Quando si parla di intelligenza artificiale, si pensa spesso a grandi modelli, infrastrutture cloud e sistemi capaci di gestire conversazioni o analisi molto complesse. Ma non tutta l’AI deve necessariamente funzionare così. Per molti processi aziendali il problema è molto più circoscritto: interpretare un’informazione, classificarla e decidere rapidamente quale azione eseguire.
Ed è proprio in questi casi che modelli più piccoli e specializzati possono diventare particolarmente interessanti.
Non sempre serve il modello più grande
Un modello più grande non è necessariamente il modello migliore. Dipende dal compito. Se dobbiamo analizzare documenti complessi, produrre contenuti o sostenere una conversazione articolata, un grande modello linguistico può essere la scelta giusta. Ma se dobbiamo semplicemente capire una situazione e decidere tra poche alternative, può essere più efficace utilizzare un modello progettato specificamente per quel tipo di decisione. È uno degli approcci che stiamo sperimentando all’interno di GREG AI Workspace. Nei nostri test abbiamo utilizzato un modello decisionale per interpretare una richiesta e classificare il contesto sulla base di criteri definiti in precedenza. L’obiettivo non è generare una lunga risposta, ma arrivare rapidamente a una decisione utilizzabile dal workflow.
Dalla richiesta all’azione
Per rendere il concetto immediato abbiamo scelto un esempio volutamente semplice: un cestino.
Il sistema riceve una richiesta, identifica il tipo di rifiuto e restituisce al workflow la classificazione necessaria per determinare l’azione successiva.
Plastica, vetro, organico, carta: dietro un caso apparentemente banale c’è in realtà una sequenza molto più generale:
informazione → interpretazione → classificazione → decisione → azione
Durante i test questo approccio è stato applicato proprio alla gestione di differenti tipologie di rifiuto, partendo da un modello decisionale inserito all’interno del workflow di GREG.
Un semplice test con GREG AI Workspace: il modello interpreta il contesto e restituisce al workflow la classificazione da utilizzare per l’azione successiva.
Il cestino, naturalmente, è solo una dimostrazione. Il vero interesse è nel meccanismo che c’è dietro.
Portare l’AI vicino al processo
Quando un modello è piccolo, specializzato e richiede poche risorse, diventa possibile pensare di eseguirlo sempre più vicino al punto in cui i dati vengono prodotti e le decisioni devono essere prese. È il principio dell’Edge AI. A seconda dell’applicazione può significare utilizzare una workstation aziendale, un mini PC, un gateway industriale o altri dispositivi sufficientemente performanti. Non tutto deve quindi necessariamente passare attraverso una grande infrastruttura cloud. In determinate architetture questo può consentire di ridurre la latenza, mantenere maggiore controllo sui dati e limitare la dipendenza da servizi esterni.
Un’AI che si configura
C’è poi un secondo aspetto altrettanto importante: rendere l’intelligenza artificiale utilizzabile all’interno dei processi senza dover costruire ogni volta un’applicazione da zero. In GREG un modello può diventare uno dei componenti di un workflow. Un evento attiva il processo, il modello interpreta il contesto, prende una decisione e il risultato viene utilizzato per determinare l’azione successiva. Le regole e i criteri possono quindi essere configurati in funzione dello specifico scenario. L’AI smette così di essere soltanto uno strumento con cui conversare e diventa un componente operativo del processo.
Dal cestino ai processi aziendali
Lo stesso principio può essere applicato a scenari molto diversi. Tra gli ambiti che stiamo valutando ci sono ticket triage, routing, automazione hardware e software, robotica, pianificazione delle risorse, anomaly detection, predictive maintenance, domotica, business intelligence, data analytics ed Edge AI per dispositivi wearable.
Applicazioni differenti, ma con una logica comune: comprendere rapidamente una situazione e trasformare quella comprensione in una decisione. E quando il problema è sufficientemente circoscritto, non è detto che per farlo serva un modello enorme.
Il modello giusto, nel posto giusto
Una delle evoluzioni più interessanti dell’intelligenza sarà imparare a scegliere il modello più adatto al problema che dobbiamo risolvere. A volte servirà un grande modello linguistico. A volte un agente capace di utilizzare strumenti e informazioni differenti. Altre volte sarà sufficiente un modello molto più compatto, progettato per prendere una decisione precisa nel minor tempo possibile. Ed è proprio in questi scenari che l’AI può diventare locale, privata, veloce e configurabile. Perché non sempre serve un modello enorme. Serve il modello giusto, nel posto giusto.
