AI generativa e AI predittiva: qual è la differenza?

Molti strumenti di AI generativa sembrano possedere il potere della previsione. Gli AI chatbot conversaizonali, come ChatGPT, possono suggerire la strofa successiva di una canzone o di una poesia. Software come DALL-E o Midjourney possono creare opere d'arte originali o immagini realistiche da descrizioni in linguaggio naturale. Gli strumenti di completamento del codice, come GitHub Copilot, possono consigliare le prossime righe di codice.

L'AI generativa non è un'AI predittiva. L'AI predittiva è una classe a sé stante di intelligenza artificiale e, sebbene possa essere un approccio meno conosciuto, è comunque uno strumento potente per le aziende. Esaminiamo le due tecnologie e le principali differenze.

L'AI generativa (gen AI) è l'intelligenza artificiale che risponde al prompt o alla richiesta di un utente con contenuti originali generati, come audio, immagini, codice software, testo o video.

I modelli di gen AI vengono addestrati su enormi volumi di dati non elaborati. Questi modelli attingono da modelli e relazioni codificati nei dati di addestramento per comprendere le richieste degli utenti e creare nuovi contenuti pertinenti simili, ma non identici, ai dati originali.

La maggior parte dei modelli di AI generativa inizia con un foundation model, un tipo di modello di deep learning che "impara" a generare output quando richiesto da un prompt. I modelli linguistici di grandi dimensioni(LLMs) rappresentano un foundation model comune per la generazione di testo, ma esistono altri foundation model per diversi tipi di generazione di contenuti.

L'AI predittiva unisce l'analisi statistica con algoritmi di machine learning per trovare modelli di dati e prevedere i risultati futuri. Estrae insight dai dati storici per fare previsioni accurate su risultati, eventi in programma o tendenze più probabili.

I modelli AI migliorano la velocità e la precisione degli analytics predittivi e vengono solitamente utilizzati per il forecasting aziendale al fine di prevedere le vendite, stimare la domanda di prodotti o servizi, personalizzare l'esperienza del cliente e ottimizzare la logistica. In breve, l'AI predittiva aiuta le aziende a prendere decisioni informate sui prossimi passi da intraprendere.

Sia l'AI generativa che l'AI predittiva rientrano nell'ambito dell'AI, ma sono due cose distinte. Ecco in cosa differenziano le due tecnologie AI:

L'AI generativa viene addestrata su grandi set di dati contenenti milioni di contenuti campione. L'AI predittiva può utilizzare set di dati più piccoli e mirati come dati di input.

Sebbene entrambi i sistemi AI utilizzino un elemento di previsione per produrre i propri output, l'AI generativa crea nuovi contenuti mentre l'AI predittiva prevede eventi e risultati futuri.

La maggior parte dei modelli di AI generativa si basa su queste architetture:

• I modelli di diffusione  funzionano aggiungendo prima rumore ai dati di addestramento fino a renderli casuali e irriconoscibili, quindi addestrando l'algoritmo a diffondere il rumore in modo iterativo per rivelare l'output desiderato.

• Le reti generative avversarie (GAN) sono costituite da due reti neurali: un generatore che produce nuovi contenuti e un discriminatore che valuta l'accuratezza e la qualità dei contenuti generati. Questi algoritmi AI antagonisti spingono il modello a generare output di qualità sempre più elevata.

• I modelli trasformatori utilizzano il concetto di attenzione per determinare cosa è più importante dei dati all'interno di una sequenza. I trasformatori utilizzano, quindi, questo meccanismo di auto-attenzione per elaborare intere sequenze di dati contemporaneamente, catturare il contesto dei dati all'interno della sequenza e codificare i dati di addestramento in embedding o iperparametri che rappresentano i dati e il loro contesto.

• Gli autoencoder variazionali (VAE) sono modelli generativi che apprendono rappresentazioni compresse dei loro dati di addestramento e creano variazioni di tali rappresentazioni apprese per generare nuovi dati di esempio.

Contemporaneamente, molti modelli di AI predittiva applicano questi algoritmi statistici e modelli di machine learning:

• Il clustering classifica diversi punti dati o osservazioni in gruppi o cluster in base alle somiglianze per comprendere i modelli di dati sottostanti.
• Gli alberi decisionali implementano una strategia di suddivisione del tipo "dividi et impera" per una classificazione ottimale. Allo stesso modo, gli algoritmi di random forest combinano l'output di più alberi decisionali per raggiungere un unico risultato.
• I modelli di regressione determinano le correlazioni tra le variabili. La regressione lineare, ad esempio, rappresenta una relazione lineare tra due variabili.
• I metodi delle serie temporali modellano i dati storici come una serie di punti dati tracciati in ordine cronologico per proiettare le tendenze future.

