Categoria: AI & GENAI

Intelligenza artificiale generativa, large language model, agentic AI e applicazioni dell’AI nei processi aziendali. In questa sezione raccolgo le mie analisi sui temi più rilevanti dell’AI applicata: cosa cambia davvero per le aziende italiane ed europee, dove vale la pena investire nei prossimi 12-24 mesi, quali sono i rischi sopravvalutati e quelli sottovalutati. Gli articoli coprono cinque filoni principali. Il primo è l’analisi dei modelli AI: Claude di Anthropic, ChatGPT di OpenAI, Gemini di Google, Mistral, modelli open-source. Non recensioni superficiali, ma riflessioni su cosa cambia per chi deve scegliere quale tecnologia adottare in azienda e su quali criteri valutare il fit con i propri processi. Il secondo filone è la strategia AI aziendale: come costruire una roadmap di adozione, dove l’AI genera ROI misurabile, come strutturare governance, change management e formazione. Temi che approfondisco anche nei progetti di advisory strategico con CEO, founder e leadership team di aziende medie e grandi. Il terzo è l’agentic AI: Claude Managed Agents, GPT Agents, Model Context Protocol (MCP), automazione di processi complessi via AI autonoma. Cosa funziona oggi in produzione, cosa è ancora demo, come progettare workflow human-AI che reggono in scala. Il quarto filone è il change management nell’era dell’AI: come cambiano i ruoli, le competenze richieste, le strutture organizzative quando l’intelligenza artificiale distribuisce il sapere nei nodi dell’organizzazione. Temi al centro del mio libro La mente adattiva e di articoli più recenti sul concetto di onlyness applicato alla leadership. Il quinto è la cultura dell’AI: cosa significa convivere con sistemi che generano testi, immagini, codice, decisioni. Implicazioni etiche, sociali, cognitive che vanno oltre il singolo caso d’uso aziendale. Se è la tua prima volta in questa sezione, ti consiglio di partire dagli articoli più recenti sulla leadership in era AI, o dai pezzi sui Claude Managed Agents e MCP che hanno generato più discussione. Per uno sguardo più strategico, c’è la pagina Advisory con i formati di collaborazione che propongo a chi vuole portare l’AI nei processi reali, e la sezione Pubblicazioni con i quattro libri che ho scritto su questi temi.

AI & GENAI

Phi-2 Microsoft: un passo avanti verso gli Small Language Models

Gli Small Language Models, tra cui spicca sicuramente Phi2 di Microsoft presentato pochi giorni fa, stanno ridefinendo il campo dell’intelligenza artificiale grazie alla loro efficienza e compattezza, consentendo una maggiore facilità di integrazione in dispositivi vari e una riduzione dei costi di calcolo. Questi modelli, più agili e meno esigenti in termini di risorse, saranno ideali per un’ampia gamma di applicazioni, promuovendo un’IA più accessibile e sostenibile in diverse industrie. I vantaggi degli Small Language Models , soprattutto viste le criticità attualmente presenti per l’adozione in molte aziende, aprono nuove prospettive di implementazione, con un impatto significativo su efficienza, scalabilità e applicabilità pratica.

Introduzione al Phi2

Phi2 di Microsoft rappresenta un ulteriore passo avanti nell’evoluzione dei modelli di linguaggio. Questo modello di “piccole” dimensioni, con i suoi 2.7 miliardi di parametri, sfida l’idea che solo i modelli di grandi dimensioni possano offrire prestazioni avanzate.

Lanciato ufficialmente all’evento Microsoft Ignite 2023 di pochi giorni fa, Phi2 è un ulteriore accelerazione rispetto al percorso che sta facendo l’AI in questo periodo, e si focalizza su temi di efficienza, scalabilità e accessibilità.

Caratteristiche tecniche

Phi2 rappresenta un modello di linguaggio ridotto ma altamente efficiente. Rispetto ai giganti del settore come Llama2 e Mistral, Phi2 ha dimostrato come riportato nei documenti di Model Training e benchmark che la dimensione non è sempre sinonimo di superiorità: l’importanza della qualità dei dati oltre alla quantità. In particolare:

