Applicare l'Intelligenza Artificiale a un processo o operazione aziendale appare come un compito arduo per la maggior parte delle aziende o anche per gli sviluppatori. L'incertezza del tasso di successo dell'applicazione dell'Intelligenza Artificiale può essere una parte fondamentale della paura e quindi la maggior parte delle aziende evita di entrare nell'IA. Questo è in una certa misura comprensibile. Fino a pochi mesi fa, il processo di applicazione dell'IA era pieno di indagini per identificare se l'IA potesse davvero essere d'aiuto in una situazione del genere. Quindi sarebbe necessaria una lunga analisi, con il processo che comprende:
raccogliere i dati
pulire i dati
ricercare i modelli di IA corretti da utilizzare
addestrare il modello selezionato
confrontare i modelli e valutare se il modello produce risultati soddisfacenti
I passaggi sarebbero necessari prima ancora di sapere se l'implementazione dell'IA avrebbe avuto successo, quindi potrebbe essere uno sforzo inutile. A questo proposito, i due principali fornitori di cloud hanno identificato una lacuna e stanno costruendo un arsenale di strumenti che avviano il processo di cui sopra. I servizi cognitivi di Microsoft Azure e Google AI Platform sono le due piattaforme che forniscono l'integrazione API per modelli di IA generici addestrati che devono essere utilizzati da terze parti. Questi possono essere facilmente integrati in applicazioni e flussi di lavoro per sfruttare la potenza dell'IA.
Sono stati identificati casi d'uso generici e sono stati creati modelli di intelligenza artificiale da utilizzare, come ad esempio:
identificare anomalie nei dati
traduzioni linguistiche
analisi del testo per frasi chiave o sentiment
traduzione del discorso in testo e viceversa
riconoscimento del contenuto in immagini / video e altri servizi relativi alla visione
discorso e analisi decisionale di base
Questi fornitori hanno fatto bene ad identificare una serie di casi generici in cui l'intelligenza artificiale può essere utilizzata per estrarre informazioni più preziose e che possono quindi essere integrate in flussi di lavoro più specifici con un caso che è il riconoscimento del testo da immagini che possono essere utilizzate nella digitalizzazione di documenti, controlli o etichette.
Più di nicchia diventa il caso d'uso, meno questi modelli generici forniscono risultati di successo.
I modelli utilizzati forniscono buoni risultati nei casi in cui il set di dati segue modelli simili a quelli dei dati di addestramento. Qualsiasi deviazione da tale norma si tradurrebbe in una minore precisione perché i dati di addestramento non sono rappresentativi del set di dati o, nei casi più avanzati, il modello potrebbe non essere nemmeno appropriato. In questi casi, alcuni servizi offrono anche la possibilità di addestrare il modello sul set di dati che otterrebbe risultati migliori.
Come discusso brevemente, l'intelligenza artificiale sta diventando più accessibile con i fornitori che riducono la barriera all'ingresso per le piccole imprese e consentono un più rapido ritorno sull'investimento. Questi modelli sono utili per la prototipazione di un modello e per ridurre considerevolmente il time to market con il tempo investito per analizzare i risultati e pianificare soluzioni a lungo termine mentre si costruisce la piattaforma AI con le conoscenze acquisite durante questo viaggio.