Notizie sull'AI ha incontrato il presidente di Ikigai Labs, Kamal Ahluwalia, per discutere di tutto ciò che riguarda l'intelligenza artificiale, inclusi i migliori consigli su come adottare e utilizzare la tecnologia e l'importanza di incorporare l'etica nella progettazione dell'intelligenza artificiale.
Potresti parlarci qualcosa di Ikigai Labs e di come può aiutare le aziende?
Ikigai aiuta le organizzazioni a trasformare dati aziendali sparsi e isolati in informazioni predittive e utilizzabili con una piattaforma di intelligenza artificiale generativa progettata specificamente per dati strutturati e tabulari.
Una parte significativa dei dati aziendali è costituita da dati strutturati e tabulari, che risiedono in sistemi come SAP e Salesforce. Questi dati guidano la pianificazione e la previsione di un’intera azienda. Mentre c'è molto entusiasmo intorno ai Large Language Models (LLM), che sono ottimi per dati non strutturati come il testo, i Large Graphical Models (LGM) brevettati di Ikigai, sviluppati dal MIT, si concentrano sulla risoluzione dei problemi utilizzando dati strutturati.
La soluzione di Ikigai si concentra in particolare sui set di dati di serie temporali, poiché le aziende operano su quattro serie temporali chiave: vendite, prodotti, dipendenti e capitale/contanti. Comprendere come queste serie temporali si uniscono nei momenti critici, come il lancio di un nuovo prodotto o l’ingresso in una nuova area geografica, è fondamentale per prendere decisioni migliori che portino a risultati ottimali.
Come descriveresti l’attuale panorama dell’intelligenza artificiale generativa e come immagini che si svilupperà in futuro?
Le tecnologie che hanno catturato l'immaginazione, come gli LLM di OpenAI, Anthropic e altri, provengono da un contesto consumer. Sono stati addestrati su dati su scala Internet e i set di dati di addestramento stanno diventando sempre più grandi, il che richiede una notevole potenza di calcolo e archiviazione. Ci sono voluti 100 milioni di dollari per addestrare GPT4 e si prevede che GP5 costerà 2,5 miliardi di dollari.
Questa realtà funziona in un contesto di consumo, dove i costi possono essere condivisi tra un gruppo di utenti molto ampio e alcuni errori sono solo parte del processo di formazione. Ma nell’impresa gli errori non possono essere tollerati, le allucinazioni non sono un’opzione e la precisione è fondamentale. Inoltre, il costo di formazione di un modello su dati su scala Internet non è semplicemente sostenibile e le aziende che sfruttano un modello fondamentale rischiano l’esposizione della propria proprietà intellettuale e di altri dati sensibili.
Mentre alcune aziende hanno intrapreso la strada della costruzione del proprio stack tecnologico in modo che i LLM possano essere utilizzati in un ambiente sicuro, la maggior parte delle organizzazioni non ha il talento e le risorse per costruirlo da sole.
Nonostante le sfide, le imprese desiderano il tipo di esperienza fornita dai LLM. Ma i risultati devono essere accurati – anche quando i dati sono scarsi – e deve esserci un modo per mantenere i dati riservati fuori da un modello fondamentale. È inoltre fondamentale trovare modi per ridurre il costo totale di proprietà, compresi i costi per l'addestramento e l'aggiornamento dei modelli, la dipendenza dalle GPU e altre questioni relative alla governance e alla conservazione dei dati. Tutto ciò porta a una serie di soluzioni molto diverse da quelle che abbiamo attualmente.
Come possono le aziende creare una strategia per massimizzare i benefici dell’intelligenza artificiale generativa?
Sebbene sia stato scritto molto sui Large Language Models (LLM) e sulle loro potenziali applicazioni, molti clienti si chiedono “come posso creare la differenziazione?”
Con gli LLM, quasi tutti avranno accesso alle stesse funzionalità, come esperienze di chatbot o generazione di e-mail e contenuti di marketing: se tutti hanno gli stessi casi d'uso, non è un elemento di differenziazione.
La chiave è spostare l'attenzione dai casi d'uso generici alla ricerca di aree di ottimizzazione e comprensione specifiche per la propria attività e le circostanze. Ad esempio, se operi nel settore manifatturiero e hai bisogno di spostare le attività fuori dalla Cina, come pianifichi l'incertezza nella logistica, nella manodopera e in altri fattori? Oppure, se si desidera costruire prodotti più ecologici, i materiali, i fornitori e le strutture dei costi cambieranno. Come lo modelli?
Questi casi d’uso sono alcuni dei modi in cui le aziende stanno tentando di utilizzare l’intelligenza artificiale per gestire la propria attività e pianificare in un mondo incerto. Trovare la specificità e adattare la tecnologia alle tue esigenze specifiche è probabilmente il modo migliore per utilizzare l’intelligenza artificiale per trovare un vero vantaggio competitivo.
