Quando utilizzare l'AI generativa o l'AI tradizionale

Last reviewed 2024-03-19 UTC

Questo documento ti aiuta a capire quando AI generativa, l'AI tradizionale o una combinazione di entrambe potrebbero essere adatte al tuo caso d'uso aziendale.

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

Quando utilizzare l'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 insight e relazioni all'interno di documenti e dati.
  • Generazione di codice e assistenza agli sviluppatori a scrivere, spiegare e documentare il codice.

Le sezioni seguenti forniscono esempi di questi casi d'uso comuni e generali dell'AI generativa che possono essere personalizzati per diversi settori.

Creazione e consigli di contenuti

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

Ricerca conversazionale e chatbot

  • Creiamo assistenti virtuali per le interazioni degli utenti, come l'assistenza clienti e le vendite online,
  • ricerca conversazionale attraverso ampie knowledge base con query in linguaggio naturale.
  • Trovare risposte a domande complesse che combinano richieste 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 rilevare anomalie che indicano attività fraudolente.
  • analizzare il sentiment dei contenuti generati dagli utenti, come i post sui social media e le recensioni dei prodotti.
  • Analizzare le conversazioni trascritte dei call center per estrarre insight come i motivi più comuni per cui i clienti assegnano una valutazione bassa alle interazioni con i call center.

  • Analizza i dati di cybersicurezza come report sulle minacce, articoli e repository per estrarre indicatori chiave di minacce. Questa analisi consente alla difesa proattiva della cybersicurezza di riassumere e dare priorità alle strategie di mitigazione con suggerimenti per una risposta più rapida.

    L'analisi è in grado di tradurre complessi grafici di attacco in spiegazioni in testo normale dell'esposizione. Può anche simulare possibili percorsi di attacco per evidenziare gli asset colpiti 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 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 ulteriori informazioni su come l'AI generativa può trasformare le operazioni aziendali come l'assistenza clienti, la produttività dei dipendenti e l'automazione dei processi, consulta Casi d'uso aziendali in "IA generativa su Google Cloud".

Quando utilizzare l'AI tradizionale

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

  • Casi d'uso relativi alla classificazione:
    • Filtrare le email di spam classificando le email come spam o non spam in base a un modello di classificazione AI tradizionale addestrato sui dati storici.
    • Addestrare un modello di classificazione delle immagini tradizionale su immagini specifiche di prodotti buoni e difettosi per facilitare l'ispezione in tempo reale e il rilevamento dei difetti nel settore manifatturiero.
  • Casi d'uso di regressione:
    • Prevedere valori numerici continui, ad esempio i prezzi delle abitazioni in base alla posizione e alle caratteristiche specifiche.
    • Prevedere le entrate generate da un cliente di una piattaforma di e-commerce durante il suo rapporto con l'azienda in base ai dati storici di acquisto.
  • 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 saperne di più sull'utilizzo dell'AI tradizionale, consulta Usi ed esempi di 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 percorsi decisionali basati sui casi d'uso. In alcuni casi, potrebbe essere meglio utilizzare sia AI tradizionale che l'IA generativa, come descritto nella prossima sezione, "Quando combinare AI generativa con AI'IA 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 e risposte basate sui casi d'uso:

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

    • Se un modello preaddestrato soddisfa i tuoi requisiti, utilizza il modello preaddestrato.
    • Se un modello preaddestrato non è in grado di soddisfare i requisiti, controlla se sono disponibili dati di addestramento sufficienti per addestrare un modello personalizzato.
      • Se sono disponibili dati di addestramento sufficienti, a quale priorità bisogna dare la priorità: maggiore controllo sull'addestramento del modello o go-to-market (GTM) più rapido?
        • Se hai bisogno di un controllo elevato dell'addestramento del modello con personalizzazioni come l'utilizzo di qualsiasi algoritmo del modello preferito, lo sviluppo di funzioni di perdita, l'uso di caratteristiche specifiche della spiegabilità del modello, il numero di strati nel modello, il tasso di apprendimento e altri iperparametri del modello, utilizza un addestramento personalizzato di un modello di AI tradizionale. Per informazioni sulle differenze tra l'addestramento personalizzato o l'addestramento di un modello in Vertex AI tramite AutoML, consulta Scegliere un metodo di addestramento.
        • Se la priorità della tua attività è un GTM più veloce, usa l&#39AIA generativa. Se il tuo caso d'uso è specializzato, puoi migliorare le prestazioni di un modello utilizzando l'ottimizzazione del modello come l'ottimizzazione supervisionata per la classificazione, l'analisi del sentiment o l'estrazione delle entità.
      • Se un set di dati di addestramento non è disponibile o se i set di dati disponibili non sono abbastanza grandi per addestrare un modello personalizzato, utilizza i modelli di AI generativa con il prompt engineering. Questi modelli possono essere ottimizzati ulteriormente per eseguire attività specializzate utilizzando gli esempi di dati.