  1. Dimensione del Modello: Phi2 ha 2.7 miliardi di parametri, posizionandosi come un modello di media dimensione nel panorama degli LLM.
  2. Architettura Transformer: Utilizza l’architettura Transformer, ampiamente riconosciuta per la sua efficacia nel trattamento del linguaggio naturale.
  3. Lunghezza del Contesto: Capace di gestire un contesto di 248 token, permettendo un’analisi approfondita del testo.
  4. Training sui Dati: Addestrato su un mix di dataset sintetici e dati web, con enfasi sulla qualità e la varietà dei dati.
  5. Tempo di Training: Impiegati 14 giorni per l’addestramento su 96 GPU NVIDIA A100.
  6. Tecnologie Utilizzate: Usa PyTorch, DeepSpeed e Flash Attention per l’efficienza del training e dell’inferenza.
  7. Capacità di Ragionamento: Eccelle in compiti di ragionamento logico e comprensione del linguaggio.
  8. Apprendimento da Codice Python: Particolarmente addestrato su codice Python, mostrando competenze significative in questo linguaggio di programmazione.
  9. Sicurezza e Bias: Miglioramenti notevoli in termini di riduzione della tossicità e dei bias rispetto a modelli open-source simili.
  10. Interpretazione Meccanicistica: Progettato per facilitare la ricerca sull’interpretazione meccanicistica, migliorando la comprensione di come il modello elabora e risponde alle query.

Prestazioni e benchmark

Phi2 eccelle in diversi benchmark, posizionandosi al pari, se non superiore, a modelli molto più grandi. Le sue prestazioni sono particolarmente rilevanti in compiti di ragionamento, comprensione del linguaggio e codifica, dove ha dimostrato di superare modelli come il 13B Llama-2 e il 7B Mistral. Questi risultati evidenziano il potenziale dei modelli più piccoli e efficienti nell’era dell’IA. Qui il link con informazioni su Phi2 Performance. Mentre qui trovate Phi-1.5 e Phi-1

Dalla documentazione presente in rete, ho trovato questi punti rilevanti:

  1. Prestazioni in Common Sense Reasoning:Phi2 mostra eccellenti risultati in test come PIQA e ARC, superando modelli più grandi nel ragionamento di senso comune.
  2. Capacità di Comprensione del Linguaggio:Nei benchmark come HellaSwag e SQuADv2, Phi2 dimostra una comprensione del linguaggio paragonabile a modelli con un numero di parametri molto superiore.
  3. Efficienza in Task di Matematica:Nel benchmark GSM8k, Phi2 ha mostrato capacità avanzate nella risoluzione di problemi matematici, evidenziando la sua forza in compiti logici e numerici.
  4. Performance nel Coding:In test come HumanEval e MBPP, Phi2 eccelle nella generazione di codice Python corretto, riflettendo la sua specifica formazione in questo linguaggio.
  5. Benchmark Big Bench Hard (BBH):In questo benchmark, Phi2 ha ottenuto risultati buoni, superando modelli come Llama-2 e Mistral, specialmente in compiti di ragionamento multistep.
  6. Confronto con Gemini Nano 2:Rispetto a Google Gemini Nano 2, Phi2 ha mostrato prestazioni superiori in diversi test di benchmark riportati da Google, nonostante una dimensione più ridotta.
  7. Riduzione della Tossicità e Bias:In benchmark come ToxiGen, Phi2 ha dimostrato un elevato livello di sicurezza rispetto ai modelli comparabili, producendo meno output tossici e mostrando minori bias.

Applicazioni e casi d’uso

Phi2 trova applicazione in una vasta gamma di settori, dalla didattica all’assistenza sanitaria. Nell’educazione, può personalizzare l’apprendimento e supportare gli insegnanti con risposte immediate e pertinenti. Nel campo sanitario, offre consigli preliminari e supporto per il benessere mentale. E sono solo alcuni esempi, ma gli ambiti di applicazione sono enormi.

Vantaggi dei modelli più piccoli

Gli Small Language Models (SLM) rappresentano una svolta nell’IA, combinando efficienza e precisione in modelli compatti. Perfetti per l’uso su dispositivi e in ambienti con risorse limitate, gli SLM offrono prestazioni elevate e sicurezza migliorata, rendendoli strumenti fondamentali per un’ampia gamma di applicazioni. Sono ideali per dispositivi con capacità di calcolo limitate e applicazioni in tempo reale. Riducendo il tempo e i costi di addestramento, questi modelli diventano più accessibili e sostenibili, aprendo la strada a un’IA più democratica.

  • Efficienza di Risorse: Richiedono meno memoria e potenza di elaborazione rispetto ai LLM, ottimizzando l’uso delle risorse.
  • Maggiore Trasparenza: Sono più trasparenti e comprensibili, facilitando l’audit e l’identificazione di errori o vulnerabilità.
  • Precisione: Tendono a generare informazioni più accurate e sono meno inclini a bias, grazie alla loro scala ridotta e alla formazione mirata.
  • Sicurezza Migliorata: Con meno parametri e una base di codice ridotta, presentano un minor rischio di attacchi e vulnerabilità.
  • Adattabilità: Possono essere facilmente integrati in dispositivi con limitazioni di risorse, offrendo flessibilità nell’applicazione.
  • Personalizzazione: Permettono una personalizzazione più semplice per scopi specifici, adattandosi meglio ai requisiti individuali.

Inoltre, la loro maggiore interpretabilità è essenziale in campi critici come la medicina e il diritto.

