search
close-icon
Data center
PlatformDIGITAL®
Partner
Competenze e Risorse
Chi Siamo
Language
Accesso
banner
Blog

Comprendere e implementare i flussi di lavoro dell'AI per un training e un deployment ottimali

26 July 2024
author-photo
Brian Letort

Head of Data Office and Platform AI

L'intelligenza artificiale (AI) ha il potenziale di rivoluzionare le operazioni aziendali e cambiare la traiettoria dell'innovazione in diversi settori e in tutto il mondo.

Oltre il 75% dell'impatto annuale totale dell'AI generativa si verificherà specificamente nelle vendite, nel marketing, nella ricerca e sviluppo di prodotti, nell'ingegneria del software e nelle operazioni con i clienti. Ma queste opportunità possono concretizzarsi solo se l'AI viene implementata in modo ponderato e strategico. 

L'implementazione dell'AI è un processo strutturato; che richiede a CTO, CDO e CIO di comprendere i nuovi requisiti tecnologici, ripensare la loro attuale strategia infrastrutturale e valutare i sistemi legacy. Affinché l'AI abbia un impatto reale, i leader IT devono creare una base che soddisfi le esigenze di sviluppo e implementazione dei modelli di AI di oggi e di domani.  

Per fare ciò, i leader IT devono considerare strategicamente le fasi dei flussi di lavoro dell'AI. Questi flussi di lavoro prevedono tre modi indipendenti di lavorare con i dati: aggregazione dei dati, addestramento e inferenza. Le considerazioni includono come funzionano ciascuno e quali elementi chiave sono necessari affinché tutto proceda senza intoppi. 

Tre fasi dei flussi di lavoro dell'AI e il loro impatto sull'infrastruttura IT  

Fase 1: Aggregazione dei dati

L'AI è valida solo quanto i dati su cui è stata addestrata. L'aggregazione dei dati inizia con un approccio completo alla raccolta, pulizia, organizzazione e archiviazione dei dati affinché possano essere utilizzati per addestrare e informare un'applicazione di AI aziendale. 

Affinché questa fase di pre-elaborazione funzioni come previsto, i responsabili IT dovrebbero seguire queste best practice: 

  1. Identificare le fonti dei dati: le grandi organizzazioni producono e raccolgono una grande quantità di dati, che includono dati sui clienti o sui dipendenti, dati operativi, dati finanziari, log di rete, ricerche nell'intranet o dati provenienti dai sensori IoT. Per permettere all'AI di acquisire informazioni e risposte su un'organizzazione, è necessario un quadro completo dell'ambiente in cui essa opera. Il primo passo è individuare dove si trovano queste fonti di dati.
  2. Raccogliere dati in un sistema centrale: quindi, i leader IT hanno bisogno di un sistema attraverso il quale possano raccogliere tali dati da diverse fonti, database ed endpoint e raccoglierli in un hub o repository centralizzato. Potrebbe trattarsi, ad esempio, dell'adozione di un sistema ERP (Enterprise Resource Planning) o di un data lake collegato a varie fonti, come connessioni dirette ai database, interfacce di programmazione delle applicazioni (API) o altre fonti.
  3. Pulire e organizzare i dati: anche se i dati sono stati raccolti in un punto centralizzato, potrebbero non essere ancora uniformemente formattati, arrivando come strutturati (specifici e uniformi da un database), semi-strutturati (organizzati ma non secondo le governance), o non strutturati (vari tipi di dati). I leader IT dovrebbero implementare best practice per l'igiene dei dati che includano l'inserimento dei dati in formati standardizzati e convenzioni di denominazione, la scansione degli errori e l'eliminazione di dati obsoleti o duplicati. Questa fase può richiedere molto tempo e comportare costi elevati.
  4. Stabilire la governance dei dati: infine, stabilire un processo ripetibile che governi la gestione dei dati, incluso come i dati saranno protetti e chi avrà accesso a essi. Questo garantisce che la qualità dei dati rimanga costante nel tempo. Data la dimensione dei dati raccolti, è buona prassi elaborare i dati ai margini per mitigare gli impatti della Data Gravity.

Fase 2: formazione

Anche se le aziende molto probabilmente utilizzeranno solo modelli fondamentali che arricchiranno con i propri dati (invece di creare e addestrare i propri modelli), è importante comprendere questa fase dello sviluppo dell'AI.

Disporre di dataset ben organizzati e puliti è un presupposto fondamentale per addestrare un modello di AI aziendale. Tipicamente, un'azienda utilizzerà un modello di base, come il modello GPT-4 di OpenAI, e poi lo addestrerà o lo “ottimizzerà ulteriormente” con dati interni affinché la conoscenza dell'AI sia sia onnicomprensiva che specifica per il dominio. Il flusso di lavoro di addestramento può essere strutturato come segue:

  1. Scegliere il modello giusto: non tutti i modelli di AI funzionano allo stesso modo o saranno adatti ai dati specifici di un'organizzazione. Innanzitutto, i leader IT dovrebbero delineare il caso d'uso per l'adozione dell'AI: analisi dei dati? Servizio clienti? Efficienza operativa? Questo li guiderà nella scelta dell'architettura, dell'algoritmo e dei parametri di AI giusti per le loro esigenze aziendali.
  2. Iniziare con un compito: successivamente, occorre insegnare al nuovo modello AI a eseguire un compito specifico utilizzando un dataset di addestramento dalla fase di aggregazione dei dati. Questo permetterà al modello di AI di iniziare a riconoscere schemi e relazioni nei dati. Man mano che il modello di AI inizia ad apprendere, chi lo addestra può iniziare a calibrarne i parametri per renderlo più preciso ed efficace.
  3. Testare e valutare: continuare a testare il modello per rafforzarne e approfondirne le conoscenze. Iniziare ad estendere i test ad altri dataset e osservare come si adatta, ottimizzando se necessario. Valutare le sue prestazioni durante tutto il processo di test per garantire che funzioni come previsto e che raggiunga i livelli di accuratezza, richiamo, precisione e altri parametri di valutazione necessari.
  4. Validare le prestazioni: ora è il momento di valutare le prestazioni dell'AI su un nuovo dataset di convalida per vedere come ha imparato. È tempo di perfezionare i parametri e preparare il modello di AI per l'uso aziendale.

