Quando usare l'AI generativa o tradizionale

Questo documento ti aiuta a identificare quando l'AI generativa, l'AI tradizionale o una combinazione di entrambe potrebbe essere adatta al tuo caso d'uso aziendale.

In questo documento, l'AI tradizionale si riferisce alle funzionalità e ai casi d'uso dell'AI che potrebbero non richiedere l'impiego di funzionalità di AI generativa, come alcuni casi d'uso dell'AI di classificazione e predittiva. I modelli di AI tradizionali eccellono nell'apprendimento da dati esistenti per classificare le informazioni o prevedere risultati futuri in base a pattern storici. I modelli di AI generativa espandono queste funzionalità per creare riepiloghi, scoprire correlazioni nascoste complesse o generare nuovi contenuti, come testo, immagini o video, che riflettono lo stile e i pattern dei dati di addestramento.

Quando utilizzare l'AI generativa

In generale, le soluzioni di AI generativa sono eccellenti per attività come le seguenti:

  • Creazione e suggerimento di contenuti.
  • Potenzia la ricerca conversazionale e i chatbot.
  • Scalabilità e automazione del flusso di lavoro per le attività ripetitive.
  • Utilizzo del ragionamento associativo per trovare insight e relazioni all'interno di documenti e dati.
  • Generazione di codice e assistenza agli sviluppatori nella scrittura, nella spiegazione e nella documentazione del codice.

Le sezioni seguenti forniscono esempi di questi casi d'uso comuni e generali dell'AI generativa che possono essere personalizzati per diversi settori.

Creazione e suggerimento di contenuti

  • Generare contenuti relativi al marketing, come immagini di prodotti, post sui social media ed email con immagini pertinenti.
  • Traduzione di contenuti come documenti, contenuti di siti web e conversazioni di chatbot multilingue.
  • Riassumere contenuti testuali, tra cui documenti, articoli, feedback dei clienti e report, per contribuire a prendere decisioni basate sui dati più informate.
  • Creare riepiloghi di informazioni provenienti da più fonti che possono includere testo, immagini e componenti video o audio.
  • Sottotitoli automatici o sottotitoli codificati dei video.
  • Creazione di contenuti multimediali creativi, come la creazione di nuove immagini a partire da descrizioni di prompt testuali, la modifica o la correzione di immagini utilizzando prompt testuali (ad esempio, la rimozione di un oggetto o la modifica della combinazione di colori) e la generazione di brevi video o animazioni a partire da prompt testuali o script.
  • Generazione di voci sintetiche realistiche per l'audio, ad esempio tracce di voce fuori campo e musica.
  • Analizzare e comprendere il comportamento, le preferenze, le recensioni e le interazioni passate degli utenti per fornire consigli personalizzati sui contenuti. L'analisi può essere combinata con fattori in tempo reale come la posizione per personalizzare i contenuti consigliati, ad esempio prodotti, articoli e video.

Ricerca conversazionale e chatbot

  • Creazione di assistenti virtuali per le interazioni con gli utenti, come l'assistenza clienti e le vendite online.
  • Abilitare la ricerca conversazionale in ampie knowledge base con query in linguaggio naturale.
  • Trovare risposte a domande complesse che combinano richieste testuali con immagini correlate.

Comprensione di documenti e dati

  • Estrazione di dati e analisi dei contenuti da testi come report, fatture, ricevute, transazioni finanziarie o contratti per evidenziare possibili errori o problemi di conformità, identificare potenziali rischi o scoprire anomalie indicative di attività fraudolente.
  • Analisi del sentiment dei contenuti generati dagli utenti, come i post sui social media e le recensioni prodotto.
  • Analisi delle conversazioni trascritte del call center per estrarre insight, ad esempio i motivi più comuni per cui i clienti assegnano una valutazione bassa alle interazioni con il call center.
  • Analisi dei dati di cybersicurezza, come report sulle minacce, articoli e repository, per estrarre gli indicatori di minaccia chiave. Questa analisi consente una difesa proattiva della cybersicurezza per riassumere e dare priorità alle strategie di mitigazione con consigli per una risposta più rapida.

    L'analisi può tradurre grafici complessi relativi agli attacchi in spiegazioni di testo normale sull'esposizione. Può anche simulare possibili percorsi di attacco per evidenziare gli asset interessati e consigliare mitigazioni prima che gli asset possano essere sfruttati.

