Quando utilizzare AI generativa o AI tradizionale

Last reviewed 2024-03-19 UTC

Questo documento ti aiuta a capire quando AI generativa, l'AI tradizionale la combinazione di entrambi potrebbe essere adatta al tuo caso d'uso aziendale.

In questo documento, l'IA tradizionale si riferisce alle funzionalità e ai casi d'uso dell'IA. che potrebbero non richiedere l'impiego di funzionalità di AI generativa, come classificazione e predittivo e i casi d'uso dell'AI. I modelli di IA tradizionali eccellono nell'apprendimento dai dati esistenti a a classificare le informazioni o prevedere i risultati futuri in base a pattern storici. I modelli di IA generativa espandono queste funzionalità per creare riepiloghi, scoprire complesse correlazioni nascoste o generare nuovi contenuti, come testo, immagini o video, che riflettono lo stile e i pattern nei dati di addestramento.

Quando utilizzare AI generativa

In generale, le soluzioni di AI generativa eccellono in attività come le seguenti:

  • Creare e consigliare contenuti.
  • Potenziamento della ricerca conversazionale e dei chatbot.
  • Scalabilità e automazione del flusso di lavoro per attività ripetitive.
  • Usare il ragionamento associativo per trovare approfondimenti e relazioni all'interno documenti e dati.
  • Generazione di codice e assistenza agli sviluppatori nella scrittura, nella spiegazione e per documentare il codice.

Le sezioni seguenti forniscono esempi di queste AI generativa comuni e generali. e casi d'uso personalizzabili per settori diversi.

Creazione e consigli di contenuti

  • Generare contenuti correlati al marketing, come immagini di prodotti, social post multimediali ed email con immagini pertinenti.
  • Traduzione di contenuti come documenti, contenuti di siti web e contenuti conversazioni con chatbot.
  • Riassumere i contenuti testuali, inclusi documenti, articoli, clienti feedback e report, per aiutare a prendere decisioni più informate basate sui dati.
  • Creare riepiloghi delle informazioni da più fonti, che possono includere di testo, immagini e componenti video o audio.
  • Sottotitolaggio o sottotitoli automatici dei video.
  • Creare contenuti multimediali creativi, ad esempio nuove immagini da descrizioni dei prompt di testo, modifica o correzione delle immagini mediante prompt di testo (ad esempio, la rimozione di un oggetto o la modifica della combinazione di colori) e la generazione brevi video o animazioni da prompt di testo o script.
  • Generazione di voci sintetiche realistiche per l'audio come la voce fuori campo tracce e musica.
  • Analizzare e comprendere il comportamento, le preferenze, le recensioni e interazioni passate per fornire consigli personalizzati sui contenuti. Analisi può essere combinato con fattori in tempo reale come la posizione per personalizzare i contenuti consigli su contenuti come prodotti, articoli e video.

Ricerca conversazionale e chatbot

  • Creare assistenti virtuali per le interazioni degli utenti come l'assistenza clienti e vendite online.
  • Consentire la ricerca conversazionale attraverso ampie knowledge base con query in linguaggio naturale.
  • Trovare risposte a domande complesse che combinano domande testuali con immagini correlate.

Comprensione di documenti e dati

  • Estrazione di dati e analisi di contenuti da testi come report, fatture, ricevute, transazioni finanziarie o contratti per evidenziare possibili errori o problemi di conformità, identificare potenziali rischi o scoprire anomalie che indicano attività fraudolente.
  • Analizzare il sentiment dei contenuti generati dagli utenti come i social media post e recensioni prodotto.
  • Analisi delle conversazioni trascritte dei call center per estrarre informazioni quali: come i motivi più comuni per cui i clienti assegnano una valutazione bassa al call center e interazioni.

  • Analizzare i dati di cybersicurezza come report sulle minacce, articoli e repository per estrarre gli indicatori chiave delle minacce. Questa analisi consente difesa informatica proattiva per sintetizzare e dare priorità alla mitigazione strategie con consigli per una risposta più rapida.

    L'analisi è in grado di tradurre complessi grafici di attacco in spiegazioni in chiaro dell'esposizione. Può anche simulare possibili percorsi di attacco per evidenziare e può consigliare delle mitigazioni prima che le risorse possano essere sfruttate.

