Dopo il rilascio di ChatGPT, l’interesse per l’intelligenza artificiale generativa è letteralmente esploso in tutto il mondo (gli indici Google Trends mostrano chiaramente come il termine Generative AI sia cresciuto esponenzialmente negli ultimi mesi), e sappiamo ormai in tanti che l’intelligenza artificiale generativa riguarda tecnologie per la generazione di testi, immagini, canzoni o video. Una delle cose di cui più si discute in questo momento, è l’impatto di tali innovazioni sia sui lavori più tradizionali che sulle professioni creative.
Parliamo allora di quello che le aziende possono e devono valutare in questo momento.
ChatGPT in azienda: le opportunità e i pericoli da non sottovalutare
Le società di tutto il mondo hanno intuito l’enorme portata di queste innovazioni e un’analisi che BCG ha condotto su diversi settori, rivela che nel campo della tecnologia l’88% dei software developer dichiara una maggiore produttività usando GitHub Copilot oppure che, in ambito farmaceutico è stato possibile individuare un nuovo farmaco candidato al trattamento della Fibrosi Idiopatica Polmonare in soli 21 giorni anziché in anni (come con i metodi tradizionali) con l’AI generativa, o, infine, come nel settore assicurativo è stato possibile ridurre del 30% i costi di customer service. Infine: si prevede una crescita del mercato mondiale della Generative AI con un CAGR del 66% su 5 anni, atterrando a un valore di circa $121B previsto per il 2027.
La priorità per i CEO e per il management delle aziende
La priorità per i CEO e per il Management delle aziende però, non è “immergersi” nella tecnologia, ma capire come questa tecnologia può aiutarli a costruire un vantaggio competitivo. I vertici aziendali perciò, dovranno valutare ogni nuovo modello di AI generativa in relazione al proprio modello di business rispetto tre dimensioni chiave: la “Truth Function”, i “Dati Proprietari” e l’ “Impatto Economico”.
La Truth Function
Nella dimensione delle “Truth Function” gli executive dovranno porsi domande del tipo “Quali casi d’uso sono supportati dall’accuratezza del nuovo modello? Quali sono i compromessi tra funzionalità e precisione?”.
L’Intelligenza Artificiale generativa infatti, è un modello probabilistico che genera output.
Il modello non sta cercando di massimizzare la verità e, come tale, a volte produce affermazioni errate, dette anche “allucinazioni”. Tuttavia, l’enfasi dell’AI generativa sulla creatività (al contrario dell’accuratezza) non è un bug, ma una preziosa caratteristica di progettazione e con un’adeguata supervisione umana, questa caratteristica può essere una risorsa anche per le imprese.
I dati proprietari
Nella dimensione dei “Dati proprietari” le domande diventano invece: “Le aziende possono utilizzare i dati proprietari abbinati a modelli di Generative AI al fine di rafforzare il proprio vantaggio competitivo? Quale livello di data protection a data privacy offre il fornitore del LLM (Large Language Model)?
I dati sono una delle risorse più importanti e distintive possedute dalle aziende moderne. Da un lato gli executive devono individuare quali sono i modelli più adatti a gestire i loro dati proprietari per ottenere un vantaggio competitivo; dall’altro devono, però, garantire che tali modelli rispettino gli standard di privacy e protezione dei dati interni e dei loro clienti. Su questo aspetto ci sono già delle reazioni, ad esempio, OpenAI ha annunciato il 1° marzo 2023, che non utilizzerà più i dati dei clienti per addestrare i propri modelli a meno che i clienti non decidano esplicitamente di aderire.
L’impatto economico
Infine, per quanto riguarda la dimensione dell’Impatto Economico, le domande potrebbero essere: “Quali sono i costi operativi totali per utilizzare il modello? E quali competenze e risorse saranno necessarie per addestrare, perfezionare o trarre vantaggi da tali modelli?
Per raggiungere le attuali performance, gli LLM hanno rapidamente aumentato il loro numero di parametri. I modelli risultanti hanno elevati requisiti computazionali e necessitano grande mole di dati per il training, il fine-tuning e l’inferenza, e sono più difficili da eseguire in locale. Tuttavia, i recenti sviluppi sembrano invertire questa tendenza: alcuni modelli più recenti, come ad es. LlaMA di Meta, funzionano con meno parametri senza sacrificare la qualità, rendendo il fine-tuning più semplice e accessibili da eseguire, anche su comuni laptop di fascia alta.
È importante che le aziende valutino tutte queste caratteristiche per stimare anche l’evoluzione dei relativi costi e le tecniche per ottimizzarli.
Conclusioni
I colossi tecnologici stanno entrando pesantemente nel mondo dell’AI Generativa, ad esempio Microsoft ha annunciato che includerà ChatGPT (CoPilot) nei propri prodotti e in particolare nella suite Office (Word, Power Point e Excel) e Open AI (l’azienda che ha sviluppato ChatGPT) di aver rilasciato GPT-4[1], un modello ancora più performante di ChatGPT (basato su GPT3.5) che accetta in input sia testi che immagini e produce output ancora più affidabili. Tanto per avere un’idea della evoluzione e della complessità computazionale di questi modelli, GPT-4 è basato su una deep neural network che gestisce 1.600 miliardi di parametri rispetto ai 175 milardi di GPT3, mentre i primi modelli di machine learning degli anni ‘70 ne gestivano solo 1k.
Infine, dunque, al di là del tema costi, gli executive non dovrebbero trascurare la necessità di preservare il proprio vantaggio rispetto alla concentrazione della tecnologia in mano di pochi operatori che hanno a disposizione i migliori talenti e maggiori risorse computazionali. Sarà fondamentale quindi valutare quanto del processo di sviluppo costruire internamente e quanto esternalizzare bilanciando il costo dell’outsourcing, l’importanza di mantenere l’IP e la portata della capacità interna necessaria per costruire e mantenere ogni aspetto dell’applicazione (come il modello di hosting stesso, il fine-tuning, e la creazione di API).
Ultimo, ma non per importanza: non vanno sottovalutati i rischi legati alla produzione di “biased output” o “alla violazione di copyright” che possono incrementare sia eventuali crisi reputazionali che determinare criticità dal punto di vista legale.
- Generative Pre-trained Transformer di quarta generazione. ↑
