L'intelligenza artificiale aziendale ha trascorso anni a inseguire la scalabilità. Modelli più grandi, più parametri, set di dati più ampi e maggiore potenza di calcolo sono diventati sinonimo di progresso. Ma le aziende stanno iniziando a porsi una domanda più pratica: ogni attività di intelligenza artificiale richiede davvero il modello più grande disponibile?
Spesso, non accade.
I modelli linguistici di piccole dimensioni (SLM) stanno aprendo una nuova strada. Progettati con un numero ridotto di parametri e spesso ottimizzati per compiti o domini specifici, possono portare l'intelligenza più vicina ad applicazioni, dispositivi e ambienti aziendali privati. Per le organizzazioni che sviluppano soluzioni software basate sull'IA, questo potrebbe spostare la discussione da "Quanto è potente il modello?" a "Con quanta efficienza risolve il problema aziendale?"
Le soluzioni software basate sull'intelligenza artificiale potrebbero non aver bisogno della massima intelligenza ovunque
I flussi di lavoro aziendali raramente richiedono che un singolo modello sappia tutto. Nella maggior parte dei casi, l'intelligenza artificiale è necessaria per svolgere un compito definito in modo affidabile, rapido e nel rispetto dei vincoli operativi.
Tale distinzione crea spazio per modelli più piccoli.
L'intelligenza specializzata può superare la scala di uso generale
Consideriamo un sistema di intelligenza artificiale che classifica le richieste di assistenza, estrae informazioni dalle fatture, riassume documenti interni, assiste i tecnici o risponde a domande sulle politiche aziendali. Questi compiti operano entro limiti relativamente ristretti.
Anziché implementare un modello generico di grandi dimensioni, le aziende possono addestrare, perfezionare o calibrare modelli più piccoli in base a terminologia, flussi di lavoro e set di dati specifici. Un SLM ben progettato non necessita di conoscenze enciclopediche se il suo compito effettivo consiste nel comprendere i prodotti o i processi di una singola organizzazione.
La corsa all'intelligenza artificiale in ambito aziendale potrebbe quindi spostarsi dalla ricerca del modello più intelligente alla ricerca dell'intelligenza artificiale più adatta a ciascun flusso di lavoro.
L'economia dell'IA comincia ad assumere un aspetto diverso
Il costo dell'intelligenza artificiale va ben oltre l'acquisizione dell'accesso a un modello. Ogni inferenza consuma risorse di calcolo. Quando un'applicazione gestisce migliaia o milioni di interazioni, differenze apparentemente piccole nei requisiti computazionali possono diventare considerazioni operative significative.
Gli SLM possono potenzialmente richiedere meno potenza di calcolo e memoria, risultando quindi interessanti per carichi di lavoro aziendali ad alto volume o ripetitivi.
Questo aspetto è fondamentale quando le aziende desiderano integrare l'intelligenza artificiale nel servizio clienti, nelle operazioni, nella finanza, nelle risorse umane, nell'ingegneria e in altre funzioni. Se ogni interazione richiede un'infrastruttura complessa, scalare le soluzioni software basate sull'IA può diventare difficile sia dal punto di vista finanziario che operativo.
I modelli più piccoli possono offrire agli architetti un'ulteriore opzione: riservare i modelli più grandi ai ragionamenti complessi, affidando i compiti più semplici a sistemi più efficienti.
Il futuro potrebbe essere un portafoglio di modelli
Ciò porta a un'architettura aziendale diversa. Invece di scegliere tra "un LLM" e "un SLM", le aziende possono orchestrare diversi modelli a seconda del compito.
Un modello più piccolo potrebbe classificare una richiesta in arrivo. Un altro modello specializzato potrebbe recuperare informazioni aziendali. Un modello più grande potrebbe gestire ragionamenti complessi solo quando necessario. Regole e livelli di governance potrebbero determinare quale modello riceve quale carico di lavoro.
Questo approccio considera i modelli di IA come risorse da orchestrare, piuttosto che come piattaforme su cui standardizzare ciecamente.
La privacy potrebbe avvicinare l'intelligence al business
Alcuni dati aziendali non dovrebbero circolare liberamente tra i sistemi. Registri finanziari, proprietà intellettuale, informazioni sui clienti, dati operativi e comunicazioni interne possono richiedere controlli più rigorosi. Modelli più compatti possono offrire maggiore flessibilità per l'implementazione in ambienti cloud privati, infrastrutture on-premise o persino dispositivi edge.
Questo può aiutare le organizzazioni a mantenere determinati carichi di lavoro più vicini alla fonte dei dati. Per i settori con rigidi requisiti di sicurezza, latenza o connettività, questa flessibilità di implementazione potrebbe diventare importante quanto le prestazioni del modello.
La velocità conta quando l'IA incontra il lavoro reale
L'intelligenza artificiale aziendale opera sempre più spesso all'interno di flussi di lavoro in cui gli utenti si aspettano risposte immediate.
I sistemi di produzione, le applicazioni di assistenza sul campo, i dispositivi mobili, i sistemi embedded e gli strumenti rivolti ai clienti potrebbero non tollerare latenze non necessarie.
Poiché i modelli più piccoli richiedono meno risorse computazionali, possono supportare scenari in cui un'inferenza più rapida è fondamentale. L'implementazione edge può inoltre ridurre la dipendenza da una connettività cloud costante per determinati casi d'uso.
Il risultato è un'intelligenza artificiale che si percepisce meno come un elemento a sé stante e più come uno strato invisibile integrato nei software di uso quotidiano.
Piccolo non significa automaticamente migliore
I modelli lineari di apprendimento (SLM) implicano ancora dei compromessi. Il ragionamento complesso, le attività che richiedono conoscenze approfondite, la generazione di contenuti sofisticati e i problemi ambigui possono richiedere modelli più grandi. Anche i modelli più piccoli necessitano di dati di addestramento adeguati, valutazione, controlli di sicurezza, monitoraggio e governance.
L'obiettivo non è sostituire i modelli linguistici più diffusi, bensì smettere di utilizzarli di default.
LEGGI ANCHE: 7 colli di bottiglia dell'apprendimento automatico che l'apprendimento automatico automatizzato può eliminare
Un'intelligenza artificiale ben dimensionata potrebbe diventare il vantaggio competitivo delle aziende
La prossima fase dell'intelligenza artificiale aziendale potrebbe non ruotare attorno alla creazione di modelli sempre più grandi, bensì all'assegnazione dell'intelligenza più appropriata al carico di lavoro giusto.
Per le soluzioni software basate sull'intelligenza artificiale, i modelli SLM creano opportunità per migliorare l'efficienza, specializzare i modelli in base ai domini aziendali, rafforzare il controllo dell'implementazione e avvicinare l'IA ai flussi di lavoro operativi.
I modelli di grandi dimensioni rimarranno essenziali per molte attività complesse. Ma le aziende che impareranno a combinare in modo intelligente modelli grandi e piccoli potrebbero ottenere qualcosa di più prezioso della pura potenza dell'IA: un'economia dell'IA sostenibile.
Nel settore delle tecnologie aziendali, il modello vincente non è sempre il più grande. Potrebbe semplicemente essere quello che offre esattamente ciò che è strettamente necessario.