Sfide e considerazioni etiche

Nonostante i numerosi vantaggi, l’uso di Phi2 – così come la maggior parte dei sistemi di LLM e SLM, presenta alcune sfide. La qualità e l’affidabilità delle informazioni generate rimangono una preoccupazione primaria. Questioni etiche come la privacy, la sicurezza dei dati e il rischio di abusi richiedono attenzione. È fondamentale assicurare che queste tecnologie siano accessibili a tutti, evitando di creare un divario digitale. Suggerisco la lettura di questo articolo dell’Unesco “Artificial Intelligence: examples of ethical dilemmas“

+++

Se questo tema trattato in questo post ed in generale ti interessano temi come #AI, #GenAI, #Web3, #AR, #VR, #Gaming e #Blockchain e vuoi essere sempre aggiornato sulle ultime tendenze tecnologiche, assicurati di iscriverti alla mia newsletter, di seguirmi qui su Linkedin Fabio Lalli o su questi canali MTVRS anche su Telegram https://t.me/mtvrs_it

AI & GENAI

Dalla Generative AI nelle aziende, fino all’Interactive AI

In questo anno che si sta chiudendo l’AI Generativa è diventata senza dubbio il tema di discussione principale e una delle tecnologie più influenti e potenzialmente impattanti nel medio breve termine, grazie ad applicazioni come ChatGPT, Stable Diffusion, GitHub Copilot, e Midjourneyche sono entrate già nel vivo del modo di lavorare e stanno introducendo notevoli cambiamenti in alcune aree di competenza .

In un sondaggio di O’Reilly,condotto sui propri utenti lo scorso settembre 2023, sono state analizzate le modalità di utilizzo delle aziende stanno già implementando l’AI Generativa, gli ostacoli nella sua adozione e le lacune di competenze da colmare.

Dati e stato attuale

Tra i dati rilevanti che emergono dallo studio, due terzi dei partecipanti al sondaggio (67%) hanno affermato che le loro aziende utilizzano l’AI Generativa. Di questi, il 41% la usa da più di un anno, mentre il 26% da meno di un anno. Solo il 33% delle aziende non utilizza affatto l’AI Generativa.

L’adozione dell’AI non è ancora universale per quanto i numeri diano una indicazione importante di accelerazione: molti utilizzatori (38%) sono ancora nelle fasi iniziali, sperimentando e lavorando su progetti di prova, e molto spesso con utilizzi superficiali e su processi di base o semplici, attraverso l’utilizzo di piattaforme terze e non integrate (con modelli basati su cloud come GPT-4). L’adattamento di un modello per specifici casi d’uso rimane ancora una grande sfida.

Nonostante l’alta percentuale di adoption (e aggiungerei di alta predisposizione a farlo a mio avviso), c’è ancora molto da fare in termini di formazione, recruiting, cultura e implementazione.

La formazione di modelli e lo sviluppo di applicazioni complesse si stanno semplificando grazie a molti nuove soluzioni open source che cominciano a nascere grazie a diverse comunità online e soprattutto a soluzioni che, con dimensioni piccole e meno intensive in termini di risorse, permettono l’avvio con budget ridotti.

Intorno all’AI Generativa si stanno sviluppando ecosistemi di strumenti di diverso genere, abilitando diverse modalità di lavoro e possibilità di integrazioni di potenzialità all’interno dell’azienda a costi accessibili.

Ostacoli e criticità

I fattori che ostacolano una maggiore adozione dell’intelligenza artificiale generativa nelle aziende e che sono stati identificati dalla survey, includono:

  1. Difficoltà nel trovare casi d’uso appropriati: trovare casi d’uso aziendali appropriati e facilmente implementabili è la sfida più grande. Questo tema è tipico delle fasi di trasformazione e cambiamento e riflette solitamente la mancanza di immaginazione ed interpretazione o l’eccesso di cautela nell’implementare soluzioni AI potenzialmente inappropriatate.
  2. Preoccupazioni legali, rischi e conformità: sono parecchi le preoccupazioni riguardo ai rischi legali e alla conformità. Le implicazioni legali dell’utilizzo dell’AI generativa, come la proprietà ed i diritti del contenuto prodotto, creano incertezza e preoccupazione.
  3. Mancanza di politiche per l’uso dell’AI: la mancanza di linee guida progettuali all’interno delle aziende sull’utilizzo dell’AI è un problema minore ma importante. In molti casi i CEO delegano all’IT o ai CIO la gestione della tematica sottovalutando le implicazioni finanziarie, legali, la conformità normativa, l’etica e via dicendo.
  4. Resistenza al cambiamento: alcune aziende non riconoscono la necessità dell’AI, il che può indicare una mancanza di visione o di apertura verso le nuove tecnologie o processi di sperimentazione.
  5. Mancanza di competenze: La difficoltà nel trovare persone qualificate nell’AI è una sfida significativa. Questo è un ostacolo sia per le aziende che cercano di adottare l’AI sia per quelle che già la utilizzano e vogliono integrare competenze ed accelerare i processi di implementazione.
  6. Problemi di infrastruttura: Costruire un’infrastruttura AI è complicato e costoso, e questo rappresenta un ostacolo per molte aziende. L’adozione di infrastrutture terze è sicuramente una soluzione, ma le implicazioni relative a tematiche di dati, segregazione, tutela e utilizzo è l’elemento cruciale.
  7. Qualità dei dati e formazione dei modelli: Nel processo di implementazione la qualità dei dati per la formazione dei modelli sembra non esser un problema e sono meno percepiti come barriere di partenza rispetto ad altri problemi.

