Secondo un articolo pubblicato da TechRadar Pro, le aziende dovrebbero resistere alla tentazione di adottare sistemi di IA sempre più potenti soltanto per stare al passo con l’entusiasmo del momento. L’argomento centrale è che le tecnologie aziendali dovrebbero essere scelte per risolvere uno specifico problema commerciale, non per massimizzare il numero di modelli o agenti utilizzati.

L’articolo osserva che da tempo le aziende ricorrono al machine learning tradizionale per attività come i suggerimenti, le previsioni, il rilevamento delle frodi e la stima del valore del cliente nel corso del tempo. Per i dati strutturati e le previsioni semplici, questi metodi possono essere più rapidi ed economici dei modelli linguistici di grandi dimensioni, che possono aumentare costi e variabilità senza migliorare il risultato.

Alcuni processi potrebbero non aver bisogno dell’IA. Quando un’attività segue regole fisse e deve produrre risultati coerenti — come trasferire dati secondo una pianificazione o attivare un’azione al verificarsi di una condizione prestabilita — può essere sufficiente la tradizionale automazione. Aggiungere un agente a un processo affidabile ed economico può introdurre complessità senza renderlo più utile.

L’IA generativa è più adatta quando un’attività richiede di interpretare il linguaggio, le immagini o altre informazioni non strutturate, oppure quando il passaggio successivo dipende dal contesto. Gli agenti possono utilizzare questa capacità di comprensione per interagire con i sistemi e intraprendere azioni. L’articolo prevede che i sistemi aziendali combinino questi approcci, anziché affidarsi a una sola tecnologia per sostituire tutte le altre.

Portare l’IA da una prova di concetto alla produzione comporta anche costi e responsabilità, tra cui la sicurezza, il monitoraggio e il controllo del comportamento del sistema. Più libertà ha un agente di interpretare le informazioni e prendere decisioni, più diventa importante valutarne le prestazioni, limitare i dati e le azioni a cui può accedere e offrire alle persone la possibilità di intervenire. Anche i modelli più capaci possono essere costosi da eseguire su larga scala, quindi il valore aggiunto deve giustificarne la spesa.

L’articolo raccomanda di partire dalle esigenze aziendali e dai dati disponibili, anziché scegliere prima una tecnologia. Dati strutturati e affidabili possono essere adatti al machine learning tradizionale; le informazioni non strutturate possono rendere utile l’IA generativa; gli agenti possono essere giustificati quando le attività richiedono comprensione del contesto e azioni attraverso più sistemi. In altri casi, il software tradizionale resta la soluzione più adatta.

L’articolo sostiene inoltre che gli strumenti di IA non eliminano la necessità di ingegneri. Possono aiutare il personale esperto a lavorare più rapidamente e consentire agli ingegneri alle prime armi di diventare produttivi prima, ma le organizzazioni hanno comunque bisogno di persone con le competenze tecniche necessarie per realizzare, monitorare e riparare i sistemi sottostanti. Investire nei talenti junior e nel trasferimento delle conoscenze resta importante, mentre gli ingegneri esperti lasciano il lavoro o vanno in pensione.

L’articolo conclude che il vantaggio aziendale dipenderà dalla capacità di riconoscere dove l’IA migliori davvero i risultati e dove funzionino meglio strumenti più semplici. Scegliere l’approccio appropriato, afferma, richiede dati solidi, competenze ingegneristiche e il giudizio necessario per evitare complessità superflue.

Fonti: TechRadar.