將人工智能帶入公司首先要了解您的商業(yè)計劃最有競爭力的應用領域是什么，然后通過四步走策略（理解問題、收集數(shù)據(jù)、測試概念、擴展應用）和對成本的明智把握，企業(yè)就能在這片人工智能（AI）的新土地上建立起自己的城堡，不僅使自己更具競爭力，還能為客戶和社會創(chuàng)造更大的價值。
來源：GORODENKOFF / SHUTTERSTOCK
人工智能（AI）技術已開啟企業(yè)效率新時代，其中生成式人工智能（GenAI）如ChatGPT的出現(xiàn)標志著前所未有的發(fā)展機遇。盡管如此，企業(yè)實施AI技術面臨技能、數(shù)據(jù)、可解釋性及成本等挑戰(zhàn)。
AI技術在意大利企業(yè)中的應用尚處于初級階段，受限于技能缺乏和成本問題。AI主要應用于流程自動化、文本分析和語音識別等領域。
人工智能是一個廣泛的領域，涵蓋了基于學習過程的機器學習（ML）等技術。機器學習依靠大量數(shù)據(jù)和算法來訓練模型執(zhí)行特定任務。
企業(yè)采用AI技術需建立在對AI決策過程的信任基礎之上。盡管AI能夠提供高效的建議，但其決策過程并不總是容易理解，這要求企業(yè)在實施時進行嚴格的驗證測試。
AI在企業(yè)中的應用廣泛，包括生產(chǎn)過程的優(yōu)化、客戶服務、營銷活動等。成功的AI項目需要跨學科團隊的協(xié)作，包括IT、數(shù)學統(tǒng)計等領域的專家。
意大利企業(yè)通過與技術伙伴合作，利用AI技術改善產(chǎn)品推薦、客戶識別等業(yè)務流程，實現(xiàn)了顯著的業(yè)務成果。
GenAI產(chǎn)品如ChatGPT引領了AI領域的新變革，使技術更易于企業(yè)和個人用戶接受。GenAI的應用使企業(yè)能夠快速實驗并見證AI的具體好處。
在實施GenAI時，企業(yè)需警惕幻覺等風險，并確保有能力的人工驗證AI輸出的必要性。
成功實施AI項目需要明確的策略，包括問題分析、數(shù)據(jù)收集、概念驗證（PoC）和模型擴展等步驟。
雖然AI技術本身可能不昂貴，但收集、準備和標記數(shù)據(jù)的成本較高。企業(yè)需要權衡使用現(xiàn)成模型與開發(fā)定制模型的成本和效益。
企業(yè)若要充分利用AI技術，需要依賴于大量的內(nèi)部數(shù)據(jù)和跨學科人才的合作。】
人工智能的能力為企業(yè)效率的新時代打開了大門。因此，生成式人工智能的到來是一個前所未有的承諾：ChatGPT在短短兩個月內(nèi)就達到了?1?億用戶的里程碑（瑞銀對?Similarweb?數(shù)據(jù)的分析;90?年代的萬維網(wǎng)花了七年時間）。然而，對于首席信息官來說，實施人工智能并不是那么簡單。
“人工智能是一場革命，因為它代表了一種通用技術：我們可以將其與電力的引入和互聯(lián)網(wǎng)的誕生進行比較。沒有人工智能，我們的公司將無法提高生產(chǎn)力、降低成本和保持競爭力，“Pop AI（流行人工智能）的創(chuàng)始人兼總裁Emanuela Girardi?說，這是一個非營利性協(xié)會，其使命是向人們解釋什么是人工智能技術以及它們對日常生活的影響。
但是，為了使用人工智能，您需要一些必要條件。首先是技能，“因為人工智能要求我們學習如何做新工作或以不同的方式工作，”吉拉爾迪指出。事實上，根據(jù)Istat?的“2023?年商業(yè)和?ICT?報告”，缺乏技能是意大利采用人工智能技術的第一個剎車：55.1%?的公司考慮使用人工智能技術但沒有采用它，因為缺乏技能和對業(yè)務可能性的理解而放棄了。
“轉(zhuǎn)折點在于了解你的公司可以以更好的方式做什么，這要歸功于人工智能，”吉拉爾迪指出，他也是經(jīng)濟發(fā)展部人工智能專家小組的成員，該小組于2020?年為這項技術制定了意大利國家戰(zhàn)略。