Come le aziende stanno usando l’AI

L’utilizzo che emerge dallo studio rappresenta a mio avviso l’esempio naturale dell’impiego l’intelligenza artificiale generativa in processi e ambiti di base e facilmente intuibili:

  1. Programmazione: l’utilizzo più comune dell’AI generativa è nel campo della programmazione, con strumenti come GitHub Copilot o ChatGPT, utilizzati dal 77% dei rispondenti alla survey. Questo include sia sperimentazioni sia impiego effettivo nel lavoro quotidiano ed in particolare sia nella produzione di codice, che supporto ai test, che soprattutto nel processo di produzione documentale.
  2. Analisi dei dati: il 70% degli intervistati utilizza l’AI per l’analisi dei dati, con una divisione quasi equa tra sperimentazione e utilizzo pratico.
  3. Interazione con i clienti: il 65% delle aziende sta esplorando o già utilizzando l’AI per progetti di custormer care e servizi di assistenza clienti (interni ed esterni) e condivisione della knowledge base.
  4. Generazione di testi: l’AI è utilizzata per generare contenuti testuali, con il 47% delle aziende che la impiega per la produzione di contenuti di marketing e il 56% per altri tipi di documentazione (report, relazioni, sintesi o estensione di documenti).
  5. Design e creatività: l’uso dell’AI come supporto di design e la creatività è meno comune, in parte probabilmente a causa della natura dell’audience di O’Reilly, maggiormente orientata allo sviluppo. In linea generale comunque è evidente che l’utilizzo già oggi nelle aziende nei processi creatività è crescente, vista la semplicità di accesso a tool come Firefly di Adobe, Dall-E di OpenAi, Midjourney e molti altri.
  6. Altri ambiti di applicazioni: alcune aziende stanno utilizzando l’AI in un’ampia varietà di modi, iniziando processi di integrazione di dati e servizi: dalla rilevazione di frodi, all’insegnamento, allla gestione delle relazioni con i clienti, alle risorse umane fino alla conformità.
  7. Integrazione in strumenti esistenti: non ultima, l’AI generativa sta diventando una parte integrante di strumenti comuni di office automation, marketing e collaboration, da Microsoft Office, Google Docs e Adobe Photoshop, Canva e tanti altri che stanno progressivamente integrando funzionalità standard e base nelle proprie applicazioni.

Approccio, strumenti utilizzati ed impatti

Per quanto riguarda strumenti e piattaforme, la survey riporta una serie di informazioni (a mio avviso note) ma rilevanti da conoscere:

  1. Uso di applicazioni preconfezionate e personalizzate: circa il 36% degli intervistati usa applicazioni come ChatGPT e GitHub Copilot, mentre il restante 64% sta sviluppando applicazioni AI personalizzate, un passo significativo che richiede investimenti in personale, infrastruttura ed educazione.
  2. Scelta dei modelli AI: i modelli GPT sono i più utilizzati (23%), seguiti da un sorprendente 21% di aziende che sviluppano i propri modelli AI, un processo che richiede senza dubbio risorse sostanziali. Una percentuale più bassa di aziende (16%) utilizza modelli open source, meno costosi e più flessibili.
  3. Diversità dei modelli utilizzati: oltre ai modelli GPT, un’ampia varietà di altri modelli viene utilizzata dalle aziende, compresi quelli derivati da LLaMA di Meta e modelli disponibili (su piattaforme come Hugging Face). In molti casi c’è da tenere in considerazione che alcuni di questi modelli open source hanno restrizioni sulla loro possibilità di utilizzo.
  4. Stadio di sviluppo: molti degli intervistati sono ancora nelle fasi iniziali dello sviluppo con l’AI, con il 34% che lavora su concept e progetti in fase embrionale, mentre il 18% ha applicazioni AI in produzione.
  5. Test per i rischi: le aziende che stanno procedendo con le implementazioni dele loro applicazioni AI, stanno valutando diverse fasi di test vista la varietà di rischi, inclusi risultati imprevisti, vulnerabilità alla sicurezza, affidabilità, equità, etica e privacy.
  6. Competenze necessarie per progetti AI: le competenze necessarie per i progetti AI includono la programmazione, l’analisi dei dati e le operazioni per l’AI e il Machine Learning, competenze che attualmente non sono presenti nelle aziende e riflettono la complessità e la natura interdisciplinare del lavoro con l’AI Generativa.
  7. Impatto sul business: le aziende si aspettano che l’AI aumenti la produttività, generi maggiori entrate e migliori la pianificazione e la previsione. Solo una piccola percentuale prevede una riduzione del personale grazie all’AI. In linea generale l’approccio all’implementazione iniziale e l’adozione dell’AI generativa sta partendo da progetti di Marketing o di ottimizzazione costi.

