GUIDE E HOW-TO

Generative AI: che cos’è e quali sono le applicazioni di business dei sistemi come ChatGPT

La tecnologia di AI Generativa, una forma avanzata di Machine Learning, ha il potenziale di cambiare il modo in cui le aziende gestiscono la creazione di testi e immagini in settori che includono il design, l’intrattenimento, l’eCommerce, il marketing, la ricerca scientifica e l’HR. Vediamo come, con quali opportunità e rischi

Aggiornato il 19 Giu 2023

Generative AI

Non è esattamente originalità nel senso “umano”. Ma l’Intelligenza Artificiale generativa, o Generative AI, una tecnologia salita alla ribalta con il software ChatGPT di OpenAI, può migliorare le prestazioni di diverse attività aziendali, come la produzione di testi standard, di immagini e di codice software, rendendole più veloci e, in quale misura, creative grazie al mix di grandi quantità di fonti e di dati utilizzati.

I sistemi di Intelligenza Artificiale generativa rientrano nell’ampia categoria della General Artificial Intelligence (AGI) e nell’apprendimento automatico o Machine Learning (ML). Hanno il potenziale di cambiare il modo in cui ci avviciniamo alla creazione dei contenuti per applicazioni come design, intrattenimento, eCommerce, marketing, ricerca scientifica e HR. Con opportunità e rischi da valutare attentamente.

È chiaro che gli strumenti di Intelligenza Artificiale generativi come ChatGPT e DALL-E (strumento specifico per output nel campo dell’arte sviluppato sempre da OpenAI) potrebbero cambiare il modo in cui viene eseguita una serie di lavori – sostengono gli esperti di McKinsey – L’intera portata di tale impatto è ancora sconosciuta, così come i rischi, ma ci sono alcune domande a cui già possiamo dare una risposta”.

Che cosa significa Generative AI

Secondo la definizione di McKinsey, l’Intelligenza Artificiale generativa descrive algoritmi che possono essere utilizzati per creare nuovi contenuti, tra cui audio, codice, immagini, testo, simulazioni e video.

Il software di AI generativa parte dalle richieste o descrizioni (prompt) formulate in linguaggio naturale dall’utente (umano o software) e genera di conseguenza testi da testi (Text-to-Text), immagini da testi (Text-to-Image) o anche immagini da immagini (Image-to-Image).

Gli output di questi sistemi sono combinazioni dei dati utilizzati per addestrare gli algoritmi. Poiché la quantità di dati utilizzata per il training del software è massiccia – il sistema GPT-3 su cui è stato costruito ChatGPT è stato addestrato su 45 terabyte di dati di testo – i risultati possono sembrare “creativi”. In realtà ciò che generano è una compilazione e una ripresa di un mix di fonti, ma, data l’enorme quantità di dati elaborati, l’output può essere nuovo. Del resto, anche la rielaborazione può essere considerata una forma di creatività.

Esiste, chiaramente, il rischio di output non corretti o addirittura inappropriati e di violazione della proprietà intellettuale. Ma, se la richiesta dell’utente è pertinente e la sorveglianza umana continuativa, i prodotti dell’AI Generativa possono essere soddisfacenti. Sono, inoltre, in grado di migliorare grazie ai feedback dell’utente.

Deep Learning, Transformer e Reti Neurali GAN: cosa sono

La tecnologia di ChatGPT potrebbe rientrare nell’ambito delle Reti Neurali di tipo Generative Adversarial Network o GAN. La questione è dibattuta, perché secondo alcuni esperti ChatGPT è un Transformer (GPT è l’acronimo di Generative Pretrained Transformer) e non una GAN.

Il Transformer è un modello di Deep Learning utilizzato nel campo dell’elaborazione del linguaggio NLP (Natural Language Processing). I GAN, invece, sono un tipo di algoritmo di intelligenza artificiale che utilizza due reti neurali messe in competizione per generare immagini, suoni, testo e altri tipi di dati.

La prima rete, detta “generatore”, cerca di creare immagini o dati falsi che sembrino veri; la seconda, detta “discriminatore”, cerca di identificare se le immagini o i dati sono reali o falsi.

I due modelli competono l’uno contro l’altro: il generatore cerca di generare dati sempre più realistici mentre il discriminatore cerca di identificare sempre meglio se i dati sono reali o falsi. Con il tempo il generatore diventa sempre più bravo a generare dati realistici che ingannano il discriminatore, mentre il discriminatore diventa sempre più bravo a identificare i dati falsi.

L’obiettivo di una GAN è ottimizzare il Deep Learning ed evitare errori superficiali di generalizzazione dovuti alla scarsità dei dati.

