I leader aziendali di oggi cercano soluzioni AI Enterprise che aumentino l'efficienza operativa, riducano i costi, migliorino le decisioni strategiche e supportino il coinvolgimento dei clienti.

Gartner stima che entro il 2026 oltre l'80% delle enterprise avrà utilizzato l'AI generativa (GenAI) tramite interfacce di programmazione applicativa (API) o distribuendo applicazioni – un aumento significativo rispetto a meno del 5% nel 2023. Tuttavia, con le crescenti preoccupazioni odierne in materia di privacy dei dati, Enterprise ha bisogno di soluzioni AI per proteggere i dati e le risorse aziendali e dei clienti.

Private AI offre questa soluzione. Ecco cos’è l’AI privata, perché è vantaggiosa per le organizzazioni attente alla privacy dei dati e come i responsabili IT possono massimizzare l’adozione dell’AI privata.

Cos'è l'AI privata?

I popolari modelli GenAI di oggi, come ChatGPT e Copilot, possono aiutare le aziende a svolgere molte attività, come analizzare i dati, interagire con i clienti, potenziare le applicazioni che corrispondono agli output e altro ancora. 

Tuttavia, questi modelli di AI non sono trasparenti riguardo alla destinazione dei dati degli utenti né al modo in cui vengono utilizzati, il che solleva preoccupazioni in materia di privacy. I dirigenti aziendali desiderosi di utilizzare i modelli GenAI potrebbero non essere consapevoli del fatto che informazioni private e sensibili potrebbero essere condivise con terze parti o utilizzate nell'addestramento dell'AI.

 Ora, però, i leader aziendali hanno la possibilità di utilizzare un'architettura AI privata, che limita le query e le richieste al database interno dell'azienda, a SharePoint, alle API o ad altre fonti private. Questo approccio spesso integra la tecnica RAG (Retrieval-Augmented Generation) per interagire in modo sicuro con grandi modelli pubblici e fornire risposte mirate e specifiche per l'organizzazione.

Grazie all'AI privata, le organizzazioni possono sfruttare i vantaggi dell'AI e dei modelli linguistici su larga scala (L.L.M.s) garantendo al contempo la sicurezza dei dati in ingresso.

AI privata vs. AI pubblica

Abbiamo raggiunto un punto di svolta in cui AI è abbastanza avanzata per essere adottata su larga scala, e la sua crescente democratizzazione sta trasformando sia le aziende che la società. Ma dobbiamo guardare oltre ciò che un modello di AI può fare, a come è addestrato, da dove provengono i suoi dati e dove risiedono questi dati.

Gli attuali modelli GenAI pubblici sono stati addestrati su set di dati pubblici: ad esempio, GPT-3 è stato addestrato su 45 terabyte di dati provenienti dal dataset CommonCrawl.¹ Continuano inoltre ad essere addestrati su nuovi dati che gli utenti inviano nei modelli.

Ciò rappresenta una sfida per le aziende che desiderano implementare iniziative di AI ma sono preoccupate di mantenere private la proprietà intellettuale e i dati dei clienti. Le informazioni inserite in un modello AI pubblico vengono poi memorizzate in un database di terze parti e messe a disposizione di [[providers]]. I leader aziendali ritengono che il rischio maggiore nell'adozione della GenAI sia l'inaccuratezza (56%), ma in secondo piano c'è il rischio di cybersecurity (53%), il rischio di violazione della proprietà intellettuale (46%) e il rischio per la privacy personale o individuale (39%).

Le organizzazioni che comprendono l'importanza di proteggere i dati stanno cercando soluzioni che garantiscano privacy, controllo ed efficienza, tra cui i modelli AI privati.

In che modo la generazione aumentata da recupero (RAG) facilita l'AI privata

Adottare l'AI privata non significa che un'organizzazione debba sviluppare da zero il proprio ChatGPT interno e i modelli di linguaggio di base (LLM) per garantire la riservatezza dei propri dati. RAG è progettato per mantenere la sicurezza, la conformità, la privacy e la sovranità dei dati durante l'utilizzo dell'AI. 

Invece di interrogare set di dati pubblici, un modello di AI interroga prima i database interni di un'azienda, le librerie di documenti e altre informazioni di sistema—come interrogare l'intranet di un'azienda. Una volta che l'AI ha recuperato i risultati, li aggiunge alla query e la invia al modello pubblico. Con RAG, le organizzazioni possono proteggere i propri dati e impedirne l'uso pubblico, ricevendo anche risposte solide da modelli linguistici di grandi dimensioni (LLM) pubblici complessi.

Le organizzazioni possono andare oltre aggiungendo i propri dati organizzativi a un modello di AI pubblico e perfezionando il modello con i dati specifici della loro azienda. Certo, sarà più costoso e complesso rispetto al RAG, ma è probabile che in futuro le enterprise scelgano questa opzione.