Dall’AI Generativa a quella Interattiva

Le prospettive sull’AI Generativa sono positive, ma come dico da tempo siamo solo all’inizio di un grande processo di cambiamento. Se il 2023 è stato l’anno della AI Generativa, già dal 2024 vedremo i grandi segnali dell’arrivo della fase successiva.

Mustafa Suleyman, co-fondatore di DeepMind (poi Google DeepMind), sostiene che dopo l’era dell’AI Generativa, il futuro sarà dominato appunto dall’Intelligenza Artificiale Interattiva, e questa sarà una nuova fase fondamentale nella storia della tecnologia.

L’Intelligenza Artificiale Interattiva (Interactive AI) si riferisce a sistemi di intelligenza artificiale che saranno in grado di interagire in modo più dinamico e flessibile con gli utenti. Questo tipo di AI non si limiterà a rispondere a richieste specifiche o eseguire attività predefinite, ma sarà in grado di adattarsi e rispondere a situazioni in continua evoluzione, e spesso in tempo reale.

Le caratteristiche rilevanti saranno:

  1. Dialogo bidirezionale: L’AI Interattiva potrà sostenere conversazioni bidirezionali con gli utenti, comprendendo e rispondendo a domande, commenti o richieste in modo contestualizzato.
  2. Adattabilità: Questa forma di AI sarà in grado di adattarsi ai comportamenti e alle preferenze degli utenti nel tempo, offrendo risposte e servizi personalizzati.
  3. Apprendimento in tempo reale: L’AI Interattiva potrà apprendere dai propri errori e dalle interazioni con gli utenti, migliorando costantemente le sue capacità di risposta e decisionali.
  4. Interazione vocale: l’AI Interattiva utilizzerà interfacce vocali (o altri sistemi IOT) per un’interazione più naturale e intuitiva con gli utenti.
  5. Automazione avanzata: l’interazione andrà oltre la semplice automazione di compiti, e permetterà una collaborazione più profonda tra umani e sistemi AI: una assistente presente nella risoluzione di problemi complessi o nella generazione di idee creative.
  6. Personalizzazione: questa nuova modalità di AI offrirà una esperienze altamente personalizzata basata sulle interazioni precedenti e sui dati raccolti dagli utenti.
  7. Elevata elaborazione del linguaggio naturale: verranno sempre più implementate tecnologie avanzate di elaborazione del linguaggio naturale per comprendere e generare risposte naturali.

Forward looking

L’importanza dell’adozione dell’Intelligenza Artificiale Generativa (AI Generativa) per le aziende e il ruolo cruciale dei partner nel supportare questo processo emergono chiaramente anche dall’articolo del MIT Sloan.

L’AI Generativa senza dubbio offre un ampio ambito di applicazioni, ma non c’è dubbio che l’adozione debba essere ponderata e consapevole, ed è fondamentale che le aziende non solo adottino l’AI Generativa, ma anche che i loro dipendenti comprendano questa nuova tecnologia deve esser utilizzata con un approccio incrementale e potenziante, piuttosto che di sostituzione, soprattutto del lavoro umano.

In questa fase anche la scelta di partner competenti nel campo è cruciale, sia per evitare che il FOMO faccia fare scelte poco pesate e sia per poter iniziare un viaggio con un approccio strutturato in questo nuovo territorio, dal supporto all’identificazione di casi d’uso più appropriati, fino a garantire che l’implementazione avvenga in modo etico e responsabile, massimizzando i benefici e riducendo i rischi.

In questi mesi, lavorando con diverse aziende, ho messo a punto un modello di valutazione della maturità e percorso: nei prossimi giorni pubblicherò una survey con l’obiettivo di raccogliere delle informazioni per validare il modello e condividere con i partecipanti l’output. Come si direbbe… stay tuned! 🙂

AI & GENAI

Oltre la corsa tecnologica: il valore del tempo e della pianificazione

Nel 2013, ho avuto il piacere di lavorare con Alberto Gangarossa sul progetto Pathflow, che all’epoca poteva sembrare visionario: praticamente un “Google Analytics del mondo fisico” per il retail.

