Quando utilizzare l'AI generativa o l'AI tradizionale

Questo documento ti aiuta a identificare quando AI generativa, l'AI tradizionale o una combinazione di entrambe 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'utilizzo di funzionalità di IA generativa, come alcuni casi d'uso di IA di classificazione e previsione. I modelli di IA tradizionali sono eccellenti nell'imparare 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 testo, immagini o video, che riflettano 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:

  • Creare e consigliare contenuti.
  • Supporto della ricerca conversazionale e dei chatbot.
  • Scalabilità e automazione del flusso di lavoro per attività ripetitive.
  • Utilizzo del ragionamento associativo per trovare approfondimenti e relazioni all'interno di documenti e dati.
  • Generazione di codice e assistenza per gli sviluppatori nella scrittura, nella spiegazione e nella documentazione del 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 sui contenuti

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

Ricerca conversazionale e chatbot

  • Creazione di assistenti virtuali per le interazioni con gli utenti, come l'assistenza clienti e le vendite online.
  • Attivazione della ricerca conversazionale tramite grandi basi di conoscenza con query in linguaggio naturale.
  • Trovare le risposte a domande complesse che combinano richieste di testo con immagini correlate.

Comprensione di documenti e dati

  • Estrazione di dati e analisi di contenuti da testo, come report, fatture, scontrini, 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 post sui social media e recensioni di prodotti.
  • Analisi delle conversazioni trascritte del call center per estrarre informazioni, ad esempio i motivi più comuni per cui i clienti assegnano una valutazione bassa alle interazioni con il call center.

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

    L'analisi può tradurre grafici complessi relativi agli attacchi in spiegazioni di testo normale sull'esposizione. Inoltre, può simulare possibili percorsi di attacco per evidenziare gli asset interessati e consigliare mitigazioni prima che gli asset possano essere sfruttati.

Generazione di codice e assistenza per gli sviluppatori

L'IA generativa può aiutarti a svolgere i seguenti tipi di attività in tutte le fasi del ciclo di vita dello sviluppo 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 l'AI generativa può trasformare le operazioni aziendali come l'assistenza clienti, la produttività dei dipendenti e l'automazione dei processi, consulta i casi d'uso aziendali in "IA generativa su Google Cloud".

Quando utilizzare l'AI tradizionale

I casi d'uso dell'IA tradizionale in genere si concentrano sulla previsione di 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. Spesso le soluzioni di AI tradizionali sono sufficienti per affrontare diversi casi d'uso di classificazione e AI predittiva, come i seguenti:

  • Casi d'uso della classificazione:
    • Filtrare le email di spam classificandole come spam o non spam, in base a un modello di AI di classificazione tradizionale addestrato su dati storici.
    • Addestramento di un modello di classificazione delle immagini tradizionale su immagini specifiche di prodotti buoni e difettosi per contribuire efficacemente all'ispezione e al rilevamento dei difetti in tempo reale nella produzione.
  • Casi d'uso della regressione:
    • Prevedere valori numerici continui, ad esempio i prezzi delle case in base a caratteristiche e posizione specifiche.
    • Prevedere le entrate che un cliente di una piattaforma di e-commerce genererà durante il suo rapporto con l'azienda in base ai dati storici di acquisto.
  • Casi d'uso della previsione delle serie temporali: previsione delle vendite e della domanda.
  • Casi d'uso del clustering: segmentazione dei clienti.

Per ulteriori informazioni sull'utilizzo dell'AI tradizionale, consulta Utilizzi ed esempi di analisi predittiva in "Che cos'è l'analisi predittiva?"

Scegliere tra AI tradizionale e AI generativa

La seguente struttura decisionale semplificata fornisce un riferimento di alto livello per alcuni percorsi decisionali basati sui casi d'uso. In alcuni casi, potrebbe essere meglio utilizzare sia AI tradizionale sia l'IA generativa, come descritto nella sezione successiva "Quando combinare AI generativa con AI'IA tradizionale".

Un albero decisionale mostra quando utilizzare AI generativa, la classificazione tradizionale o AI predittiva o 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 può soddisfare i requisiti del tuo caso d'uso. I modelli tradizionali preaddestrati includono API di IA come Document AI, Vision AI, API Natural Language e API Video Intelligence.

