Il clamore che circonda l’ondata dell’intelligenza artificiale sta iniziando a scemare, lasciando spazio a valutazioni più realistiche. È fondamentale comprendere lo status attuale: le aziende, i CTO e gli architetti sono pronti ad ospitare, addestrare e aggiornare l’intelligenza artificiale? La gestione dei modelli linguistici di grandi dimensioni (LLM) presenta sfide significative. Tuttavia, l’accoppiamento di modelli più piccoli rappresenta una prospettiva promettente e più realizzabile. Si delinea dunque un’alternativa alla Big AI, nota come Swarm AI, o intelligenza di sciame.
L’evoluzione del mercato
L’evoluzione tecnologica segue spesso un percorso predefinito. Inizialmente, grandi attori dominano il mercato, fino a quando non emerge una risposta dal basso con l’ingresso di fornitori più piccoli. Alla fine, il mercato tende a consolidarsi al centro. Applicazioni come la ricerca, i chatbot o la sintesi dei contenuti sono esempi in cui i modelli più piccoli risultano sufficienti e più convenienti.
Questa tendenza riflette i limiti intrinseci della Big AI e degli LLM, sviluppati per avere un sapere universale ma incapaci di fornire risposte specifiche su ogni argomento. Inoltre, la gestione delle allucinazioni, un fenomeno problematico per cui i modelli generano informazioni errate o fuorvianti, rappresenta una sfida difficile.
L’era dei piccoli modelli: i vantaggi dell’approccio swarm AI
L’approccio swarm AI costituisce un’alternativa agli LLM, fondandosi sull’uso contemporaneo di numerosi piccoli modelli, sviluppati autonomamente o disponibili sul mercato, per compiti specifici. Tali modelli sono interconnessi a un meta-livello che funge da unità di interrogazione comune; quando viene posta una domanda a questo meta-livello, viene scelto il modello o i modelli appropriati per generare la risposta.
I vantaggi dell’utilizzo di modelli più piccoli rispetto agli LLM sono molteplici. Questi modelli favoriscono un adattamento dinamico e un’integrazione continua di nuovi dati, permettendo un addestramento decisamente più rapido. Inoltre, i modelli di dimensioni ridotte comportano un’importante economia rispetto ai grandi LLM, i quali richiedono investimenti ingenti a causa della loro complessità e della presenza di miliardi di parametri.
Utilizzare modelli più piccoli, specifici per determinati ambiti, riduce inoltre la dipendenza delle aziende dai grandi fornitori di LLM, spesso caratterizzati da opacità in merito a algoritmi, dati di addestramento e modelli. I modelli più piccoli, al contrario, incarnano trasparenza, tracciabilità e affidabilità. L’Europa tende a stabilire norme che sono sempre più seguite a livello globale, come dimostrato dal GDPR e potenzialmente anche dall’AI Act dell’UE.
Infine, la swarm AI può costituire una soluzione alla carenza di talenti nel settore e alla complessità di implementare e gestire gli LLM. I modelli più piccoli si rivelano più accessibili in termini di addestramento, ottimizzazione e distribuzione, garantendo cicli di sviluppo e sperimentazione più rapidi.
Dai dati alla piattaforma, fino all’ecosistema
I dati strutturati, specifici e di alta qualità sono requisiti fondamentali per il corretto funzionamento di un modello di intelligenza artificiale. Le grandi aziende di solito hanno accesso ai propri database e data lake; anche le agenzie governative possono disporre di dati strutturati utilizzabili in soluzioni di AI specifiche. Un esempio potrebbe essere l’ottimizzazione del percorso dei camion per la raccolta dei rifiuti basata su dati storici.
Un ulteriore elemento importante per un ambiente di intelligenza artificiale riguarda l’architettura e l’infrastruttura sottostanti. Per evitare il vendor lock-in, mantenere il passo con le innovazioni e implementare vari casi d’uso, risulta raccomandabile adottare una piattaforma flessibile e ibrida, preferibilmente open source, che consenta addestramento, ottimizzazione, distribuzione e monitoraggio dei modelli di AI in ambienti cloud, edge o on-premise. Una divisione tra il training su farm di GPU nel cloud e la distribuzione on-premise può rappresentare una strategia vincente, poiché l’investimento in un’infrastruttura GPU on-premise sarebbe spesso poco giustificato per le aziende, dato che il loro utilizzo rimane generalmente inferiore al 25%.
In aggiunta, le piattaforme cloud ibride aperte offrono accesso a partner certificati AI/ML, rendendo più semplice per le aziende implementare soluzioni complete per lo sviluppo, l’attuazione e la gestione dei modelli per applicazioni basate sull’AI. La creazione di un ecosistema operativo è cruciale per stimolare la concorrenza e l’innovazione; solo un ecosistema ben funzionante può fornire le basi per sviluppare modelli di AI rilevanti, rendere accessibili i dati per l’addestramento a una vasta gamma di utenti e affrontare questioni etiche fondamentali.
Dalle promesse al realismo: l’IA è pronta al prossimo capitolo
Il clamore attorno all’AI generativa sta svanendo e le promesse lasciano spazio a aspettative più realistiche. Tuttavia, ciò non deve essere inteso come un’inevitabile scomparsa dell’AI, ma piuttosto come un invito a riflettere nuovamente su di essa. La swarm AI, che utilizza piccoli modelli specifici, potrebbe segnare un nuovo capitolo di successo nell’impiego dell’intelligenza artificiale. I fornitori europei, in particolare, dovrebbero considerare questa tendenza come un’opportunità di mercato. L’AI continua a rappresentare, almeno per il momento, la tecnologia chiave per eccellenza.