那么，如果我們轉(zhuǎn)向生成式人工智能（Gen AI），考慮到誤差幅度（所謂的幻覺），對應用范圍的深入了解是必不可少的。
另一個讓首席信息官擔心的因素是可解釋性：我們能否完全解釋為什么人工智能模型的結(jié)果會實現(xiàn)并信任它？同樣重要（也許是最容易被忽視的）是用于訓練模型的大數(shù)據(jù)問題和相關成本。事實上，在Istat報告中，公司采用人工智能的第二大和第三大障礙是成本過高（49.6%）和必要數(shù)據(jù)不可用或質(zhì)量差（45.5%）。
一、意大利有多少家公司使用人工智能
顯然，與人工智能技術和數(shù)據(jù)分析相關的活動主要存在于數(shù)字化程度高的公司中。根據(jù)Istat?的數(shù)據(jù)，到?2023?年，擁有?10?名員工的公司中有?5%?至少使用了所分析的七種人工智能技術中的一種（2022?年為?6.2%）。在中型企業(yè)（50-99?名員工）中，5.6%?的公司至少使用過一種（2022?年為?9.4%）。在大公司中，約占總數(shù)的24%的份額保持穩(wěn)定。
Istat考慮的七種人工智能技術（與歐盟統(tǒng)計局一致）是用于分析文本文檔（如文本挖掘）、將口語轉(zhuǎn)換為計算機設備可讀的格式（語音識別）、生成書面或口頭語言（自然語言生成、語音合成）、根據(jù)圖像或視頻識別物體或人（識別、?使用計算機視覺進行圖像處理），通過機器學習（例如，機器學習、深度學習、神經(jīng)網(wǎng)絡）進行數(shù)據(jù)分析，自動化工作流程或支持決策（流程自動化、使用人工智能技術自動執(zhí)行人類任務的機器人軟件等），以及通過基于對周圍環(huán)境的觀察（機器人或自主無人機、自動駕駛汽車）。
在使用人工智能的公司中，最常見的技術涉及通過機器人軟件實現(xiàn)工作流程自動化（40.1%），從文本文檔中提取知識和信息（39.3%），以及通過語音識別技術將口語轉(zhuǎn)換為計算機設備可讀的格式（31.0%）。通過機器學習（機器學習、深度學習、神經(jīng)網(wǎng)絡）進行數(shù)據(jù)分析是大公司使用人工智能最常用的技術（51.9%）。
二、讓我們退后一步：人工智能和機器學習
事實上，人工智能通?；趯W習過程，因此從根本上說是機器學習（ML）：另一方面，人工智能是其他相關技術落入的大帽子，正如Vincenzo Laveglia博士所強調(diào)的那樣（研究論文是關于動態(tài)神經(jīng)網(wǎng)絡）和佛羅倫薩大學技術專家。
“人工智能和機器學習已經(jīng)存在了很長時間，但直到最近幾年，大規(guī)模的應用才對公司開放，因為已經(jīng)滿足了一些不可或缺的條件：在線數(shù)據(jù)的大量可用性，用于培訓過程的圖形卡和免費提供的軟件庫，?這使得研究實驗室之外的許多人能夠為機器學習編寫代碼，“Laveglia解釋道?！半S著特定機器學習模型的引入，或者更確切地說，神經(jīng)網(wǎng)絡：轉(zhuǎn)換器，也可以用作生成系統(tǒng)，例如GPT，ML系統(tǒng)經(jīng)歷了進一步的繁榮。轉(zhuǎn)換器的特點是，它們可以構建（和訓練）非常大的神經(jīng)模型（實際上是深度學習）。我們已經(jīng)看到，具有數(shù)十億參數(shù)的非常大的模型能夠完成幾年前無法想象的事情。
神經(jīng)網(wǎng)絡是當今使用最廣泛的機器學習模型。這些是由數(shù)千個參數(shù)組成的數(shù)學對象。這些參數(shù)在學習過程中會得到適當?shù)闹匾?，在學習過程中，ML模型將能夠自動執(zhí)行其訓練的任務。
然而，Laveglia強調(diào)了一個方面：在訓練?AI?模型的過程中，人類會給機器指示在它的位置上執(zhí)行某項任務，但事實上，教給系統(tǒng)的并不是它必須做的一切，而是它必須做的邊界，迫使它不犯錯誤。