La soluzione mirava a trasformare il modo in cui nel retail, attraverso il tracciamento in tempo reale dei movimenti e dei comportamenti dei clienti all’interno dei negozi, venivano prese decisioni di allestimento, progettazione e analisi dei risultati.

La reazione del mercato quando se ne parlava era stupore, ma le barriere principali poi per l’adozione erano riguardanti i costi, la complessità e in particolare la privacy: ostacoli insormontabili allo sviluppo che ne hanno poi decretato di fatto un lento percorso verso la chiusura, frutto anche il possibile time to market anticipato.

Oggi, quello che una volta era considerato pionieristico non solo è diventato fattibile, ma a tutti gli effetti è percepito come più accessibile, necessario e di conseguenza sta iniziando ad esser “quel qualcosa di cui non puoi più farne a meno per competere”.

Ciò che dovrebbe colpire di più è il cambiamento negli atteggiamenti verso le tematiche di privacy, gestioni dei dati e l’entusiasmo crescente per le soluzioni basate sull’IA.

Ma non è questo il punto su cui voglio fermarmi, tanto meno sulla bella storia che mi ha portato a conoscere un fantastico team di persone, come Alberto appunto.

In un momento come questo, in cui stiamo vedendo l’arrivo di mastodontici cambiamenti – anche e soprattutto tecnologici – la corsa all’adozione delle ultime tendenze mette in luce una lezione a mio avviso essenziale: l’innovazione non è una merce da acquistare nell’entusiasmo delle tendenze di mercato e nella fase di hype mediatico.

Al contrario, l’innovazione è un processo progressivo che richiede tempo, pianificazione, progettazione, sperimentazione di nuovi metodi e tecnologie, anche quando il loro impatto reale e il valore sono ancora da comprendere appieno.

L’innovazione non riguarda il seguire la folla. Riguarda l’essere pronti a valorizzare le nuove possibilità ed esplorarne il potenziale, molto prima che diventino la prossima grande cosa, acquisendone conoscenza, vantaggi e benefici e di conseguenza la capacità di scegliere il momento migliore per partire.

AI & GENAI

Industrial revolution mechanized muscles. AI revolution is mechanizing minds.

Era il diciottesimo secolo e l’avvento delle macchine iniziava a spostare equilibri che sembravano consolidati. La rivoluzione industriale, con la sua meccanizzazione massiccia, sollevò preoccupazioni e timori ovvi in prossimità dei grandi ed imminenti cambiamenti.

Cosa sarebbe stato dell’uomo e della sua essenza di fronte a questa trasformazione?

Una serie di evoluzioni, miglioramenti e criticità in divenire in vari ambiti che poi nella storia abbiamo letto: da grandi impatti industriali a lavorativi, dal tempo liberato dalle macchine, l’emergere del lavoro part-time, l’incremento dei consumi, nuove dinamiche di aggregazione sociale, la riduzione delle distanze e tempi, nuovi ambiti normativi da sviluppare ma soprattutto – di base – la facilitazione delle attività fisiche, e la conseguente meccanizzazione dei muscoli.

E cosa sarà dell’uomo e della sua essenza di fronte all’imminente crescita dell’AI?

Oggi siamo nel pieno (non si può e non si deve parlare di inizio perché questo processo di cambiamento è nato ben prima di chatgpt…) di nuova rivoluzione “industriale”, derivante appunto dalla rivoluzione dell’intelligenza artificiale, e che presenta incredibili parallelismi con la storia già vissuta. L’IA sta creando nuova forma di libertà temporale, destabilizzando processi e modelli consolidati, forgiando nuove forme di comunità e conoscenza. Stiamo assistendo e partecipando, in modo diretto o indiretto, consapevole o meno, ognuno di noi, ad uno shift di competenze, creatività, apprendimento, segnando temporalmente quella che verrà con certezza chiamata l’era della meccanizzazione delle menti.

AI’s societal impact mirrors industrialization: disruptive, transformative, yet inevitably integrated

E così come la meccanizzazione è divenuta parte integrante delle industrie, trasformando il modo in cui operavano, l’IA diventerà essenziale in termini di sopravvivenza e competitività (se già non lo è per molti ambiti), integrandosi pienamente nei modelli e nella consapevolezza aziendale. Nessuna impresa potrà ormai prescindere dall’adozione dell’IA per “meccanizzare” processi di studio, analisi e conoscenza, creando nuovi modelli operativi.

Tanto meno riusciremo a fare a meno di utilizzare strumenti di AI per sviluppare competenze, comprendere e cercare, e non è detto che lo faremo coscientemente perché l’AI ci sarà e sarà sempre più invisibile ai nostri occhi, esattamente come la tecnologia che indossiamo ed usiamo, e di cui non ci accorgiamo più.

