Make or buy? Questo e' il problema
Il grande entusiasmo degli ultimi mesi riguardo all'intelligenza artificiale generativa (per esempio Chat GPT) e ai grandi modelli linguistici (come GTP3) ha reso ancora più evidente un paradosso in atto da diversi anni. Da un lato, l'aumento delle aziende e del grande pubblico interessati a questa tecnologia. Dall'altro, una certa lentezza nell'integrare in azienda sistemi AI completi, scalabili e funzionanti, che producano impatti concreti per l'organizzazione. Le decisioni riguardo a questa fase implementativa sono molte. Proviamo ad affrontarne una. Restando sull'esempio di ChatGPT e di GPT3, è facile notare come OpenAI, la società che sviluppa e commercializza ChatGPT, non metta a disposizione solamente il sistema conversazionale pronto all'uso ma anche l'accesso, tramite una serie di servizi cloud a pagamento (API), alla famiglia di modelli linguistici sottostanti alla soluzione (GPT).
Nel calare questi strumenti nella vita aziendale, ci si dovrebbe quindi domandare: è meglio utilizzare Chat GPT per come è stato progettato e commercializzato da Open AI o è meglio partire dai modelli che lo abilitano (GPT3), creando una personalizzazione specifica per il contesto e i casi d'uso su cui si vuole lavorare? Una domanda simile vale virtualmente per ogni ambito dell'AI, dai sistemi di manutenzione predittiva, a quelli di monitoraggio della qualità, passando per i sistemi di forecasting e di raccomandazione. A ben vedere però, questa scelta di make or buy non è così diversa da quella che le aziende da sempre devono fare nello sviluppo di ogni tecnologia. Nel contesto attuale dell'AI, tuttavia, alcune peculiarità rendono le considerazioni di fare parzialmente diverse rispetto ad altre tecnologie più consolidate. Almeno tre fattori influiscono su questa dinamica.
Il primo è legato alle caratteristiche stesse dell'AI. Allo stato attuale, infatti, l'utilizzo di sistemi basati sul "machine learning" e sul relativo "training" implica che gli elementi del sistema AI da personalizzare siano sostanzialmente diversi rispetto ad altre tecnologie. Oltre alle infrastrutture abilitanti (software e hardware) infatti, la personalizzazione può coinvolgere i dati, estendersi ai modelli o arrivare a toccare i meccanismi interni di funzionamento degli algoritmi.
Il secondo fattore è legato proprio a questa struttura peculiare di un sistema AI. La necessità di dati di training con determinate caratteristiche, la potenza computazionale (e i relativi costi) necessaria per addestrare modelli di dimensioni elevate, nonché le competenze tecniche per lavorare oltre al livello di configurazione di soluzioni già esistenti e testate, rappresenta infatti una barriera all'ingresso verso elevate personalizzazioni non indifferente per una percentuale consistente di aziende.
Il terzo fattore si riferisce alle peculiarità del mercato che si è strutturato in risposta a queste caratteristiche. Le soluzioni spaziano da prodotti finiti ed API standardizzate che offrono poca o nessuna possibilità di configurazione, fino a soluzioni e ambienti di sviluppo che supportano professionisti con capacità tecniche nello sviluppo di soluzioni che estendono gli approcci più consolidati.
Sebbene non esista un approccio univoco per determinare il punto d'incontro tra questi tre fattori, e dunque la tipologia di prodotti e di livello di personalizzazione su cui orientarsi, è possibile tracciare tre dimensioni che possono supportare la scelta.
Innanzitutto, le caratteristiche progettuali. La disponibilità di dati adeguati e differenzianti per effettuare il training, le risorse (finanziarie e di tempistiche) a disposizione, i costi relativi al training, e il livello di differenziazione e strategicità del problema di business affrontato con l'AI sono tutte considerazioni da fare quando si ragiona sulla ricerca del punto di equilibrio tra personalizzazione e standardizzazione delle soluzioni.
In secondo luogo, la maturità dell'organizzazione. La disponibilità di competenze AI nell'organizzazione o la presenza di risorse adeguate per presidiare e supportare il lavoro di operatori esterni è un punto imprescindibile per poter accedere alla creazione di sistemi con gradi elevati di personalizzazione.
Infine, la maturità del mercato, sia in termini di performance e caratteristiche dei modelli AI disponibili per affrontare il problema oggetto del progetto, sia in termini di maturità complessiva dei sistemi, che includono sia la componente AI, sia i connettori e gli elementi software e hardware necessari per il funzionamento. Per evitare di reinventare la ruota, le esigenze organizzative interne devono essere adeguatamente incrociate e bilanciate con le soluzioni disponibili sul m