“我們告訴模型的是，有些結(jié)果是不一致的，我們會糾正它，直到它能夠在我們給它的參數(shù)范圍內(nèi)移動，”他說。
這意味著，最終，不可能一步一步地解釋為什么機器會提供某種結(jié)果。我們必須相信我們給她的指令：如果它們是正確的，那么輸出就必須是正確的，這在用大量數(shù)據(jù)訓練的非常大的模型中尤其如此。
“誤差幅度取決于培訓的完成方式。訓練有規(guī)則可循，有些模型比其他模型更好，“Laveglia指出。
三、人工智能在公司：第一點是信任
事實上，幾位首席信息官指出，人工智能作為神經(jīng)網(wǎng)絡“推理”的結(jié)果提供了最終建議，對于人類主管來說，并不總是那么容易理解為什么對一個或另一個因素給予了更多的權重。這也是為什么公司，即使是大型公司，也經(jīng)常停留在實驗階段，并為軟件提供人類支持的原因。
“在商業(yè)智能（BI）中，人首先決定數(shù)據(jù)與最終決策之間的因果關系是什么，因此，它可以被認為是百分百可以解釋的，而在人工智能（AI）中，決策只是部分知情的，因為你無法完全控制因果關系。事實上，我們有點失控了，“制藥行業(yè)大型零售貿(mào)易公司Farvima Medicinali的首席信息官Alessandro Di Maio說。“這就是為什么我們一步一步地進行，通過小規(guī)模的實施來檢查系統(tǒng)的可靠性。但是，總的來說，如果人工智能在大數(shù)據(jù)上工作，結(jié)果很難不可靠?！?/span>
關鍵在于大量不斷更新的數(shù)據(jù)，因為系統(tǒng)以這種方式自我喂養(yǎng)、自我糾正和自我整合。
四、我能用人工智能做什么？不僅僅是分析和商業(yè)智能
Istat指出，最常采用人工智能系統(tǒng)的業(yè)務領域與生產(chǎn)過程有關，例如生產(chǎn)中的預測性維護或質(zhì)量控制（39.0%，制造業(yè)高達52.5%），營銷或銷售職能，例如客戶服務職能或個性化促銷活動（33.1%， 服務業(yè)為41.3%）、網(wǎng)絡安全（23.7%，能源業(yè)為50.6%）以及研發(fā)或創(chuàng)新活動，以分析數(shù)據(jù)、開發(fā)新的或顯著改進的產(chǎn)品或服務（21.1%）。
吉拉爾迪報告說，許多公司正在朝這個方向進行試驗?！叭斯ぶ悄芸捎糜诔杀究刂葡到y(tǒng)，用于采購原材料，或通過改善財務管理和現(xiàn)金來優(yōu)化需求和采購，或者再次用于工廠的預測性維護以避免故障和停機，以及通過計算機視覺進行質(zhì)量控制。許多公司正在將其應用于聊天機器人或GenAI的客戶服務中，以進行營銷，“她指出。
然而，根據(jù)首席信息官Di Maio?的說法，從人工智能實驗轉(zhuǎn)向具體項目意味著擁有“巨大的技能，不僅是?IT，還有數(shù)學統(tǒng)計和敬業(yè)的團隊”。
事實上，F(xiàn)arvima Medicina早在去年就開始與合作伙伴一起開發(fā)人工智能解決方案，該集團在其附屬公司中擁有一家具有IT和AI專業(yè)知識的公司。
Farvima開發(fā)的第一個基于人工智能的系統(tǒng)（目前正在測試中）為銷售提出了正確的定價，以實現(xiàn)絕對值和百分比，整體或每個產(chǎn)品線的銷售利潤率目標。該系統(tǒng)匯集并評估有關產(chǎn)品在市場上的表現(xiàn)和價格變化的歷史數(shù)據(jù)，因此為每個項目提供給定時間上市的價格建議，以便總銷售額允許您達到目標中指示的利潤。
“我們曾經(jīng)有一個使用分析技術的系統(tǒng)，但人工智能系統(tǒng)要先進得多，因為它基于通過分析獲得的更多數(shù)據(jù)，”Di Maio指出。“每條數(shù)據(jù)都必須使用不同的數(shù)學函數(shù)進行管理，并且考慮的變量更多，這也是因為每個項目都有一個整體管理，成本不僅僅取決于數(shù)量”。