Perché oggi le aziende dovrebbero adottare l'IA privata

L'AI privata può offrire diversi vantaggi per i leader IT che stanno esaminando nuove soluzioni di AI enterprise, tra cui:

Privacy dei dati: Il più grande vantaggio dell'AI privata è la privacy dei dati, in quanto offre alle organizzazioni che danno priorità alla protezione delle informazioni sensibili un modo per sfruttare la potenza dell'AI.
Controllo: L'AI privata offre un maggiore controllo su come i dati enterprise vengono utilizzati, su come vengono acceduti e su chi vi accede. Invece di inviare dati interni a modelli pubblici con potenziale esposizione, le organizzazioni possono mantenere il controllo sui propri dati, con barriere di protezione alzate dove necessario.
Velocità e facilità: Utilizzando l'AI privata, le organizzazioni possono facilmente interrogare i sistemi backend interni — database, customer relationship management (CRM) e enterprise resource planning (ERP) — attraverso un'interfaccia in linguaggio naturale, ottenendo insight e risposte dai propri dati in modo rapido ed efficiente attraverso processi automatizzati.
Conformità normativa: Controllando dove si trovano i dati e come vengono utilizzati, le organizzazioni possono assicurarsi di rispettare le leggi e le normative sulla privacy, come il Health Insurance Portability and Accountability Act (HIPAA), il California Consumer Privacy Act (CCPA) e il General Data Protection Regulation (GDPR).
Fiducia del cliente: Considerando che l’85% dei consumatori vuole conoscere le politiche sulla privacy dei dati di un’azienda prima di effettuare un acquisto e il 46% prenderà in considerazione di cambiare marca se un’azienda non è chiara su come utilizza i dati dei clienti, le organizzazioni possono aumentare la fiducia dei clienti aumentando la loro privacy dei dati attraverso l’AI privata.
Vantaggio competitivo: Man mano che le organizzazioni sviluppano le proprie capacità di AI, possono ottenere un vantaggio competitivo promuovendo l'innovazione e costruendo la fiducia dei clienti. La creazione di modelli linguistici di grandi dimensioni specifici per un determinato dominio, addestrati su dati interni, può fungere da "centro di conoscenza", rafforzando ulteriormente questo vantaggio.

Come le aziende possono lanciare e scalare l'AI privata

Creare il miglior ambiente in cui un'infrastruttura AI privata possa prosperare richiede una certa preparazione e consapevolezza, inclusi i seguenti primi passi:

Inizia con la qualità dei dati: I responsabili IT possono iniziare assicurando la qualità dei loro dati enterprise, perché l’AI ha bisogno di dati di qualità per funzionare in modo efficiente. I dati dovrebbero essere puliti, organizzati in modo coerente e il più possibile freschi e quasi in tempo reale. Questo potrebbe significare dover implementare nuove pratiche di governance e igiene dei dati.
Crea l'ambiente giusto: Quando preparano la loro infrastruttura tecnologica per l'adozione dell'AI, il 59% dei leader aziendali afferma di essere solo moderatamente preparato, leggermente preparato o per nulla preparato.² Pensa all' AI come al cloud, che richiede un aumento dell'infrastruttura di calcolo, di rete e di storage. I requisiti di densità di potenza per l'AI possono essere fino a dieci volte superiori a quelli consumati dai data center tradizionali.

Rivolgiti all'infrastruttura di calcolo ad alte prestazioni (HPC) per eseguire applicazioni di AI, in particolare soluzioni di colocation ad alta densità in grado di supportare i requisiti di potenza, sicurezza, raffreddamento e conformità per un'efficiente infrastruttura di AI privata.

Per mitigare i problemi di gravità dei dati, adotta un approccio distribuito all'elaborazione dei dati all'edge. Sfrutta uno scambio privato di AI in un data fabric privato globale per abbracciare opzioni di interconnettività e trasporto dei dati verso un ecosistema più ampio di infrastrutture, set di dati, servizi e reti di AI.

Mentre i leader IT considerano queste esigenze di AI privata, dovrebbero anche chiedersi se la loro infrastruttura IT legacy sarà in grado di supportarla, come integrarla nei sistemi legacy e se dovranno investire in nuove piattaforme o infrastrutture per supportare le ambizioni in evoluzione dell'AI privata.
Crea il team e collabora con gli esperti: I team IT e di ingegneria raccoglieranno e prepareranno i dati per le offerte AI private. I leader IT potrebbero anche aver bisogno di ingegneri AI o software mentre sviluppano il modello AI, sia che stiano creando un'interfaccia in linguaggio naturale, una semplice web app o un bot. 

Per motivi legati alla privacy dei dati e alla gestione degli accessi, i team di sicurezza IT dovrebbero essere coinvolti nella pianificazione. I leader IT dovrebbero anche sfruttare il giusto ecosistema di partner mentre evolvono la loro strategia AI e cercano esternamente di collaborare con esperti che conoscono l'infrastruttura unica richiesta dall'AI.

Prepararsi al futuro dell'IA aziendale

I leader IT cercano modi per utilizzare in sicurezza i dati privati con GenAI, sia per la generazione di testo, il servizio clienti o l'analisi e il processo decisionale.

Man mano che le soluzioni di AI diventano sempre più diffuse tramite prodotti standard o SaaS, l'AI privata diventerà la strada da seguire per le organizzazioni che danno priorità alla privacy dei dati e vogliono proteggere i propri asset, la proprietà intellettuale e i clienti.

Stiamo vedendo l'evoluzione di enterprise AI davanti ai nostri occhi. Per scoprire come rendere a prova di futuro la tua infrastruttura IT, leggi il nostro ultimo whitepaper: AI per i leader IT

Note a piè di pagina:
1. Brown, T., et al., I modelli linguistici sono "few-shot learners", 22/07/2020. https://arxiv.org/pdf/2005.14165.pdf
2. Deloitte LLP, Rapporto di Deloitte sullo stato dell'AI generativa nell'Enterprise nel primo trimestre, gennaio 2024. https://www2.deloitte.com/content/dam/Deloitte/us/Documents/consulting/us-state-of-gen-ai-report.pdf

Lenovo e Digital Realty: portare l'AI nei dati aziendali