Quali sono le principali sfide che le aziende devono affrontare quando implementano l’intelligenza artificiale generativa e come possono essere superate?
Ascoltando i clienti, abbiamo appreso che, sebbene molti abbiano sperimentato l'intelligenza artificiale generativa, solo una piccola parte è riuscita a passare alla produzione a causa di costi proibitivi e problemi di sicurezza. Ma cosa accadrebbe se i tuoi modelli potessero essere addestrati solo sui tuoi dati, funzionando su CPU anziché richiedere GPU, con risultati accurati e trasparenza su come ottieni tali risultati? Cosa accadrebbe se tutti i problemi normativi e di conformità venissero affrontati, senza lasciare dubbi sulla provenienza dei dati o sulla quantità di dati che vengono riqualificati? Questo è ciò che Ikigai sta portando in tavola con i modelli grafici di grandi dimensioni.
Una sfida che abbiamo aiutato le aziende ad affrontare è il problema dei dati. Quasi il 100% delle organizzazioni lavora con dati limitati o imperfetti e, in molti casi, ciò costituisce un ostacolo all’utilizzo dell’intelligenza artificiale. Le aziende parlano spesso di pulizia dei dati, ma in realtà l’attesa di dati perfetti può ostacolare il progresso. Le soluzioni di intelligenza artificiale in grado di funzionare con dati limitati e sparsi sono essenziali, poiché consentono alle aziende di imparare da ciò che hanno e di tenere conto della gestione del cambiamento.
L’altra sfida è come i team interni possano collaborare con la tecnologia per ottenere risultati migliori. Soprattutto nei settori regolamentati, sono necessari la supervisione umana, la convalida e l’apprendimento di rinforzo. L’aggiunta di un esperto nel ciclo garantisce che l’intelligenza artificiale non prenda decisioni nel vuoto, quindi trovare soluzioni che incorporino la competenza umana è fondamentale.
In che misura ritieni che l’adozione con successo dell’intelligenza artificiale generativa richieda un cambiamento nella cultura e nella mentalità aziendale?
Adottare con successo l’intelligenza artificiale generativa richiede un cambiamento significativo nella cultura e nella mentalità aziendale, con un forte impegno da parte dei dirigenti e una formazione continua. L’ho visto in prima persona a Eightfold, quando stavamo portando la nostra piattaforma di intelligenza artificiale ad aziende in oltre 140 paesi. Consiglio sempre ai team di istruire prima i dirigenti su cosa è possibile fare, come farlo e come arrivarci. Devono avere l’impegno per portarlo a termine, il che implica qualche sperimentazione e qualche linea d’azione impegnata. Devono anche comprendere le aspettative riposte nei confronti dei colleghi, in modo da poter essere preparati affinché l’intelligenza artificiale diventi parte della vita quotidiana.
L’impegno dall’alto verso il basso e la comunicazione da parte dei dirigenti sono di grande aiuto, poiché c’è molta paura che suggerisce che l’intelligenza artificiale toglierà posti di lavoro e i dirigenti devono dare il tono secondo cui, mentre l’intelligenza artificiale non eliminerà i posti di lavoro in modo definitivo, il lavoro di tutti è cambierà nei prossimi due anni, non solo per le persone di livello medio o basso, ma per tutti. La formazione continua durante tutta la distribuzione è fondamentale affinché i team imparino a ottenere valore dagli strumenti e ad adattare il modo in cui lavorano per incorporare le nuove competenze.
È inoltre importante adottare tecnologie che si adattino alla realtà dell'impresa. Ad esempio, devi abbandonare l’idea che sia necessario ottenere tutti i tuoi dati per poter agire. Nelle previsioni delle serie temporali, quando sono trascorsi quattro trimestri per ripulire i dati, ci sono più dati disponibili e probabilmente è un disastro. Se continui ad aspettare dati perfetti, non sarai in grado di utilizzare i tuoi dati. Quindi le soluzioni di intelligenza artificiale che possono funzionare con dati limitati e sparsi sono cruciali, poiché devi essere in grado di imparare da ciò che hai.
Un altro aspetto importante è l'aggiunta di un esperto nel ciclo. Sarebbe un errore presumere che l’intelligenza artificiale sia magica. Ci sono molte decisioni, soprattutto nei settori regolamentati, dove non è possibile lasciare che l'intelligenza artificiale prenda semplicemente la decisione. Sono necessari supervisione, convalida e apprendimento di rinforzo: questo è esattamente il motivo per cui le soluzioni di consumo sono diventate così efficaci.
Ci sono casi di studio che potresti condividere con noi riguardanti aziende che utilizzano con successo l’intelligenza artificiale generativa?