五、聊天機器人如何變化
Farvima與合作伙伴開發(fā)的第二款?AI?產(chǎn)品應用于倉庫優(yōu)化，以避免缺貨。“流程優(yōu)化是受益于人工智能的典型領域，”Di Maio指出?！?strong style=";padding: 0px;outline: 0px;max-width: 100%;box-sizing: border-box !important;overflow-wrap: break-word !important">我們的目標是嘗試使用歷史和上下文數(shù)據(jù)集來預測我們將要銷售多少。例如，給定天氣條件和特定地區(qū)某種疾病的流行情況，人工智能可以幫助我們預測在一定天數(shù)內(nèi)，我們將不得不分發(fā)一定數(shù)量的特定藥物，并告訴我們何時何地分發(fā)?；蛘撸柚沽宋覀冊陬A計需求不強勁的情況下使市場飽和。”
客戶體驗領域是人工智能的另一個自然應用。在這里，F(xiàn)arvima再次與合作伙伴一起集成了一個針對其最終用戶（藥劑師或醫(yī)生）的聊天機器人，以自動化的方式指導他們進行操作，例如檢索發(fā)票或包裝說明書。聊天機器人了解用戶請求文檔，搜索它，將其鏈接到他們的個人資料，然后通過電子郵件或移動設備上的消息將其發(fā)送給他們。下一個演變將是語音識別：用戶將撥打一個號碼，該號碼將由能夠理解和處理請求的機器人接聽。
“語音識別本身就是一項成熟的技術，但在這里我們需要向前邁出一步：人工智能必須將與客戶的對話與行動聯(lián)系起來，而這項任務在技術上與編程人工智能以執(zhí)行行動（例如下載和發(fā)送文檔）不同，”Di Maio解釋說。
基本基礎仍然是大數(shù)據(jù)，因為機器學習需要非常大的數(shù)據(jù)集。Farvima的?Di Maio?通過在其數(shù)據(jù)庫內(nèi)部執(zhí)行數(shù)據(jù)挖掘和流量規(guī)范化操作【即?ETL（提取-轉(zhuǎn)換-加載）活動】進行，而?AI?的實際部分，即使用機器學習、深度學習和神經(jīng)網(wǎng)絡從數(shù)據(jù)到響應，委托給外部提供商。
這種基于伙伴關系的方法在意大利公司中變得越來越普遍。
六、伙伴關系和開放式創(chuàng)新
例如，在金融和保險行業(yè)，機器學習模型基于內(nèi)部數(shù)據(jù)（通常也基于技術合作伙伴提供的數(shù)據(jù)集）進行訓練，通過產(chǎn)品推薦為銷售和咨詢活動生成建議。Change Capital是一家為中小企業(yè)提供金融解決方案的數(shù)字聚合商，它實施了一種機器學習模型，特別是改善了其兩個業(yè)務領域的管理：產(chǎn)品選擇和客戶識別。正如Change Capital的首席技術官Alessio Donati所解釋的那樣，ML模型由其技術合作伙伴MetriksAI根據(jù)Change Capital的歷史實踐數(shù)據(jù)創(chuàng)建，由于對下一步最佳行動的自動建議，金融科技客戶經(jīng)理的實踐轉(zhuǎn)化率提高了27%。反過來，這些為顧問的交叉銷售和追加銷售活動提供建議的產(chǎn)品引起了傳統(tǒng)銀行機構的興趣，例如與Change Capital有產(chǎn)業(yè)合作伙伴關系的Banca Popolare di Cortona和Banca Valsabbina，它們分別擁有9.9%和9%的股份，并實施其技術產(chǎn)品。
