Quando utilizzare AI generativa o AI tradizionale

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 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'IA generativa

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

  • Creazione e raccomandazione di contenuti.
  • Potenziamento 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'IA generativa che possono essere personalizzati per diversi settori.

Creazione e consigli di contenuti

  • Generazione di contenuti correlati al marketing, come immagini dei prodotti, post su social media ed email con immagini pertinenti.
  • Traduzione di contenuti come documenti, contenuti di siti web e conversazioni con chatbot multilingue.
  • 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.
  • Sottotitoli o sottotitoli codificati 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

  • Creazione di assistenti virtuali per le interazioni con gli utenti, come l'assistenza clienti e le vendite online.
  • Consentire la ricerca conversazionale attraverso ampie knowledge base con query in linguaggio naturale.
  • Trovare 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 i social media post e recensioni prodotto.
  • 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 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. 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'IA 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 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 IA 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 lo spam email classificando le email come spam o non spam, in base a un modello di IA 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 come la previsione di una casa prezzi in base a caratteristiche e posizione specifiche della casa.
    • 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 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'utilizzo dell'AI tradizionale, consulta Utilizzi 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 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 l'IA generativa, la classificazione tradizionale o l'IA predittiva o un modello di IA 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 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 API Video Intelligence.

    • Se un modello preaddestrato soddisfa i tuoi requisiti, utilizza un modello preaddestrato.
    • 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, cosa avere la priorità: maggiore controllo sull'addestramento del modello o go-to-market (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 del modello, la frequenza di apprendimento e altri iperparametri del modello, utilizza un addestramento personalizzato di un modello di IA 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'IA 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 i set di dati disponibili non sono sufficientemente grandi per addestrare un modello personalizzato, utilizza i modelli di IA 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 IA predittiva, utilizza 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 di IA generativa come la sintesi, la generazione di contenuti o la trascrizione avanzata, utilizza l'IA generativa. L'uso dell'AI generativa include casi d'uso che richiedono elaborare e inserire 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 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: applicano le loro competenze di dominio per migliorare l'efficacia del modello.
  • 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 l'IA generativa con l'IA tradizionale

L'IA tradizionale e AI generativa non si escludono a vicenda. In alcuni casi d'uso aziendale, possono essere utilizzati in modo complementare per raggiungere l'obiettivo finale dell'attività. Ad esempio, puoi utilizzare l'output di un modello di IA tradizionale come parte del prompt per un modello di IA 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 o un chatbot basato sull'IA 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'IA predittiva tradizionale può prevedere i rischi di un caso d'uso specifico, mentre l'IA generativa può simulare diversi scenari per contribuire a formulare possibili strategie di mitigazione.
  • L'IA predittiva tradizionale può identificare i segmenti di clienti per contribuire a creare marketing e campagne personalizzati. Puoi quindi utilizzare l'IA generativa per generare contenuti di marketing personalizzati, in base a ciascun 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 aggiungere la comprensione del contesto e delle sfumature all'interno della lingua dei segni, consentendo una traduzione più ottimizzata in testo scritto, inclusa 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 queste informazioni 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 e alle esigenze degli utenti necessari (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'IA aiuta a alinhare le aspettative e a fornire risultati significativi.

Passaggi successivi