Secondo lo studio dell’Osservatorio Artificial Intelligence del Politecnico di Milano, il mercato dell’Intelligenza Artificiale in Italia registra una nuova crescita da record: +58% rispetto al 2023, portando il valore complessivo alla cifra di 1,2 miliardi di euro. In gran parte questo nuovo record è dovuto al crescente interesse verso l’intelligenza artificiale generativa, o GenAI: più di 4 progetti su 10 includono qualche funzionalità di GenAI.
Indice degli argomenti
Sfide e opportunità per le PMI nell’adozione della GenAI
Diverse aziende sostengono che l’avvento di GenAI, avendo dimostrato dei benefici tangibili in tempi rapidi, ha rafforzato l’interesse verso l’AI in generale, accelerando la crescita anche delle soluzioni di AI tradizionale, dando quindi un boost al mercato nel complesso.
Il crescente trend della GenAI potrebbe andare a rendere ancora più marcato il divario di adozione tra grandi imprese e PMI. Infatti, una delle principali barriere all’adozione per le piccole e medie imprese è la scarsa conoscenza degli ambiti applicativi e degli use case più adatti alle proprie esigenze. Di conseguenza hanno bisogno di più tempo per comprendere i benefici e trovare le competenze per sperimentare queste applicazioni.
Questo implica dover implementare diversi Proof of Concept (POC), i quali richiedono però ingenti investimenti. Queste difficoltà progettuali spingono le piccole e medie imprese verso l’adozione degli strumenti «pronti all’uso» forniti dalle startup o altre piccole aziende-fornitori (di quali osserviamo una crescita notevole). A queste sfide si aggiungono la generale resistenza al cambiamento e la cultura aziendale dell’innovazione poco sviluppata in confronto alle grandi imprese. Tutto ciò impedisce di ridurre il gap nell’adozione di AI tra PMI e grandi aziende, presente da diversi anni.
Applicazioni dell’IA generativa nell’analisi testuale e nei sistemi conversazionali
La classe di soluzioni di AI in cui la GenAI è diffusa maggiormente è quella relativa all’analisi del testo scritto e parlato e ai sistemi conversazionali. Queste soluzioni che offrono funzionalità per generare testo, analizzarlo e riassumerlo sono sempre più basate su GenAI. Fino a 9 applicazioni su 10 si appoggiano sui meccanismi di AI Generativa.
Le aziende trovano queste soluzioni fondamentali per supportare la conoscenza aziendale, ad esempio attraverso la stesura di manuali e documentazione di supporto ai processi di business. Un altro uso piuttosto comune riguarda il supporto alla scrittura delle mail o la loro revisione, aggiustando il tono e migliorando la chiarezza dei testi. Altro caso d’uso frequente è la ricerca documentale.
Grazie alla Generative AI diventa possibile “interrogare” i documenti o report molto lunghi tramite ricerche semantiche, cercando quindi concetti o informazioni senza avere una corrispondenza puntuale.
Studiando il significato di parole e frasi in determinati contesti e la relazione tra quelle parole, il motore di ricerca basato su Large Language Models (LLMs) è in grado di fornire la risposta all’utente, utilizzando il linguaggio naturale e riportando le parti di documento più rilevanti come riferimento alla risposta. Combinando i modelli linguistici avanzati con le tecnologie di recupero dati (Retrieval, Augmentation and Generation, RAG), questi sistemi riescono anche a migliorare la precisione delle risposte e la qualità della scrittura.
Definizioni
Large Language Models (LLMs): tipologia dei modelli linguistici di grandi dimensioni progettati per processare il linguaggio naturale e generare output testuali, eseguire azioni e/o erogare servizi ad un interlocutore umano, basandosi su comandi e/o richieste recepiti attraverso una interazione in linguaggio naturale (scritto o parlato).
Retrieval-Augmentated Generation (RAG): il processo di ottimizzazione dell’output di LLMs recuperando le informazioni da una fonte di conoscenza esterna al di fuori delle sue fonti di dati di addestramento prima di generare una risposta.