Donati說：“推薦系統(tǒng)可以自動執(zhí)行在許多情況下仍手動執(zhí)行的流程，這不僅是一種趨勢，而且是客戶互動的戰(zhàn)略轉(zhuǎn)變?！皺C器學習在業(yè)務方面為我們帶來了顯著的成果，因為算法會根據(jù)數(shù)據(jù)分析向我們的顧問建議要出售給公司的產(chǎn)品。當然，另一個應用領域是信用風險管理，始終基于對歷史數(shù)據(jù)的分析“。
七、為什么生成式人工智能如此“重要”？
GenAI的產(chǎn)品代表了人工智能領域的進一步變化，無論是從技術角度，還是從企業(yè)文化和專業(yè)培訓的角度來看。我們不要忘記開頭報道的那個數(shù)字：ChatGPT自推出以來在兩個月內(nèi)征服了?1?億用戶，這要歸功于消費者采用的熱情，就像手機一樣，但需要?16?年（固定電話?75?年）。這通常被稱為IT的民主化，即技術不僅在工作中，而且在個人生活中都成為一種常用工具。幾年前，同一部手機是類似趨勢的主角，更名為BYOD（自帶設備）：人們甚至在辦公室使用他們的個人設備（智能手機、平板電腦或筆記本電腦），具有很高的生產(chǎn)力和靈活性，但也給IT帶來了一些麻煩（數(shù)據(jù)安全和訪問管理）。
Girardi指出，從這個角度來看，GenAI具有巨大的潛力：人們已經(jīng)在消費者層面使用它，許多項目“很容易集成到公司中，并有重要的回報”。
根據(jù)Girardi的說法，在生成式人工智能中，首席信息官的一個好方法是從一個小項目開始（例如，作為編寫合同、個性化營銷信息、客戶服務或產(chǎn)生新產(chǎn)品和設計理念的助手），展示獲得的具體好處，然后，可能，擴展實驗。
專家指出：“生成式人工智能很重要，因為它允許你開發(fā)對一兩個部門有影響的小型項目，并從那里發(fā)展壯大，同時傳播人工智能文化，展示其風險和收益。
根據(jù)Laveglia?的說法，“隨著?IT?的民主化，可以發(fā)生的事情是，通過基于大型語言模型 （LLM） 的產(chǎn)品，可以從?Internet?下載，這些模型將很容易被公司中的人員使用，甚至用于他們工作的單個任務。”
這些任務（例如文本和圖像的生成）與這些模型的巨大功能相比是小而微不足道的，但它們以一種可訪問和快速的方式為日常工作提供了重要支持，即使并非沒有風險和成本。
八、可解釋性和其他風險
在GenAI中，風險是眾所周知的：幻覺。當使用內(nèi)部數(shù)據(jù)進行訓練時，也可能出現(xiàn)完全錯誤的結(jié)果。目前，不可靠性的范圍從3%到8%不等，具體取決于所使用的模型（但這取決于誰進行測試：一些公司報告的范圍為5%到27%）。出于這個原因，它必須在人員有能力的領域中使用：始終需要對輸出進行人工驗證。
“人工智能并不是一項完全成熟的技術。有些方面尚未解決，而且可能仍然難以解決。其中，最大的是可解釋性，“Laveglia指出?！斑@就是為什么今天有必要對這些系統(tǒng)的使用進行限制?！?/span>
“有一些風險因素，”吉拉爾迪說，“事實上，歐洲人工智能法案為高風險系統(tǒng)提供了基于歐盟正在制定的標準的認證，這將定義可信賴的人工智能。這些控制措施將有助于降低風險。與此同時，研究繼續(xù)投資于解決可解釋性問題，幾家初創(chuàng)公司正在開發(fā)可解釋人工智能的框架?！?/span>
隱私和安全問題也是首席信息官需要考慮的合規(guī)性和風險管理影響的方面。與任何技術一樣，人工智能系統(tǒng)也存在缺陷，從理論上講（但并非不可能），黑客可以篡改模型并使神經(jīng)網(wǎng)絡陷入混亂，然后會產(chǎn)生不一致的結(jié)果，如果不是有毒的話。
然而，這不是組織需要關注的地方?！坝捎谶@些都是非常復雜的工具，你需要一個策略來管理它們。但重點往往更多地放在恐懼上，而不是大型產(chǎn)業(yè)應用上，“吉拉爾迪指出。相反，專家繼續(xù)說：“恐懼是沒有道理的：人工智能是人類開發(fā)的一套工具，并且仍然如此。是的，他們自主做出決定，但訓練模型和決定目標的是人類。風險存在于價值鏈中：如果人工智能訓練使用不正確或歧視性的數(shù)據(jù)，如果測試進行不充分，或者人們的使用是惡意的，那么人工智能就是有害的。但這是人的責任。
