrastruttura di un'organizzazione. Sebbene le piattaforme di terze parti come Claude di Anthropic o ChatGPT di OpenAI siano facili da implementare, spesso bloccano le aziende in ecosistemi specifici con personalizzazioni limitate. Al contrario, i modelli open source offrono alle organizzazioni il pieno controllo, consentendo loro di creare soluzioni su misura che soddisfano esigenze aziendali uniche.

Questa flessibilità è essenziale per le aziende che operano in più ambienti cloud. Ad esempio, un'azienda che utilizza AWS per lo storage potrebbe distribuire un modello di Google o OpenAI. Tuttavia, i modelli proprietari spesso presentano limitazioni nella compatibilità tra cloud. I modelli open source si integrano perfettamente su varie piattaforme, consentendo alle aziende di scegliere il miglior provider di cloud senza compromettere l'uniformità o la conformità.

I modelli AI open source con hosting autonomo assicurano che i dati sensibili rimangano all'interno dell'infrastruttura IT sicura dell'organizzazione, il che è essenziale per le aziende con severi requisiti di privacy. Evitando i server di terze parti, le aziende mantengono il controllo sui propri dati e ne riducono i rischi legati alla gestione esterna, soprattutto quando si tratta di problemi di sicurezza internazionale.

Un altro vantaggio fondamentale in termini di sicurezza dei modelli open source è la capacità di controllare l'integrità dei modelli stessi. Una ricerca di Anthropic ha evidenziato i potenziali rischi di manipolazione del codice o di vulnerabilità integrate nei modelli AI. I criminali informatici potrebbero introdurre minacce nascoste anche attraverso provider affidabili come Meta o Google.

I modelli open source e in hosting autonomo mitigano questi rischi consentendo alle organizzazioni di ispezionare, convalidare e modificare il codice, garantendo quindi maggiore trasparenza e sicurezza.

"Con l'open source controlli il tuo destino", afferma Varshney. "Sai cosa c'è dietro il modello, come viene addestrato e lo stai ospitando in un ambiente di cui ti fidi".

Oltre alla flessibilità, la capacità di mettere a punto i modelli di AI open source rappresenta un punto di svolta. La messa a punto consente alle aziende di personalizzare i modelli per soddisfare i requisiti specifici del settore, rendendoli ancora più preziosi. Ad esempio, l'ottimizzazione di modelli open source come Llama o Granite in settori come l'assistenza sanitaria o le telecomunicazioni aiuta le aziende ad aggiungere conoscenze specifiche del dominio, migliorando la precisione e le prestazioni dei modelli.

A differenza dei modelli proprietari, dove la messa a punto richiede spesso l'invio di dati proprietari ai server del fornitore, i modelli open source consentono alle aziende di mantenere il pieno controllo sui processi di personalizzazione.

Varshney spiega: "Se si prende un modello di piccole dimensioni, come un modello Granite, è possibile aggiungere un adattatore che comprenda la mia terminologia aziendale. Ad esempio, la terminologia sanitaria è diversa da quella delle telecomunicazioni, quindi posso mettere a punto il modello per comprendere meglio e servire quel dominio specifico".

L'ottimizzazione dei modelli open source sull'infrastruttura interna offre benefici significativi in termini di prestazioni, soprattutto quando i modelli più piccoli vengono ottimizzati con dati proprietari.

"Se stai mettendo a punto un modello più piccolo con i tuoi dati proprietari, questo supererà un modello più grande e non ottimizzato", afferma Varshney. "Ciò crea un vantaggio in termini di costi-prestazioni, poiché i modelli più piccoli e ottimizzati sono più efficienti ed efficaci per i tuoi casi d'uso specifici."

Ad esempio, i primi risultati proof-of-concept dei modelli IBM Granite mostrano che la combinazione di un modello Granite di piccole dimensioni con i dati aziendali consente di ottenere prestazioni per attività specifiche a una frazione del costo, da 3 a 23 volte più economiche rispetto ai modelli di frontiera di grandi dimensioni, superando o eguagliando i concorrenti di pari dimensioni su benchmark chiave.

Questa funzionalità è particolarmente vantaggiosa negli scenari di edge computing, in cui modelli più piccoli e ottimizzati, come Granite, consentono l'elaborazione in tempo reale su dispositivi con potenza di calcolo limitata, eliminando la necessità di un'infrastruttura cloud.

"Si può mettere un modello piccolo su un dispositivo IoT remoto e sbloccare casi d'uso prima impossibili", aggiunge Varshney.

Questo approccio offre sia risparmi sui costi che funzionalità avanzate, soprattutto per ambienti remoti o con risorse limitate.

La natura collaborativa dell'AI open source ne accelera il ritmo di innovazione. Grazie al contributo di una community globale di sviluppatori, questi modelli si evolvono rapidamente, rimanendo all'avanguardia nello sviluppo dell'AI. Questa rapida innovazione è fondamentale per le aziende che cercano di mantenere un vantaggio competitivo nel panorama basato sull'AI.

L'obiettivo del progetto InstructLab di IBM, lanciato in collaborazione con Red Hat, è quello di democratizzare l'accesso alla messa a punto dell'AI, rendendo la personalizzazione dei modelli linguistici di grandi dimensioni più economica e accessibile.

Varshney sottolinea: "La community svolge un ruolo fondamentale nel rafforzare questi modelli, rendendoli più solidi".

La convergenza dell'AI open source e del multicloud ibrido è la strategia definitiva per le aziende che vogliono massimizzare i propri investimenti nell'AI. Integrando modelli open source all'interno di un framework multicloud flessibile, le aziende assicurano che le loro soluzioni AI siano scalabili, adattabili e ottimizzate su qualsiasi piattaforma, sbloccando così un valore significativo per l'azienda.

Uno studio di IBM mostra che il 51% delle aziende che utilizzano l'AI open source segnala rendimenti positivi, sottolineando l'impatto tangibile e misurabile di questo approccio. Adottare questa combinazione di open source e multicloud ibrido è fondamentale per stimolare la crescita in un futuro basato sull'AI.

"L'apertura è il futuro dell'AI", afferma Varshney.

Adottando l'AI open source all'interno di un'infrastruttura di multicloud ibrido, le aziende non solo possono stare al passo con le tendenze emergenti, ma anche fornire un valore duraturo in un mondo basato sull'AI.