Generative AI: come migliora le performance delle aziende

Per le imprese l’opportunità dell’AI generativa sta nella capacità di questi strumenti di Intelligenza Artificiale di produrre un’ampia varietà di testi e immagini credibili in pochi secondi.

Le organizzazioni IT e software possono usare questi sistemi per generare codice istantaneamente. Ne beneficiano anche le organizzazioni che necessitano di brevi testi di marketing o manuali tecnici. Questi sistemi offrono anche un supporto efficace alla progettazione di prodotti, al design e alla fotografia. Al momento è più efficace nella produzione di contenuti standard (come email, CV o manuali).

I vantaggi dell’Intelligenza Artificiale per le PMI e i loro business

  • Ottimizzazione dei processi: può essere utilizzata per ottimizzare i processi aziendali, come la pianificazione della produzione o la pianificazione della distribuzione.
  • Creazione di nuovi prodotti: può essere impiegata per generare nuovi prodotti o per creare nuovi design di prodotto.
  • Miglioramento della Customer Experience: può essere applicata nella produzione di contenuti personalizzati per i clienti, come raccomandazioni di prodotto o risposte automatizzate ai messaggi dei clienti.
  • Analisi dei dati: può essere utilizzata per analizzare grandi quantità di dati e generare insight che possono aiutare le aziende a prendere decisioni informate.
  • Riduzione dei costi: può aiutare le aziende a ridurre i costi automatizzando alcuni processi manuali.

Lo sviluppo di un modello di Intelligenza Artificiale generativo è ad alta intensità di risorse: servono tantissimi dati e tanti capitali. A farlo per ora sono aziende con grandi disponibilità su entrambi i fronti. Le aziende che vogliono impiegare l’AI generativa possono o ricorrere alla tecnologia così com’è, off-the-shelf, oppure addestrarla inserendo propri dati e modelli da cui il software impara.

Generative AI: applicazioni e opportunità per le aziende

Design con l’AI

Questa tecnologia offre alle aziende di design un modo più veloce e efficiente per creare e modificare progetti. Gli algoritmi generativi possono essere addestrati su un vasto set di dati di riferimento, come immagini di prodotti esistenti, che vengono analizzati per poi generare nuovi disegni e modelli che rispettano i criteri stabiliti oppure per modificare e personalizzare i progetti esistenti, creando nuove varianti e opzioni.

Le applicazioni vanno dal Fashion design al design automobilistico alla progettazione di edifici e altre opere di architettura.

Nel campo specifico del design di prodotto, l’AI generativa viene utilizzata per generare nuove idee e per personalizzare i prodotti in base alle preferenze dei clienti.

Altre opportunità si aprono nell’ottimizzazione dei prodotti. Ad esempio, gli algoritmi generativi possono essere utilizzati per analizzare i dati sulle prestazioni dei prodotti e generare modifiche progettuali per migliorarle.

eCommerce e Marketing

Nel settore del Retail viene usata per la personalizzazione dei prodotti e dei contenuti: email o consigli di prodotto, contenuti promozionali (annunci pubblicitari e post), progettazione di siti web e applicazioni mobili. L’AI Generativa può anche generare il testo descrittivo per ciascun prodotto di un lunghissimo elenco di articoli in vendita in un sito di e-commerce.

La modifica delle caratteristiche visive dei prodotti o la loro descrizione in video è un altro campo di applicazione. Si va oltre il video a 360° di un prodotto: l’AI generativa può fare il rendering automatico con una grande variabilità di parametri (angolazione, dimensione, colori, modifiche, ambientazioni).

È evidente come le tecnologie di Intelligenza Artificiale e di Machine Learning possano essere molto interessanti per le strategie di marketing fornendo, ad esempio, informazioni essenziali, raccomandazioni e strategie per la comunicazione e la promozione ad artisti e case discografiche. Nel settore musicale la comunicazione è oggi particolarmente integrata e Big Data e Social Media sono elementi strategici”, ha scritto Enzo Mazza, CEO di FIMI (Federazione Industria Musicale Italiana), ma ovviamente l’applicazione dell’AI generativa nel Marketing va oltre l’industria della musica.

ChatGpt, il chatbot di AI generativa inaugura la nuova era del marketing. Clicca sull'immagine per approfondire

ChatGpt, il chatbot di AI generativa inaugura la nuova era del marketing. Clicca sull’immagine per approfondire

Ricerca scientifica

La Generative AI può essere utilizzata in molte aree della ricerca scientifica per generare nuove idee, testare ipotesi e accelerare la scoperta e anche per la redazione di testi scientifici, come intende fare Microsoft, che usa ChatGPT grazie alla stretta collaborazione con OpenAI, in cui ha investito circa 10 miliardi di dollari.