Generazione di codice e assistenza per gli sviluppatori

L'IA generativa può aiutare con i seguenti tipi di attività in tutte le fasi del ciclo di vita dello sviluppo del software (SDLC):

  • Generazione di specifiche e documentazione delle API utilizzando prompt in linguaggio naturale.
  • Creazione di asset come codice, funzioni, comandi a riga di comando e Script Terraform da prompt in linguaggio naturale.
  • Generazione di test e spiegazioni del codice, inclusi commenti e documentazione per spiegare il codice.

Per saperne di più su come AI generativa può trasformare le operazioni aziendali come l'assistenza clienti, la produttività dei dipendenti e l'automazione dei processi, vedi Casi d'uso aziendali in "Generative AI on Google Cloud."

Quando utilizzare AI tradizionale

I casi d'uso tradizionali dell'IA in genere si concentrano sulla previsione dei risultati futuri classifica una categoria in base a un modello di AI addestrato su modelli origini dati storiche, come tabulari dati e immagini. Le soluzioni di IA tradizionali spesso sono sufficienti per classificazione e casi d'uso dell'AI predittiva, come i seguenti:

  • Casi d'uso della classificazione:
      .
    • Filtrare le email di spam classificando le email come spam o non spam, sulla base di un modello AI di classificazione tradizionale addestrato i dati storici.
    • Addestramento di un modello tradizionale di classificazione delle immagini su immagini di prodotti validi e difettosi per aiutarti a l'ispezione in tempo reale e il rilevamento dei difetti nell'industria manifatturiera.
  • Casi d'uso di regressione:
      .
    • Prevedere valori numerici continui come la previsione di una casa prezzi in base a caratteristiche e posizione specifiche della casa.
    • Previsione delle entrate di un cliente di una piattaforma di e-commerce che genererà durante il loro rapporto con l'azienda sulla base la cronologia degli acquisti.
  • Casi d'uso per la previsione di serie temporali: previsione delle vendite e della domanda.
  • Casi d'uso di clustering: esecuzione della segmentazione dei clienti.

Per ulteriori informazioni sull'uso dell'AI tradizionale, vedi Usi ed esempi dell'analisi predittiva in "Che cos'è l'analisi predittiva?"

Decidere tra AI tradizionale e AI generativa

Il seguente albero decisionale semplificato fornisce un riferimento generale per alcuni e usare percorsi decisionali basati sui casi. In alcuni casi, è preferibile utilizzare entrambi AI tradizionale e AI generativa, come descritto nella prossima sezione, "Quando combinare AI generativa con AI tradizionale."

Un albero decisionale mostra quando utilizzare AI generativa, la classificazione tradizionale o AI predittiva oppure un modello di AI preaddestrato.

L'albero decisionale include le seguenti domande basate sui casi d'uso e risposte:

  • Se il tuo caso d'uso è correlato alla classificazione o al rilevamento, controlla se un modello AI tradizionale preaddestrato possono soddisfare i requisiti dei tuoi casi d'uso. I modelli tradizionali preaddestrati includono API di IA come Document AI, Vision AI, API Natural Language, e l'API Video Intelligence.

    • Se un modello preaddestrato soddisfa i tuoi requisiti, utilizza un modello preaddestrato.
    • Se un modello preaddestrato non è in grado di soddisfare i requisiti, controlla la disponibilità di dati di addestramento sufficienti per addestrare un modello personalizzato.
      • Se sono disponibili dati di addestramento sufficienti, quale avere la priorità: maggiore controllo sull'addestramento del modello o go-to-market (GTM)?
        • Se hai bisogno di un controllo elevato del modello l'addestramento con personalizzazioni come l'utilizzo di qualsiasi modello preferito un algoritmo, sviluppando funzioni di perdita personalizzate, caratteristiche del modello spiegabilità, il numero di strati nel modello, il tasso di apprendimento e altre modello iperparametri, l'addestramento personalizzato di un modello AI tradizionale. Per sulle differenze tra addestramento personalizzato addestrare un modello in Vertex AI mediante AutoML, consulta Scegliere un metodo di addestramento.
        • Se la priorità della tua attività è un GTM più veloce, utilizza l'AI generativa. Se il tuo caso d'uso è specializzato, puoi migliorare le prestazioni di un modello mediante l'ottimizzazione del modello, ottimizzazione supervisionata per la classificazione, l'analisi del sentiment o l'estrazione delle entità.
      • Se non è disponibile un set di dati di addestramento, o se disponibile I set di dati non sono abbastanza grandi per addestrare un modello personalizzato, usa di modelli di AI generativa con prompt engineering. Questi modelli possono essere ottimizzati ulteriormente per eseguire attività specializzate utilizzando esempi di dati.