Generazione di codice e assistenza per gli sviluppatori

L'AI generativa può aiutarti con i seguenti tipi di attività in tutte le fasi del ciclo di vita dello sviluppo software (SDLC):

  • Generazione di specifiche e documentazione delle API utilizzando prompt in linguaggio naturale.
  • Creazione di asset come codice, funzioni, comandi della riga di comando e script Terraform da prompt in linguaggio naturale.
  • Generazione di test e spiegazioni del codice, inclusi commenti e documentazione per spiegare il codice.

Per ulteriori informazioni su come l'AI generativa può trasformare le operazioni aziendali, come il servizio clienti, la produttività dei dipendenti e l'automazione dei processi, consulta Casi d'uso aziendali in "AI generativa su Google Cloud".

Quando utilizzare l'AI tradizionale

I casi d'uso dell'AI tradizionale si concentrano in genere sulla previsione di risultati futuri o sulla classificazione di una categoria in base a un modello di AI addestrato su origini dati storiche esistenti, come dati tabulari e immagini. Le soluzioni di AI tradizionali sono spesso sufficienti per affrontare diversi casi d'uso di AI predittiva e di classificazione, come i seguenti:

  • Casi d'uso della classificazione:
    • Filtrare lo spam via email classificando le email come spam o non spam, in base a un modello di AI di classificazione tradizionale addestrato su dati storici.
    • Addestramento di un modello di classificazione delle immagini tradizionale su immagini specifiche di prodotti conformi e difettosi per contribuire in modo efficace all'ispezione in tempo reale e al rilevamento dei difetti nella produzione.
  • Casi d'uso della regressione:
    • Prevedere valori numerici continui, ad esempio prevedere i prezzi delle case in base a caratteristiche e posizione specifiche.
    • Prevedere quante entrate genererà un cliente di una piattaforma di e-commerce durante il suo rapporto con l'azienda in base ai dati storici sugli acquisti.
  • Casi d'uso della previsione delle serie temporali: previsione delle vendite e della domanda.
  • Casi d'uso del clustering: esecuzione della segmentazione dei clienti.

Per saperne di più sull'utilizzo dell'AI tradizionale, consulta Utilizzi ed esempi di analisi predittiva in "Che cos'è l'analisi predittiva?".

Scegli tra AI tradizionale e AI generativa

Il seguente albero decisionale semplificato fornisce un riferimento di alto livello per alcuni percorsi decisionali basati su casi d'uso. In alcuni casi, potrebbe essere meglio utilizzare sia l'AI tradizionale che l'AI generativa, come descritto nella sezione successiva, "Quando combinare l'AI generativa con l'AI tradizionale".

Un albero decisionale mostra quando utilizzare l'AI generativa, l'AI predittiva o di classificazione tradizionale o un modello di AI preaddestrato.
Un albero decisionale mostra quando utilizzare l'AI generativa, la classificazione tradizionale o l'AI predittiva oppure un modello di AI preaddestrato.
Fai clic sul diagramma per ingrandirlo.

L'albero decisionale include le seguenti domande e risposte basate sui casi d'uso:

  • Se il tuo caso d'uso è correlato alla classificazione o al rilevamento, verifica se un modello di AI tradizionale preaddestrato può soddisfare i requisiti del tuo caso d'uso. I modelli tradizionali preaddestrati includono API di AI come Document AI, Vision AI, API Natural Language e API Video Intelligence.

    • Se un modello preaddestrato soddisfa i tuoi requisiti, utilizza il modello preaddestrato.
    • Se un modello preaddestrato non soddisfa i tuoi requisiti, verifica se sono disponibili dati di addestramento sufficienti per addestrare un modello personalizzato.
      • Se sono disponibili dati di addestramento sufficienti, a cosa dare la priorità: un maggiore controllo sull'addestramento del modello o un go-to-market (GTM) più rapido?
        • Se hai bisogno di un controllo elevato sull'addestramento del modello con personalizzazioni come l'utilizzo di un algoritmo del modello preferito, lo sviluppo di funzioni di perdita personalizzate, l'utilizzo di funzionalità specifiche di esplicabilità del modello, il numero di livelli nel modello, il tasso di apprendimento e altri iperparametri del modello, utilizza un addestramento personalizzato di un modello di AI tradizionale. Per informazioni sulle differenze tra l'addestramento personalizzato o l'addestramento di un modello in Vertex AI utilizzando AutoML, consulta Scegli un metodo di addestramento.
        • Se la priorità della tua azienda è un GTM più rapido, utilizza l'AI generativa. Se il tuo caso d'uso è specializzato, puoi migliorare le prestazioni di un modello utilizzando l'ottimizzazione del modello, ad esempio l'ottimizzazione supervisionata per la classificazione, l'analisi del sentiment o l'estrazione di entità.
      • Se non è disponibile un set di dati di addestramento o se i set di dati disponibili non sono abbastanza grandi per l'addestramento personalizzato di un modello, utilizza i modelli di AI generativa con il prompt engineering. Questi modelli possono essere ulteriormente ottimizzati per eseguire attività specializzate utilizzando esempi di dati.
  • Se il tuo caso d'uso è correlato a casi d'uso di AI predittiva, utilizza l'AI tradizionale. L'AI predittiva tradizionale è particolarmente efficace con i dati strutturati.

