Quali sono le sfide principali che le imprese affrontano oggi nell'integrazione delle tecnologie AI e come si possono affrontare? In ambito AI, non esiste una soluzione universale valida per tutte le esigenze. Ogni azienda ha necessità uniche e diverse e va quindi scelto il modello più adatto in funzione dello specifico utilizzo. Tale scelta deve considerare diversi aspetti, come la complessità del problema da risolvere, la scalabilità della soluzione, e naturalmente il costo di implementazione. Occorre quindi identificare il contesto in cui l’AI può portare valore e scegliere il modello in base alla sua capacità di risolvere nel modo più efficace e sostenibile quel problema specifico. Come è avvenuto per l’hybrid cloud, anche nell’AI l'approccio vincente è dunque quello multi-modello, perché consente alle aziende di utilizzare più modelli di AI, ciascuno ottimizzato per casi d'uso particolari, e permette di massimizzare i benefici, migliorando l'efficacia complessiva della soluzione e riducendo i rischi associati all'adozione di un singolo modello. Per esempio, modelli come Granite, sviluppati da IBM, sono ideali per migliorare la produttività, ottimizzare i processi aziendali e poi, essendo addestrati solo con i dati che servono all’uso, consentono prestazioni migliori con costi accessibili. Inoltre, essendo disponibili anche per la comunità open-source, sono trasparenti, personalizzabili e soggetti a migliorie continue grazie alla collaborazione globale tra gli sviluppatori della comunità open che ne migliorano continuamente la qualità. L'approccio collaborativo non solo favorisce l'affidabilità dei modelli, ma permette anche di democratizzare l’accesso alla tecnologia, correggendo pregiudizi e imprecisioni, e rendendo il progresso tecnologico più inclusivo e accessibile a chiunque. L'AI richiede anche un forte investimento da parte delle imprese in competenze interne, per favorirne l’adozione consapevole e strategica. Investimento non solo in acquisizione di nuovi talenti, ma anche in formazione continua che diventa essenziale per garantire una gestione ottimale, proattiva e migliorativa dell’AI. Quali sono gli ambiti d’uso nei quali l’AI generativa può essere maggiormente efficace? Secondo l’esperienza maturata con i nostri clienti, alcuni dei principali casi d’uso di watsonx, il portfolio di prodotti di AI generativa di IBM riguardano il mondo produttivo, dove nelle sue due declinazioni di AI generativa e Machine Learning tradizionale può facilitare e ottimizzare i processi. Ad esempio, un assistente viene messo a disposizione degli operatori di manutenzione per facilitare e velocizzare gli interventi in linea in caso di guasto di una macchina, o l’ottimizzazione dello scheduling di produzione. Altri casi d’uso interessanti riguardano il mondo della PA dove, per esempio, watsonx è utilizzato per migliorare il sistema di gestione delle gare d'appalto con funzionalità quali la ricerca semantica, il clustering di argomenti, l'estrazione di entità e la creazione di contenuti. Le esigenze sono quelle di facilitare l'interazione tra i fornitori e i clienti della PA all'interno di un Portale Pubblico già in uso e di snellire i processi di business sia per le PA che per gli Operatori Economici; oppure come interprete digital, dove attraverso l’AI generativa si utilizzano le capacità multilingua dei modelli di tipo LLM, superando le limitazioni imposte da sistemi di traduzione "tradizionali", rendendo possibile una sintesi del dialogo al termine della conversazione stessa oltre all’identificazione dei temi e delle informazioni più rilevanti, allargando la possibilità di traduzione anche alle lingue arabe oltre che a quelle europee. Anche la generazione documentale è un caso d’uso interessante trasversale a molti settori: l'AI generativa permette di creare nuovi contenuti a partire da quelli esistenti grazie a watsonx che offre un intero ecosistema di servizi per la raccolta automatica delle informazioni e la loro analisi semantica, per la generazione di testi sempre più allineati con il proprio "linguaggio" di business, per il controllo della qualità dei risultati e la verifica del contenuto generato rispetto a quelli originali.
Quali sono le sfide principali che le imprese affrontano oggi nell'integrazione delle tecnologie AI e come si possono affrontare? In ambito AI, non esiste una soluzione universale valida per tutte le esigenze. Ogni azienda ha necessità uniche e diverse e va quindi scelto il modello più adatto in funzione dello specifico utilizzo. Tale scelta deve considerare diversi aspetti, come la complessità del problema da risolvere, la scalabilità della soluzione, e naturalmente il costo di implementazione. Occorre quindi identificare il contesto in cui l’AI può portare valore e scegliere il modello in base alla sua capacità di risolvere nel modo più efficace e sostenibile quel problema specifico. Come è avvenuto per l’hybrid cloud, anche nell’AI l'approccio vincente è dunque quello multi-modello, perché consente alle aziende di utilizzare più modelli di AI, ciascuno ottimizzato per casi d'uso particolari, e permette di massimizzare i benefici, migliorando l'efficacia complessiva della soluzione e riducendo i rischi associati all'adozione di un singolo modello. Per esempio, modelli come Granite, sviluppati da IBM, sono ideali per migliorare la produttività, ottimizzare i processi aziendali e poi, essendo addestrati solo con i dati che servono all’uso, consentono prestazioni migliori con costi accessibili. Inoltre, essendo disponibili anche per la comunità o