Generative AI: 4 casi d’uso con AWS

La Generative AI è vista, oggi, come una tecnologia spartiacque, e interessa tanto le imprese, quanto le Istituzioni e i cittadini. La domanda di strumenti e soluzioni è alta e, di conseguenza, è in atto una forte competizione tra i fornitori di tecnologie per conquistare quote di mercato.

Una ricerca dell’Osservatorio Artificial Intelligence del Politecnico di Milano evidenzia come il 2023 sia stato l’anno in cui i maggiori player mondiali, tra cui Amazon Web Services (AWS), hanno consolidato la propria offerta di soluzioni di Generative AI. Quest’ultima, oggi, è da considerarsi una tecnologia game-changer, che ha superato lo stadio sperimentale ed è in grado di offrire applicazioni concrete in ambito aziendale, con l’obiettivo di migliorare la produttività e costruire nuove funzionalità, trasversalmente ai settori di mercato.

La Generative AI al servizio del business: 4 casi d’uso

L’AI Generativa, grazie ai modelli LLM – Large Linguistic Model e FM – Foundation Models (ovvero la capacità di elaborare il linguaggio naturale, i dati e le immagini) è in grado di imprimere una svolta decisiva alla produttività aziendale. Non è casuale, quindi, che il 17% delle grandi impese italiane abbia già avviato progetti di Generative AI, e in più della metà dei casi (55%), ciò ha determinato un’accelerazione del business misurabile.

Nella realtà dei fatti, i casi d’uso più diffusi riguardano 4 ambiti fondamentali:

1. Interfacce conversazionali avanzate. Sebbene il chatbot sia la forma di AI Generativa più conosciuta, la sua implementazione o estensione può raggiungere gradi di complessità (e quindi performance) molto elevati. Se, ad esempio, il cliente di una banca chiede informazioni su un prestito, l'assistente virtuale può suggerire un prodotto finanziario in base allo storico delle transazioni e al patrimonio. Ciò avviene mantenendo una conversazione fluida, che tiene conto del contesto e di eventuali cambi di argomento.
2. Contenuti complessi. L’insieme della documentazione che accompagna i prodotti, i servizi, o i processi aziendali (brochure, schede prodotto, presentazioni, report, documenti testuali, ecc.), può essere creato grazie alla Generative AI. In ambito Manufacturing o Retail, ad esempio, la Generative AI può creare la documentazione di supporto alla vendita (contenuto grafico, testi promozionali, ecc.) a partire dalle informazioni e dalle immagini del prodotto.
3. Data Augmentation. L’analisi predittiva è fondata sull’analisi di grandi quantità di informazioni. Grazie all’Intelligenza Artificiale è possibile ampliare il set dei dati esistenti (per le immagini, ad esempio, sono rotazioni, traslazioni, cambi di colore, aggiunta di rumore, ecc.), migliorando la generalizzazione del modello e riducendo il rischio di overfitting. In ambito Finance, ad esempio, la Data Augmentation può essere utilizzata per rilevare le frodi, attraverso la creazione di transazioni sintetiche ad hoc e la loro successiva generalizzazione.
4. Processi di backoffice. I flussi aziendali prevedono spesso la generazione di contenuti semplici per la gestione di attività ripetitive (mail, allegati, ecc.). Ottimizzare tali flussi significa migliorare le performance del business. Amazon Q, la piattaforma di Generative AI di AWS per la produttività, ad esempio, mette a disposizione interfacce LLM per l’accesso e l’elaborazione dei dati aziendali (CRM, ERP, cartelle condivise, dati di produzione, ecc.), al fine di offrire insight personalizzati e automatizzare i processi decisionali.

Va sottolineato che il ritorno degli investimenti delle applicazioni di AI è tanto più veloce quanto più l’implementazione è facilitata da tool e semilavorati per lo sviluppo delle funzionalità di business. È, questo, il caso della famiglia AWS, in cui i building blocks applicativi sono forniti in formato pronto all’uso.

Perché scegliere Amazon Web Services (AWS)

La scelta di Amazon Web Services (AWS), a differenza dei competitor, è stata quella di integrare, con l’acquisizione di Anthropic, la piattaforma Claude 3, un modello di linguaggio a rete neurale con un focus particolare sul controllo e il filtraggio dei contenuti, che offre, pertanto, maggiori sicurezze per l’uso a livello industriale. A ciò si aggiunge la disponibilità di piattaforme specifiche per la preparazione dei grandi volumi di informazioni (la base di partenza per l’istruzione dei modelli di Machine Learning) e l’integrazione degli stessi nelle architetture applicative aziendali:

• Creazione reazione dei modelli. Strumenti quali SageMaker, Trainium, Inferentia, EFA o Neuron, facilitano le diverse fasi del training del modello di Machine Learning, tra cui: acquisizione delle basi dati; normalizzazione dei formati; inferenza tra le basi dati; trattamento dei grandi volumi di informazioni, ecc. L’esito di tale fase è la creazione di un modello di Machine Learning per uno specifico obiettivo funzionale, capace di riconoscere i pattern e segnalare le eccezioni.
• Integrazione dei modelli. I modelli di Machine Learning specifici dell’azienda, combinati con quelli general purpose già disponibili in AWS (o presso fornitori terzi, come, ad esempio, l’interfaccia conversazionale di Meta) diventano i componenti funzionali all'interno di un'applicazione più ampia. Ciò avviene attraverso la piattaforma Amazon BedRock, che fornisce apposite API (Application Programmable Interface) per l’integrazione di software custom, o connettori per l’utilizzo di modelli precostituiti. Tra questi troviamo, ad esempio: Amazon Polly (sintesi vocale), Amazon Rekognition (analisi delle immagini), Amazon Lex (creazione di interfacce in linguaggio naturale).

Al fine di costruire un servizio ottimale di Generative AI, sarà necessario individuare i building blocks più adatti alle specifiche esigenze di business, considerando le eventuali personalizzazioni o sviluppi custom. La stessa suite Amazon Q è costruita utilizzando questi buiding blocks (BedRock, Kendra ecc.).

Uno specifico approfondimento dell’Osservatorio Artificial Intelligence del Politenico di Milano evidenzia come l’obiettivo di Amazon sia quello di mettere a disposizione delle aziende strumenti per la creazione di modelli di Generative AI con AWS; obiettivo confermato da investimenti mirati in tale settore. Ciò si traduce, a livello di offerta tecnologica, in strumenti e soluzioni che facilitano il percorso di adozione della tecnologia, permettendo di introdurre nuove e più raffinate funzionalità di business e di sfruttare al meglio tutti i vantaggi (presenti e futuri) offerti dall’Intelligenza Artificiale generativa.