  • Se il tuo caso d'uso è correlato ai casi d'uso dell'IA predittiva, usa l'IA tradizionale. 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 riassunti, generazione di contenuti o trascrizione avanzata, utilizza l'AI generativa. L'uso dell'AI generativa include casi d'uso che richiedono l'elaborazione e l'inserimento di informazioni provenienti da più modalità, come testo, immagini, video o audio.

Sebbene i data scientist e gli ML engineer generalmente guidano il processo di selezione dei modelli, è importante considerare anche l'input dei principali stakeholder come leader aziendali, proprietari dei prodotti, esperti di dominio e utenti finali. Ad esempio, questi stakeholder potrebbero interagire 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 l'efficacia dei modelli.
  • Utenti finali: potrebbero dover comprendere l'output del modello e come incorporarlo per un processo decisionale più consapevole.

Quando combinare l'AI generativa con l'AI tradizionale

L'IA tradizionale e l'AI generativa non si escludono a vicenda. In alcuni casi d'uso aziendali, possono essere utilizzati per integrarsi a vicenda e raggiungere l'obiettivo commerciale finale. Puoi usare l'output di un modello AI tradizionale come parte del prompt di un modelloAIA generativa. Ecco alcuni esempi di casi d'uso per combinare le funzionalità di AI tradizionale e generativa:

  • AI predittiva tradizionale può analizzare i dati storici per prevedere la probabilità di abbandono Questa analisi può essere integrata con un LLM o un chatbot basato sull'AI generativa, che consente al team di vendita di esplorare le previsioni utilizzando conversazioni in linguaggio naturale. Puoi anche generare dashboard di business intelligence (BI) attraverso una semplice conversazione con il chatbot.
  • L'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.
  • L'AI predittiva tradizionale può identificare i segmenti di clienti per creare campagne di marketing e campagne personalizzate. Puoi quindi utilizzare l'AI generativa per generare contenuti di marketing personalizzati su misura per ciascun segmento identificato.
  • La visione artificiale tradizionale basata sull'IA è in grado di rilevare e classificare il linguaggio dei segni per tradurre l'input video in testo. L'IA generativa può aggiungere la comprensione del contesto e delle sfumature all'interno del linguaggio dei segni, consentendo una traduzione più ottimizzata in testo scritto, incluse più lingue. L'IA generativa può anche generare output vocale dalla traduzione del testo, consentendo una comunicazione bidirezionale senza interruzioni tra firmatari e non firmatari.
  • L'IA tradizionale può eseguire analisi video e usare funzionalità di intelligence video per estrarre insight e funzionalità vitali dagli asset video. Ad esempio, può eseguire il rilevamento di oggetti e rilevamento persone, di testo e l'estrazione da asset video. L'IA generativa può quindi usare questi insight per creare nuove esperienze come chatbot, schede, report o articoli.

Per massimizzare i vantaggi aziendali degli investimenti nell'IA generativa e nell'IA tradizionale, dai la priorità ai risultati aziendali e alle esigenze degli utenti necessari (soluzioni IA incentrate sul business e sull'utente). Questo approccio garantisce che le soluzioni rimangano pertinenti, promuovano l'adozione, migliorino l'efficienza e promuovano l'innovazione. Dare la priorità all'esperienza utente nelle soluzioni basate sull'IA aiuta ad allineare le aspettative e ottenere risultati significativi.

Passaggi successivi