Un esempio interessante è un cliente del Marketplace che ci utilizza per razionalizzare il proprio catalogo prodotti. Stanno cercando di capire il numero ottimale di SKU da trasportare, in modo da poter ridurre i costi di trasporto dell'inventario pur soddisfacendo le esigenze dei clienti. Un altro partner si occupa di pianificazione, previsione e programmazione della forza lavoro, utilizzandoci per il bilanciamento del lavoro negli ospedali, nelle società di vendita al dettaglio e di ospitalità. Nel loro caso, tutti i dati si trovano in sistemi diversi e devono riunirli in un'unica visualizzazione in modo da poter bilanciare il benessere dei dipendenti con l'eccellenza operativa. Ma poiché possiamo supportare un'ampia varietà di casi d'uso, collaboriamo con i clienti facendo di tutto, dalla previsione dell'utilizzo del prodotto come parte del passaggio a un modello basato sul consumo, al rilevamento delle frodi.
Voi ha recentemente lanciato un Consiglio etico sull’intelligenza artificiale. Che tipo di persone fanno parte di questo consiglio e qual è il suo scopo?
Il nostro Consiglio etico sull'intelligenza artificiale mira a garantire che la tecnologia dell'intelligenza artificiale che stiamo costruendo sia fondata sull'etica e sulla progettazione responsabile. È una parte fondamentale di ciò che siamo come azienda e sono onorato e onorato di farne parte insieme a un gruppo così impressionante di individui. Il nostro consiglio comprende luminari come il dottor Munther Dahleh, direttore fondatore dell'Institute for Data Systems and Society (IDSS) e professore al MIT; Aram A. Gavoor, preside associato della George Washington University e studioso riconosciuto di diritto amministrativo e sicurezza nazionale; il dottor Michael Kearns, presidente del National Center for Computer and Information Science presso l'Università della Pennsylvania; e il dottor Michael I. Jordan, un illustre professore presso l'UC Berkeley nei dipartimenti di ingegneria elettrica, informatica e statistica. Sono anche onorato di far parte di questo consiglio insieme a queste stimate persone.
Lo scopo del nostro Consiglio etico sull’intelligenza artificiale è affrontare le pressanti questioni etiche e di sicurezza che influiscono sullo sviluppo e sull’utilizzo dell’intelligenza artificiale. Poiché l’intelligenza artificiale diventa rapidamente centrale per i consumatori e le aziende in quasi tutti i settori, riteniamo fondamentale dare priorità allo sviluppo responsabile e non possiamo ignorare la necessità di considerazioni etiche. Il consiglio si riunirà trimestralmente per discutere argomenti importanti come la governance dell’intelligenza artificiale, la minimizzazione dei dati, la riservatezza, la legalità, l’accuratezza e altro ancora. Dopo ogni incontro, il consiglio pubblicherà raccomandazioni per le azioni e i prossimi passi che le organizzazioni dovrebbero prendere in considerazione per andare avanti. Nell'ambito dell'impegno di Ikigai Labs per l'implementazione e l'innovazione etica dell'IA, implementeremo le azioni raccomandate dal consiglio.
Ikigai Labs ha raccolto un finanziamento di 25 milioni di dollari nell'agosto dello scorso anno. In che modo ciò contribuirà allo sviluppo dell’azienda, delle sue offerte e, in definitiva, dei tuoi clienti?
Abbiamo una solida base di ricerca e innovazione proveniente dal nostro team principale con il MIT, quindi il finanziamento questa volta è focalizzato sul rendere la soluzione più solida, oltre a coinvolgere il team che lavora con clienti e partner.
Possiamo risolvere molti problemi, ma rimaniamo concentrati sulla risoluzione solo di alcuni di quelli significativi attraverso le super app delle serie temporali. Sappiamo che ogni azienda utilizza quattro serie temporali, quindi l'obiettivo è coprirli in modo approfondito e rapido: cose come previsioni delle vendite, previsioni dei consumi, previsioni degli sconti, come scadere i prodotti, ottimizzazione del catalogo, ecc. Siamo entusiasti e stiamo cercando non vedo l'ora di mettere GenAI per i dati tabulari nelle mani del maggior numero possibile di clienti.
Vuoi saperne di più sull'intelligenza artificiale e sui big data dai leader del settore? Guardare Fiera dell'intelligenza artificiale e dei big data che si svolge ad Amsterdam, in California, e a Londra. L'evento completo è collocato in contemporanea con altri eventi importanti, tra cui BlockX, Settimana della trasformazione digitaleE Fiera sulla sicurezza informatica e sul cloud.
Esplora altri prossimi eventi e webinar sulla tecnologia aziendale forniti da TechForge Qui.
Fonte: www.artificialintelligence-news.com