La maggior parte dei modelli di AI generativa manca di attendibilità, poiché spesso è difficile o impossibile comprendere i processi decisionali alla base dei loro risultati. Al contrario, le stime predittive dell'AI sono più spiegabili perché si basano su numeri e statistiche. Ma l'interpretazione di queste stime dipende ancora dal giudizio umano, e un'interpretazione errata potrebbe portare a una linea d'azione sbagliata.

La scelta di utilizzare l'AI dipende da vari fattori. In un video di IBM® AI Academy sulla scelta del caso d'uso per la propria azienda, Nicholas Renotte, chief AI engineer di IBM Client Engineering, osserva che "in definitiva, scegliere il caso d'uso giusto per gli strumenti di gen AI, AI e machine learning richiede un'attenzione verso numerose variabili. Occorre assicurarsi che la migliore tecnologia risolva il problema giusto."

Lo stesso vale quando si decide se utilizzare l'AI generativa o l'AI predittiva. "Se stai implementando l'AI per la tua azienda, devi davvero pensare al tuo caso d'uso e se è giusto per la gen AI o se è più adatto per un'altra tecnica o strumento di AI", afferma Renotte. "Ad esempio, molte aziende vogliono generare una previsione finanziaria, ma in genere ciò non richiede una soluzione di gen AI, soprattutto quando esistono modelli in grado di farlo a una frazione del costo."

Poiché eccelle nella creazione di contenuti, la gen AI ha molteplici e vari casi d'uso. Potrebbero emergere altri man mano che la tecnologia avanza. Ecco dove le applicazioni di AI generativa possono essere implementate in vari settori:

• Servizio clienti: le organizzazioni possono utilizzare chatbot e agenti virtuali basati su gen AI per offrire supporto in tempo reale, fornire risposte personalizzate e avviare azioni per conto di un cliente.
  
  
• Gaming: i modelli di gen AI possono aiutare a creare ambienti reali, personaggi realistici, animazioni dinamiche ed effetti visivi dinamici per videogiochi e simulazioni virtuali.
  
  
• Sanità: l'AI generativa può creare dati sintetici per addestrare e testare i sistemi di imaging medico, al fine di tutelare meglio la privacy dei pazienti. La gen AI può anche proporre molecole completamente nuove, accelerando il processo di scoperta dei farmaci.
  
  
• Marketing e pubblicità: l'AI generativa può progettare immagini accattivanti e creare testi pubblicitari e di vendita convincenti, personalizzati per ogni tipo di destinatario.
  
  
• Sviluppo software: gli strumenti di generazione di codice possono accelerare il processo di scrittura di nuovo codice e automatizzare le fasi di debug e test.

L'AI predittiva viene utilizzata principalmente nella finanza, nel retail, nell'e-commerce e nella produzione. Ecco alcuni esempi di applicazioni di AI predittiva:

• Previsioni finanziarie: gli istituti finanziari utilizzano modelli AI per prevedere le tendenze del mercato, i prezzi delle azioni e altri fattori economici.

• Rilevamento delle frodi: le banche utilizzano l'AI predittiva per individuare transazioni sospette in tempo reale che indicano attività fraudolente.

• Gestione dell'inventario: proiettando le vendite e la domanda, l'AI predittiva può aiutare le aziende a pianificare e controllare i livelli di inventario.

• Raccomandazioni personalizzate: i modelli di AI predittiva possono aiutare ad analizzare i modelli nei dati sul comportamento dei clienti per suggerimenti più personalizzati che possono portare a una migliore esperienza del cliente.

• Gestione della supply chain: l'AI predittiva può aiutare nell'ottimizzazione della logistica e delle operazioni, dei piani di produzione, dell'allocazione delle risorse e della pianificazione del workload.

La scelta tra queste due tecnologie non deve necessariamente essere di tipo esclusivo. Le aziende possono adottare sia l'AI generativa che l'AI predittiva, utilizzandole strategicamente insieme a beneficio del proprio business.

Scopri di più sulla piattaforma IBM watsonx e su come può accelerare i tuoi obiettivi di AI. Sfrutta le funzionalità dell'AI generativa dei modelli basati su watsonx.ai per aiutare a scoprire modelli e anomalie, così da poter effettuare previsioni precise e su misura per le tue esigenze.