  • Se il tuo caso d'uso è correlato a casi d'uso dell'AI generativa come riassunti, generazione di contenuti o trascrizione avanzata, utilizza l'AI generativa. L'utilizzo dell'AI generativa include casi d'uso che richiedono l'elaborazione e l'inserimento di informazioni da più modalità, come testo, immagini, video o audio.

Sebbene i data scientist e gli ML engineer guidino comunemente il processo di selezione del modello, è importante considerare anche il contributo di stakeholder chiave come i leader aziendali, i proprietari dei prodotti, gli esperti di dominio e gli utenti finali. Ad esempio, questi stakeholder potrebbero essere coinvolti nei seguenti modi:

  • Leader aziendali e responsabili delle decisioni: approvano la selezione quando è in linea con le priorità aziendali.
  • Product owner: potrebbero richiedere un'influenza o avere un maggiore controllo sul comportamento del modello per allinearlo alle priorità del prodotto.
  • Esperti di dominio: applicano le loro competenze di dominio per migliorare l'efficacia del modello.
  • Utenti finali: potrebbero dover comprendere l'output del modello e come incorporarlo per un processo decisionale più informato.

Quando combinare l'AI generativa con l'AI tradizionale

L'AI tradizionale e l'AI generativa non si escludono a vicenda. In alcuni casi d'uso aziendali, possono essere utilizzati per integrarsi a vicenda e raggiungere l'obiettivo commerciale finale. Ad esempio, puoi utilizzare l'output di un modello di AI tradizionale come parte del prompt per un modello di AI generativa. Di seguito sono riportati alcuni esempi di casi d'uso per la combinazione di funzionalità di AI tradizionale e generativa:

  • L'AI predittiva tradizionale può analizzare i dati storici per prevedere la probabilità di abbandono dei clienti. Questa analisi può essere integrata con un LLM o un chatbot basato sull'AI generativa, che consente al tuo team di vendita di esplorare le previsioni utilizzando conversazioni in linguaggio naturale. Puoi anche generare dashboard di business intelligence (BI) tramite una semplice conversazione con il chatbot.
  • L'AI predittiva tradizionale può prevedere i rischi di un caso d'uso specifico, mentre l'AI generativa può simulare diversi scenari per aiutare a formulare possibili strategie di mitigazione.
  • L'AI predittiva tradizionale può identificare i segmenti di clienti per contribuire a creare campagne e marketing personalizzati. Puoi quindi utilizzare l'AI generativa per creare contenuti di marketing personalizzati per ogni segmento identificato.
  • La visione artificiale dell'AI tradizionale può rilevare e classificare la lingua dei segni per tradurre l'input video in testo. L'AI generativa può aggiungere la comprensione del contesto e delle sfumature della lingua dei segni, consentendo una traduzione più ottimizzata in testo scritto, anche in più lingue. L'AI generativa può anche generare un output vocale dalla traduzione del testo, consentendo una comunicazione bidirezionale fluida tra persone che usano la lingua dei segni e persone che non la usano.
  • L'AI tradizionale può eseguire l'analisi dei video e utilizzare le funzionalità di video intelligence per estrarre insight e caratteristiche fondamentali dagli asset video. Ad esempio, può eseguire il rilevamento di oggetti, rilevamento persone e testo, nonché l'estrazione da asset video. L'AI generativa può quindi utilizzare questi insight per creare nuove esperienze come chatbot, schede, report o articoli.

Per massimizzare i vantaggi aziendali dei tuoi investimenti nell'AI generativa e nell'AI tradizionale, dai la priorità ai risultati aziendali necessari e alle esigenze degli utenti (soluzioni di AI incentrate sull'utente e basate sul business). Questo approccio garantisce che le soluzioni rimangano pertinenti, favoriscano l'adozione, migliorino l'efficienza e promuovano l'innovazione. Dare la priorità all'esperienza utente nelle soluzioni basate sull'AI aiuta ad allineare le aspettative e a fornire risultati significativi.

Passaggi successivi