    • Se un modello preaddestrato soddisfa i tuoi requisiti, utilizzalo.
    • Se un modello preaddestrato non soddisfa i tuoi requisiti, controlla se sono disponibili dati di addestramento sufficienti per addestrare un modello personalizzato.
      • Se sono disponibili dati di addestramento sufficienti, a cosa deve essere data la priorità: a un maggiore controllo sull'addestramento del modello o a una più rapida implementazione del prodotto sul mercato (GTM)?
        • Se hai bisogno di un elevato controllo dell'addestramento del modello con personalizzazioni come l'utilizzo di qualsiasi algoritmo di modello preferito, lo sviluppo di funzioni di perdita personalizzate, l'utilizzo di funzionalità specifiche di esplicabilità del modello, il numero di livelli nel modello, la velocità 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 utilizzando 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 utilizzando l'ottimizzazione del modello, come l'ottimizzazione supervisionata per la classificazione, l'analisi del sentiment o l'estrazione di entità.
      • Se non è disponibile un set di dati di addestramento o se i set di dati disponibili non sono sufficientemente grandi per addestrare un modello personalizzato, utilizza i modelli di AI generativa con la progettazione di prompt. Questi modelli possono essere ulteriormente ottimizzati per eseguire attività specializzate utilizzando esempi di dati.

  • Se il tuo caso d'uso è correlato a casi d'uso di AI predittiva, utilizza l'AI tradizionale. AI predittiva tradizionale è particolarmente efficace con i dati strutturati.

  • Se il tuo caso d'uso è correlato a casi d'uso di AI generativa come la sintesi, la generazione di contenuti o la trascrizione avanzata, utilizza l'AI generativa. L'utilizzo 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 siano in genere responsabili del processo di selezione del modello, è importante prendere in considerazione anche l'input di stakeholder chiave come leader aziendali, proprietari di prodotti, esperti di dominio e utenti finali. Ad esempio, questi stakeholder potrebbero interagire nei seguenti modi:

  • Leader aziendali e responsabili delle decisioni: approva la selezione se è in linea con le priorità aziendali.
  • Proprietari dei prodotti: potrebbero richiedere l'influenza o avere un maggiore controllo sul comportamento del modello per allinearlo alle priorità del prodotto.
  • Esperti di dominio: applicano le loro competenze di dominio per migliorare l'efficacia del modello.
  • Utenti finali: potrebbero dover comprendere l'output del modello e come incorporarlo per prendere decisioni più consapevoli.

Quando combinare l'AI generativa con l'AI tradizionale

L'IA tradizionale e l'AI generativa non sono mutuamente esclusive. In alcuni casi d'uso aziendale, possono essere utilizzati in modo complementare per raggiungere l'obiettivo aziendale finale. Ad esempio, puoi utilizzare l'output di un modello di AI tradizionale come parte del prompt per un modello di AI generativa. Di seguito sono riportati alcuni esempi di casi d'uso per la combinazione di funzionalità di AI tradizionale e generativa:

  • AI predittiva tradizionale può analizzare i dati storici per prevedere la probabilità di abbandono dei clienti. 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) tramite 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 contribuire a formulare possibili strategie di mitigazione.
  • L'AI predittiva tradizionale può identificare i segmenti di clienti per contribuire a creare marketing e campagne personalizzati. Puoi quindi utilizzare l'AI generativa per creare contenuti di marketing personalizzati in base a ciascun segmento identificato.
  • La visione artificiale basata sull'IA tradizionale può rilevare e classificare la lingua dei segni per tradurre l'input video in testo. L'AI generativa può aggiungere la comprensione del contesto e delle sfumature all'interno della lingua dei segni, consentendo una traduzione più ottimizzata in testo scritto, anche in più lingue. L'IA generativa può anche generare un output vocale dalla traduzione del testo, consentendo una comunicazione bidirezionale senza interruzioni tra chi usa la lingua dei segni e chi no.
  • L'IA tradizionale può eseguire analisi video e utilizzare le funzionalità di video intelligence per estrarre informazioni e funzionalità fondamentali dagli asset video. Ad esempio, può eseguire il rilevamento di oggetti, di rilevamento persone, di testo e l'estrazione da asset video. L'IA generativa può quindi utilizzare queste informazioni per creare nuove esperienze come chatbot, schede, report o articoli.

Per massimizzare i vantaggi commerciali degli investimenti in IA generativa e IA tradizionale, dà la priorità ai risultati aziendali e alle esigenze degli utenti necessari (soluzioni di IA incentrate sull'utente e sull'azienda). Questo approccio garantisce che le soluzioni rimangano pertinenti, promuovano l'adozione, aumentino l'efficienza e stimolino l'innovazione. Dare la priorità all'esperienza utente nelle soluzioni basate sull'AI aiuta a alinhare le aspettative e a fornire risultati significativi.

Passaggi successivi