 Fase 3: inferenza

Ora è il momento di mettere all'opera l'AI! A questo punto, il modello di AI è pronto per essere lanciato in applicazioni e casi d'uso, dove utilizzerà le sue capacità di inferenza per fare previsioni o prendere decisioni su nuovi insiemi di dati.

Tuttavia, non limitarti a implementare l'AI e lasciarla funzionare senza controlli. Definire un processo di validazione continua per garantire che il modello di AI sia accurato e in grado di fornire risultati concreti, e soprattutto per tutelarsi da eventuali “allucinazioni” che potrebbero avere un impatto negativo sul business. Questo processo di monitoraggio di un algoritmo in produzione è comunemente noto come osservabilità del modello.

Ad esempio, Harvard Business Review spiega come Morgan Stanley abbia “un insieme di 400 'domande d'oro'” le cui risposte sono note, che utilizzano come test continuo di accuratezza dell'AI. Se si verifica un qualsiasi cambiamento nel modo in cui l'AI risponde a tali domande d'oro, allora significa che occorre ricalibrare il modello.

Affrontare le sfide dei flussi di lavoro AI

Idealmente, il processo di implementazione dell'AI aziendale è fluido, dalla strategia dei dati alla formazione fino al lancio. Tuttavia, i leader IT dovrebbero essere consapevoli delle seguenti sfide nel farlo.

  • Scarsa qualità dei dati: l'AI è efficace solo quanto i dati su cui viene addestrata, e i dati non strutturati o non formattati, o anche la mancanza di dati provenienti dall'organizzazione, non permettono al modello di AI di apprendere o funzionare come necessario. Secondo il “Global AI Adoption Index 2023” di IBM, “l'eccessiva complessità dei dati” è il secondo ostacolo più grande al successo nell'adozione dell'AI. Per questo è importante adottare prima di tutto un piano di gestione dei dati, come indicato sopra.
  • Mancanza di hardware: eseguire l'AI in modo rapido ed efficiente richiede hardware in grado di soddisfare i requisiti, e la sua mancanza influenzerà le prestazioni e la velocità. L'hardware di calcolo ad alte prestazioni (HPC) è ciò che può supportare adeguatamente le esigenze di AI aziendale — in particolare nella fase di inferenza sensibile alla latenza — alimentando ambienti di simulazione e modellazione tramite elaborazione parallela. Inoltre, occupa solo una frazione dello spazio dell'hardware tradizionale.
  • Infrastruttura debole: oltre all'hardware, l'AI ha bisogno dell'infrastruttura giusta per supportarla. Ciò include la giusta densità di potenza, che, per l'AI, può essere da cinque a dieci volte superiore rispetto ad altri sistemi gestiti da infrastrutture legacy. Con questo aumento della potenza di calcolo, i flussi di lavoro basati sull'AI richiederanno anche sistemi di raffreddamento specializzati per i data center.
  • Costi alle stelle: gli investimenti nell'AI possono rivelarsi onerosi per un'organizzazione, sia in termini di sviluppo che di infrastrutture e hardware di base. Un modo per rendere l'AI più conveniente è assicurarsi che le implementazioni e i progetti di AI siano in linea con gli obiettivi aziendali e che i casi d'uso dell'AI possano beneficiare la crescita e l'impatto dell'organizzazione. I POC sono spesso utilizzati per dimostrare un valore quantificabile prima di intraprendere un progetto.
  • Operazioni IT complesse: i flussi di lavoro basati sull'AI richiedono numerose nuove considerazioni operative in ambito IT, tra cui un approccio strategico alla gestione e all'interconnettività dei dati, un impegno di tempo per la formazione e hardware e infrastrutture adeguati. Comprende anche un approccio strategico alla gestione dei team e la garanzia che il personale disponga delle competenze necessarie per gestire i nuovi rollout dell'AI — soprattutto quando, secondo il suddetto report IBM, la “limitata disponibilità di competenze, esperienza o conoscenza nell'AI” è il principale ostacolo a una corretta adozione dell'AI. 
Costruire le basi dell'AI aziendale

Oggi esiste un'enorme opportunità per l'AI aziendale, che può essere realizzata solo se implementata con successo. Si inizia costruendo un programma strategico di aggregazione dei dati per raccogliere, elaborare e archiviare i dati in modo efficiente. Poi, usare quei dati per addestrare il modello di AI affinché si familiarizzi con conoscenze specifiche del dominio, i modelli e le relazioni statistiche. Infine, è necessario assicurare che ci sia un piano per valutare le prestazioni e monitorare le metriche dopo l'implementazione dell'AI e l'uso reale. 

Queste tre fasi dei flussi di lavoro dell'AI forniscono le basi su cui le imprese costruiranno l'innovazione.

Vuoi imparare come implementare con successo l'AI per portare la tua organizzazione nel futuro? Scarica subito “AI per i Leader IT: implementare un'infrastruttura IT a prova di futuro”.

Tags