  • Se il tuo caso d'uso è correlato ai casi d'uso predittivi dell'IA, usa i metodi per AI responsabile. AI predittiva tradizionale è particolarmente efficace con i dati strutturati.

  • Se il tuo caso d'uso è correlato a casi d'uso dell'AI generativa come riassunto, generazione di contenuti o trascrizione avanzata, l'AI generativa. L'uso dell'AI generativa include casi d'uso che richiedono l'elaborazione e l'inserimento di informazioni da diverse modalità come testo, immagini, video o audio.

Sebbene i data scientist e gli ML engineer generalmente guidano la selezione del modello di questo processo, è importante prendere in considerazione anche l'input dei principali stakeholder, come leader aziendali, proprietari di prodotti, esperti di dominio ed utenti finali. Ad esempio: questi stakeholder potrebbero agire nei seguenti modi:

  • Responsabili delle attività e responsabili delle decisioni: approva la selezione quando è in linea con le priorità aziendali.
  • Proprietari dei prodotti: potrebbero richiedere un'influenza o avere un maggiore controllo sul comportamento del modello per allinearlo alle priorità del prodotto.
  • Esperti di dominio: applica le proprie competenze nel settore per migliorare il modello. efficace.
  • Utenti finali: potrebbero dover comprendere l'output del modello e in che modo per integrare i risultati per un processo decisionale più consapevole.

Quando combinare AI generativa con AI tradizionale

L'IA tradizionale e AI generativa non si escludono a vicenda. In alcune attività casi d'uso, possono essere utilizzati per integrarsi a vicenda e soddisfare obiettivo commerciale. Ad esempio, puoi utilizzare l'output di un modello di AI tradizionale del prompt per un modello di AI generativa. Di seguito sono riportati alcuni esempi casi d'uso per combinare le capacità di AI tradizionale e generativa:

  • AI predittiva tradizionale può analizzare i dati storici per eseguire previsioni la probabilità di abbandono dei clienti. Questa analisi può essere integrata con un LLM un chatbot basato sull'AI generativa, che permette al tuo team di vendita di esplorare le previsioni usando conversazioni in linguaggio naturale. Puoi anche generare dashboard di business intelligence (BI) attraverso una semplice conversazione con il chatbot.
  • AI predittiva tradizionale può prevedere i rischi di un caso d'uso specifico, mentre AI generativa può simulare diversi scenari per aiutare a formulare possibili strategie di mitigazione.
  • AI predittiva tradizionale può identificare i segmenti di clienti per contribuire a creare marketing personalizzato e creazione di campagne. Puoi quindi usare i modelli AI per generare contenuti di marketing personalizzati su misura per ciascuno segmento identificato.
  • La visione artificiale tradizionale basata sull'IA è in grado di rilevare e classificare il linguaggio dei segni tradurre l'input video in testo. L'IA generativa può permettere di comprendere contesto e sfumature all'interno del linguaggio dei segni, consentendo una traduzione in testo scritto, incluse più lingue. IA generativa può anche generare un output vocale dalla traduzione del testo, consentendo un'esperienza comunicazione bidirezionale tra firmatari e non firmatari.
  • L'IA tradizionale può eseguire analisi dei video e utilizzare l'intelligenza video per estrarre insight e funzionalità vitali dagli asset video. Per Ad esempio, può eseguire il rilevamento di oggetti, rilevamento persone, testi e l'estrazione dagli asset video. L'IA generativa può quindi utilizzare questi insight per creare nuove esperienze come chatbot, schede, report o articoli.

Per massimizzare i vantaggi aziendali dell'IA generativa e dell'AI tradizionale. investimenti, dare priorità ai risultati aziendali necessari e alle esigenze degli utenti (soluzioni AI incentrate sul business e sugli utenti). Questo approccio garantisce che a garantire la pertinenza, promuovere l'adozione, migliorare l'efficienza e promuovere all'innovazione. Dare la priorità all'esperienza utente nelle soluzioni basate sull'AI aiuta a allineare le aspettative e fornire risultati significativi.

Passaggi successivi