AI & GENAI

Generative AI: Dall’esplorazione all’integrazione. Prossima fermata, l’Era BioSpaziale.

L’intelligenza artificiale generativa ha iniziato il suo viaggio negli anni ’60, ma è stato il 2022, a mio avviso, a segnare un’epoca che definiamo – e che sarà definita senza dubbio in futuro – rivoluzionaria, un po’ un nuovo Rinascimento, caratterizzato da nuove forme di creatività e scoperte.

Il rilascio di strumenti come MidJouney, DALL-E e GPT ha acceso un interesse globale – ed un entusiasmo – in precedenza pari a momenti di grandi stravolgimenti come l’arrivo di Internet, dell’Ecommerce e del Mobile. L’arrivo poi di Stable Diffusion ed il successo di ChatGPT hanno ulteriormente catalizzato questo interesse, portando l’IA Generativa al centro dell’attenzione mondiale.

Atto Primo – Esplorazione: Il primo atto di questa storia è stato caratterizzato dall’esplorazione e dall’innovazione. DALL-E 2 ha aperto nuovi orizzonti nella generazione di immagini, mentre GPT-3 ha rivoluzionato la scrittura assistita dall’IA. Con il rilascio di Stable Diffusion, abbiamo visto un’esplosione di strumenti di immagini AI, segnando un cambiamento significativo nella percezione e nell’accessibilità (fortemente semplificata e a portata di tutti) dell’IA Generativa. Questa fase ha visto un’accelerazione nell’adozione e nella sperimentazione dell’IA, preparando il terreno per una maggiore integrazione nel tessuto della vita quotidiana, e aziendale.

Atto Secondo – Integrazione: Mentre l’Atto Primo è stato di esplorazione, l’Atto Secondo, come suggerito da diverse scritture, articoli e riflessioni, è definito ill momento dell’integrazione. In questa fase, l’IA Generativa sta maturando, passando dall’essere una novità a diventare una componente fondamentale di vari sistemi e servizi. Grandi aziende tecnologiche stanno rapidamente incorporando l’IA Generativa nei loro prodotti. Microsoft, ad esempio, sta integrando l’IA in tutto, dalla suite Office 365 a Bing e Windows. Google sta seguendo un percorso simile, potenziando servizi come Google Search e Workspace con modelli di linguaggio avanzati.

L’Era dell’Integrazione: Questa era sta mettendo le basi, per le aziende tecnologiche e non solo, del consolidamento della loro posizione di mercato attraverso collaborazioni strategiche, acquisizioni ed integrazioni di modelli. L’approccio è semplice (concettualmente) ma potente (praticamente): integrare l’IA Generativa in strumenti e prodotti già utilizzati dai consumatori e dalle imprese, al fine di incrementare efficacia, modello di business, fedeltà utente.

Adobe, con il suo Firefly v2, sta portando l’IA Generativa nel mondo della grafica e del design, mentre Amazon, attraverso la sua piattaforma cloud, offre modelli di IA come servizio. Ma non solo i grandi brand si stanno muovendo rapidamente, anche le piattaforme come Roblox, Unity, Nvidia, Notion, Zapier e tante altre hanno intrapreso un processo virtuoso di implementazioni.

Dall-e | ChatGPT | Fabio Lalli | “About Generative Timeline”

Sfida, non facile, per le Aziende e Startup: Le startup – così come le aziende attive nei processi di ricerca – vitali per l’innovazione continua, si trovano di fronte a sfide significative. Le grandi aziende tecnologiche controllano le piattaforme e i modelli principali, rendendo difficile per le piccole imprese competere a lungo termine. Nonostante ciò, l’importanza dell’open source nell’IA Generativa rimane cruciale per garantire un ambiente di innovazione senza le restrizioni imposte dalle grandi aziende.

Collaborazione e Personalizzazione: L’integrazione dell’IA Generativa sta portando ad un aumento della collaborazione tra sistemi e aziende, offrendo soluzioni personalizzate per varie applicazioni. Questo è evidente nella partnership tra Canva e Runway, e nell’incorporazione di Firefly di Adobe in applicazioni Google, così come le implementazioni di Heygen, Evenlabs, Perplexity o Inflection in diverse piattaforme. Queste collaborazioni stanno aprendo nuovi orizzonti per applicazioni innovative e soluzioni personalizzate e fortemente potenziate.