I campi di applicazione includono:

  • la Bioinformatica per l’identificazione di nuove proteine e scoperta di potenziali farmaci attraverso la generazione di modelli di proteine e molteplici scenari di simulazione;
  • l’Astronomia per la generazione di immagini di galassie e di universo simulato per comprendere meglio l’evoluzione dell’universo;
  • la Fisica per la generazione di materiali artificiali e la scoperta di nuovi materiali attraverso simulazioni basate sull’AI.

Questi algoritmi permettono di condurre anche simulazioni in ambito medicale in supporto alle tecnologie 3D per pre-visualizzare protesi e organismi molecolari.

Industria dell’intrattenimento

L’uso della tecnologia Text-to-Image viene già usata per la creazione di contenuti visivi per film, giochi e altri strumenti di marketing e multimediali. La copertina di giugno 2022 di Cosmopolitan, per la prima volta nella storia dei giornali, è stata realizzata interamente all’Intelligenza Artificiale DALL-E 2.

Il progetto è nato da una collaborazione tra i redattori di Cosmopolitan, gli specialisti di OpenAI e l’artista digitale Karen X. Cheng, che ha trovato la perfetta immagine digitando come prompt: “La mano di una giovane donna con lo smalto sulle unghie che tiene un cocktail Cosmopolitan”; “Primo piano di una donna vestita alla moda come lo farebbe Wes Anderson”; “Una donna che porta un orecchino che è un portale di un altro universo”.

Lo stesso esperimento era stato condotto una settimana prima dall’Economist per la sua copertina. DALL-E 2 permette anche la generazione Image-to-Image: si parte da immagini esistenti per migliorarne la qualità o immaginare contorni e contesti prima non esistenti.

Gestione delle HR

Reverse, società internazionale di headhunting e risorse umane, ha avviato una serie di sperimentazioni per applicare al comparto della ricerca di personale le potenzialità di ChatGPT.

Si tratta soprattutto di scrittura a supporto dei recruiter, come riassumere i CV in forma meno schematica, un aiuto nello scrivere gli annunci di lavoro, pre-impostare email di feedback positivi o negativi per i candidati già sottoposti a colloquio, suggerimenti di scrittura per attrarre candidati passivi e infine ottenere aiuto per approfondire e capire meglio gli aspetti tecnici dei ruoli ricercati.

Generative AI: come evitare impatti dannosi

Le organizzazioni che si basano su modelli di Intelligenza Artificiale generativi devono considerare che esistono rischi reputazionali e legali legati alla pubblicazione involontaria di contenuti di parte, offensivi, protetti da copyright o dalle regole sulla privacy.

Emblematica, da questo punto di vista, l’esperienza – opposta – di due testate giornalistiche online: Cnet ha iniziato a usare ChatGPT per scrivere interi articoli andando incontro a gravi problemi di correttezza dell’informazione, incluso il plagio, mentre Buzzfeed sta sperimentando ChatGPT per generare i quiz e altri contenuti molto schematici e limitati, e sempre dietro la guida dei giornalisti, con risultati molto più positivi.

I rischi possono dunque essere mitigati e gestiti, come spiega un documento di McKinsey. Innanzitutto, è fondamentale selezionare attentamente i dati iniziali utilizzati per addestrare i modelli AI per evitare di includere contenuti tossici o distorti. Successivamente, piuttosto che impiegare un modello di Generative AI off-the-shelf, le organizzazioni possono usare modelli più piccoli e specializzati o addirittura personalizzare un modello generale usando i propri dati per soddisfare le loro esigenze e ridurre al minimo i rischi.

Resta fondamentale il fattore umano a gestire l’Intelligenza Artificiale

È consigliabile anche un supervisore in carne e ossa, un essere umano che controlli l’output di un modello di AI generativa prima di procedere con la pubblicazione o con l’utilizzo. Infine, meglio evitare di utilizzare modelli di Intelligenza Artificiale generativa per decisioni critiche.

Non si può sottolineare abbastanza che questo è un nuovo campo – si legge nel documento -. È probabile che il panorama dei rischi e delle opportunità cambi rapidamente nelle prossime settimane, mesi e anni. Nuovi casi d’uso vengono testati mensilmente e è probabile che nuovi modelli vengano sviluppati. Man mano che l’AI generativa diventa sempre più, e senza soluzione di continuità, incorporata nel business, nella società e nelle nostre vite personali, possiamo anche aspettarci che prenda forma un quadro normativo dedicato”.

Giusto dunque sperimentare e creare valore con la Generative AI, ma con progetti inizialmente definiti e supervisionati, mentre si continuano a monitorare i risultati e le evoluzioni tecnologiche e normative.

Articolo originariamente pubblicato il 27 Feb 2023

Valuta la qualità di questo articolo

La tua opinione è importante per noi!

Articoli correlati

Articolo 1 di 4