L’impatto dell’IA generativa nei sistemi di raccomandazione e personalizzazione
La seconda classe di soluzioni che si basa maggiormente sui meccanismi di GenAI è Recommendation Systems, presente in circa la metà dei sistemi. La GenAI permette di affinare la personalizzazione, l’interpretabilità e l’efficienza delle raccomandazioni. Questa tipologia di Artificial Intelligence migliora la personalizzazione abilitando un’analisi più dettagliata dei comportamenti passati degli utenti e un adattamento dei suggerimenti in base al contesto attuale dell’utente (ora del giorno, posizione, stato emotivo, ecc.).
Oltre a suggerire prodotti o contenuti esistenti, GenAI può generare nuovi contenuti su misura, come ad esempio playlist musicali uniche o la lista di film o serie TV più adattate da guardare. Infine, la GenAI può comprendere recensioni testuali, immagini o video di prodotti e collegare preferenze tra diverse categorie per fare suggerimenti più pertinenti. Ad esempio, un utente a cui piace un certo genere musicale potrebbe apprezzare anche specifici libri o film correlati. Interessante notare come i modelli generativi siano anche in grado di giustificare le raccomandazioni in un linguaggio naturale, migliorando la trasparenza e la fiducia degli utenti.
IA generativa per l’esplorazione dati, previsione e ottimizzazione
Al terzo posto si trovano le soluzioni di Data Exploration, Prediction & Optimization Systems con il 13% delle progettualità che sfruttano almeno in parte la GenAI. Un caso tipico riguarda la previsione delle serie storiche. Molti strumenti integrano AI tradizionale e GenAI per analizzare i dati strutturati utili a supportare gli utenti nell’interpretazione dei numeri, nelle motivazioni dei pattern osservati e nel supporto al decision-making. L’integrazione di GenAI e LLMs negli strumenti di predizione e ottimizzazione aiuta a interpretare con il linguaggio naturale l’andamento dei dati, permettendo anche in questo caso di interrogare il sistema e ottenere dei suggerimenti o delle azioni correttive. Inoltre, per affrontare il problema della scarsità di dati per alimentare i modelli previsionali di machine learning, la GenAI può essere applicata per generare i dati sintetici, ovvero dati artificiali che emulano i dati reali. Da notare però che la qualità di questi dati può essere discutibile in certi contesti, pertanto è necessario utilizzare questa applicazione con molta cautela.
Applicazioni emergenti dell’IA generativa: dalla generazione di immagini al supporto al coding
Altra applicazione molto interessante riguarda la generazione delle immagini tramite GenAI a partire dal testo.Questi strumenti vengono impiegati in vari settori (come moda e media) e in diverse funzioni aziendali (come marketing e grafica). Un esempio pratico è la creazione di immagini che mostrano possibili arredamenti di una cucina partendo da descrizioni verbali. Questo tipo di applicazione però rimane ancora una nicchia dato che la regolamentazione è ancora in evoluzione, portandosi dietro molti dubbi a livello legale e di compliance.
Un’altra applicazione con alto potenziale di crescita è l’utilizzo di GenAI per supportare il processo di coding. L’utilizzo di linguaggio naturale per trasmettere le esigenze di programmazione e ottenere il codice generato nel linguaggio richiesto sta prendendo piede in molte organizzazioni. La correttezza del codice generato è ancora un punto di miglioramento, tuttavia, questa applicazione decisamente favorisce la cosiddetta democratizzazione dell’AI. Queste soluzioni permettono di creare delle semplici applicazioni per l’automazione delle attività di routine o per creare delle chatbot non solo da parte di data scientist, ma anche dagli utenti business senza particolari hard skills nel coding.
Il futuro dell’IA generativa: prospettive e sfide nel mercato italiano
Per riassumere, la GenAI si sta integrando sempre di più in diversi strumenti di AI forniti al mercato italiano. Spesso viene utilizzata insieme al machine learning tradizionale nei progetti ibridi (AI+GenAI). Le soluzioni che ne beneficiano di più sono quelli che riguardano l’analisi del testo scritto e parlato, i sistemi conversazionali, i sistemi di raccomandazione e i sistemi di data exploration, prediction & optimization. Nonostante il suo potenziale, rimangono ancora da risolvere le sfide legate alla regolamentazione, l’etica dei dati e la proprietà dei dati generati.