What’s Next? – Una era BioSpaziale: Guardando al futuro, è probabile che l’era dell’IA Generativa si evolva ulteriormente nell’Era “BioSpaziale“. Questa fase prevede una fusione tra IA, mondo fisico e biologia, portando nuove frontiere nell’ IOT (Internet delle Cose) e nella biologia sintetica. Le caratteristiche principali e le potenziali implicazioni di questa era potrebbero includere:

  • Convergenza di IA e Biologia: sviluppi significativi nella biotecnologia e nella medicina personalizzata, progettazione di farmaci assistita da IA, diagnostica avanzata e terapia genetica.
  • Sintesi tra IA e il Mondo Fisico: fusione tra IA e dispositivi fisici, innovazioni nel campo dell’Internet delle Cose (IoT), immersività, robotica avanzata e sistemi autonomi.
  • Applicazioni nell’Edilizia evoluta: progettazione e gestione degli ambienti urbani, miglioramento l’efficienza energetica, mobilità sostenibile e abitabilità delle città.
  • Agricoltura e Sostenibilità Ambientale: ottimizzazione di pratiche agricole, giorne delle risorse naturali in modo più efficiente e contributo alla lotta contro il cambiamento climatico.
  • Sviluppi della Bioinformatica: analisi dei dati genetici e biomolecolari, nuove scoperte in genetica, evoluzione e ecologia.
  • Human Computer Interaction: progresso nelle neurotecnologie, nuove forme di interazione tra uomo e macchine, possibilità di sviluppo di interfaccia cerebrale-computer.
  • Etica e impatti Sociali: nuove sfide etiche e sociali significative, nuove forme di gestione della privacy, sicurezza biologica e accesso equo alle tecnologie avanzate.

L’Era BioSpaziale rappresenta un potenziale futuro, non troppo remoto, in cui la tecnologia IA si fonde e interagisce profondamente con il mondo biologico e fisico, aprendo nuove frontiere in molteplici settori e sollevando questioni importanti che richiederanno un’attenta considerazione e gestione.

Dall-e | ChatGPT | Fabio Lalli | “BioSpatial Era”

L’IA Generativa, ora al suo Secondo Atto e nel pieno dell’accelerazione, dell’adozione e della complessità da gestire in termini di sostenibilità e scalabilità, sta acquisendo graduale maturità tecnologica in diversi ambiti, ma siamo comunque solo all’inizio di un viaggio che sta modellando e modellerà totalmente intere industrie.

AI & GENAI

GPT Store, ecco perchè sarà una rivoluzione.

Ho ricevuto un po’ di commenti e messaggi riguardo GPT, e provo a condividere il motivo dell’entusiasmo intorno all’annuncio di OpenAI, relativamente al GPTs Store, così da rendere più completo il senso del concetto di “rivoluzione”.

🤓 Cos’è il GPT Store prima di tutto?

Il GPT Store è fondamentalmente un AppStore per l’Intelligenza Artificiale, e questo dovrebbe già far capire il potenziale di quello che abbiamo davanti.

📊 Un po’ di contesto:

  • L’Appstore di Apple ha 2,24 milioni di app e giochi
  • Il Play Store di Google ha 2,59 milioni di app

Entrambe gli store gli store nati nel 2008, hanno traguardato il milione di app tra il 2012 ed il 2013. A mio avviso il GPTs Store di OpenAI avrà almeno 100 milioni di app e succederà in molto meno tempo, addirittura meno di un anno.

❓ Perchè questa stima?

Da quando ho fondato IQUII abbiamo sviluppato ben oltre 500 app (ios, android e non solo) per diversi brand in diverse industrie: indicativamente una app ben fatta, tra progettazione, disegno, integrazione, sviluppo, e test ha un ciclo lavoro di 2 / 3 mesi (ribadisco app mediamente complesse). Oltre ai tempi necessari per pubblicazione, validazione e lancio.

💥 Per sviluppare un GPTs, di base, e senza grandi integrazioni, ci vogliono tra 10 ed i 30 minuti (per stare larghi). Compresa pubblicazione e condivisione tramite canali social, wa, telegram e via dicendo. Ovviamente non parlo di GPTs con integrazioni di servizi terze parti magari da realizzare ad hoc per aggiungere un valore dinamico e fortemente integrato con il proprio core business. Ma parliamo di tempi decisamente diversi.

👀 Non c’è dubbio che GPT Store rivoluzionerà quasi tutti i settori, inclusi:

  • Salute mentale
  • Fitness
  • Assistenza sanitaria
  • Produttività
  • Creazione di contenuti
  • Analisi di business
  • Marketing
  • Vendite
  • Viaggi
  • e tanto altro ancora.

Praticamente intere industrie.

✍ Chiunque voglia entrare essere qualificato e avere una solida conoscenza di:

  • Formulazione di prompt
  • Ricerca
  • Raccolta dati
  • Integrazione di servizi
  • ma soprattutto analisi di processi ed analisi di impatto.

Nulla dovrà esser lasciato al caso, e commettere gli stessi errori già fatti in fasi precedenti (investimenti affrettati e senza disegno e progettazione, come successo anche nel mobile) avrà, in questo caso, impatti molto più grandi.