Machine learning o AI generativa: sono due mestieri diversi

Sotto la parola «AI» convivono due famiglie che hanno poco in comune. Confonderle porta a due errori speculari: chiedere previsioni a uno strumento che scrive, e costruire un modello predittivo per un problema che si risolveva con un testo.

La distinzione in tre righe

• Apprendimento automatico classico: impara da dati storici a prevedere un numero o una categoria. «Quanto venderemo il mese prossimo?» «Questo cliente sta per andarsene?»
• AI generativa: produce contenuti. «Scrivi questa email», «riassumi questo contratto».
• Insieme: il modello predittivo calcola, quello generativo spiega in parole il risultato a chi deve decidere.

I cinque casi in cui serve il predittivo

1. Previsione della domanda, con stagionalita' e andamenti storici.
2. Manutenzione predittiva su dati di sensori.
3. Individuazione di anomalie su grandi volumi di transazioni.
4. Previsione dell'abbandono dei clienti.
5. Controllo visivo su linea di produzione.

Hanno tutti la stessa forma: la risposta e' un numero o una categoria, esiste uno storico in cui la risposta corretta e' nota, e il valore sta nell'anticipare qualcosa.

Il requisito che blocca quasi tutti i progetti

Non servono «tanti dati» in generale: servono dati etichettati, cioe' casi passati in cui si sa come e' andata a finire. Per prevedere i guasti servono guasti registrati con data e causa; per prevedere l'abbandono serve sapere chi se n'e' andato e quando.

E' qui che si ferma la maggior parte dei progetti, e non per motivi tecnologici: l'informazione non e' mai stata registrata, oppure e' registrata in modo incoerente fra reparti. Se scoprite questo, il progetto corretto per i prossimi sei mesi e' cominciare a registrarla — meno entusiasmante e senza alternative.

Perche' costa di piu' e dura di piu'

Un modello predittivo va costruito sui vostri dati, validato, messo in esercizio e poi sorvegliato, perche' si degrada: il mondo cambia, e un modello addestrato su come andavano le cose due anni fa peggiora senza segnalarlo. Chi lo adotta compra un sistema da mantenere, non uno strumento da usare.

Un impiego generativo, al contrario, si prova in poche settimane su un modello gia' esistente. E' il motivo per cui conviene quasi sempre partire da li': si impara a misurare e a governare il tema su un progetto breve, prima di affrontarne uno lungo.

La domanda che separa i due casi

«La risposta che mi serve esiste gia' da qualche parte, oppure va stimata?»

Se esiste — in un documento, in un archivio, nella testa di chi risponde ai clienti — vi serve qualcosa che la recuperi e la esprima: e' lavoro da generativa, o addirittura da semplice ricerca. Se non esiste e va dedotta dai dati storici, vi serve un modello predittivo, e a quel punto la prima domanda e' se quei dati storici li avete davvero.