九、怎么做？四個基本步驟
人工智能項目涉及各種元素，這就是為什么公司謹慎行事并需要大量驗證測試的原因。然而，根據(jù)Laveglia的說法，第一個起點是“本體論”：理解問題以及它是否可解決。
“如果人類無法解決它，機器將很難解決它：該模型不會施展魔法，但會自動執(zhí)行任務，”研究人員說。
然后，您需要與手頭任務相關的數(shù)據(jù)，這是通過特征工程或從原始數(shù)據(jù)中提取信息內(nèi)容來支持訓練來實現(xiàn)的。我們可以進行的訓練和我們將使用的模型取決于數(shù)據(jù)。顯然，問題越復雜，需要的數(shù)據(jù)就越多。
最后，必須開發(fā)ML?架構，例如神經(jīng)網(wǎng)絡的類型及其結(jié)構（層數(shù)、激活函數(shù)等）。
沒有一個放之四海而四海而皆準的公式，但總的來說，Laveglia建議四個基本步驟：分析問題、收集數(shù)據(jù)、開發(fā)概念驗證（PoC），如果有效，則繼續(xù)實施，即擴展數(shù)據(jù)集、創(chuàng)建最大的模型并對其進行改進。
十、現(xiàn)在最大的問題是：人工智能讓我花了多少錢？
現(xiàn)在我們來談談財務和CEO總是會問CIO的問題：一旦風險得到緩解，確定了最有利的應用領域，訓練和實施AI模型的成本是多少？有能源成本，但還有另一種經(jīng)常被遺忘的成本：數(shù)據(jù)。
“成本不是技術本身，”Laveglia指出?！靶⌒推髽I(yè)也可以使用較小的模型，而非常大的模型當然需要大量投資。但是，對財務造成壓力的不是開發(fā)模型的工程工作，而是收集、準備和標記數(shù)據(jù)的活動。模型的訓練階段成本高昂，這方面不容小覷，盡管為了降低成本，您可以與合作伙伴一起在云上進行訓練;然后，一旦模型被訓練，它也可以移動到專有服務器。
但是，即使在這里，也有區(qū)別：現(xiàn)成的和即時服務的產(chǎn)品使創(chuàng)新更容易獲得，但以犧牲定制為代價。如果一家公司需要將人工智能引入特定任務，則需要內(nèi)部模型開發(fā)或?qū)κ袌瞿Ｐ瓦M行微調(diào)。
“在準備數(shù)據(jù)時，您還可以使用一些快捷方式，例如通過訪問在線數(shù)據(jù)集，這是許多任務的良好起點，”Laveglia繼續(xù)說道?！?/span>但是，如果公司有特定需求，它需要一個專有的數(shù)據(jù)集，并結(jié)合對大型模型的微調(diào)，以及許多千兆的RAM和顯卡。這意味著計算需求將大大增加。
簡而言之，即使使用從互聯(lián)網(wǎng)下載的預訓練模型和LLM，也會使用大量電力。
十一、競爭力的下一個層次是數(shù)據(jù)和人員
歸根結(jié)底，如果一家公司想要真正具有競爭力，它就不能利用市場上的數(shù)據(jù)集：“區(qū)別在于受監(jiān)督的內(nèi)部數(shù)據(jù)集，也就是說，使用私人數(shù)據(jù)，而不是對所有人開放，”Laveglia?說。
“機器學習系統(tǒng)的基礎是大數(shù)據(jù)和數(shù)據(jù)湖，”Change Capital的Donati還指出：“機器學習能力依賴于大量不同性質(zhì)的非結(jié)構化數(shù)據(jù)，算法從中得出分析和建議。”
技能也是如此：如果您使用預先訓練的即服務模型，則不需要專家。但是，對于依賴?IT?創(chuàng)造價值的企業(yè)來說，內(nèi)部?AI?專業(yè)知識是必須的。
出于這個原因，向公司傳達一個明確的信息也很重要：人工智能不會取代人和他們的工作，而是增加他們的能力和可能性。
