Content management error: Header Banners should not be placed in the Navigation placeholder!
Content management error: Generic Content Banners should not be placed in the Navigation placeholder!
In un contesto enterprise sempre più Data Driven l’AI-as-a-Service rappresenta la naturale evoluzione dell’approccio SaaS al providing Cloud based. Tecnologie per l’intelligenza Artificiale e modelli di Machine Learning intensamente allenati grazie al contributo dei Big Data, permettono infatti di fornire servizi on-demand con cui automatizzare processi di business spesso ripetitivi e in grado di sottrarre tempo e risorse a task ben più creativi.
Alla base di un'infrastruttura AIaaS agiscono in backgroud piattaforme di Cognitive Service che animano bot in grado di innovare alcuni meccanismi di interazione uomo/macchina, come per esempio quelli basati su procedure di Data entry. Lato utente, la tradizionale compilazione di un form per il feedback può essere così sostituita da comunicazioni dirette basate sul linguaggio naturale, mentre dal punto di vista del fornitore di servizi gli strumenti per la Computer Vision e le soluzioni per la Text Analytics consentono di elaborare contenuti anche complessi rendendone immediata l’analisi.
Computer Vision, Text Analysis e model training
Appare chiaro che un approccio alla AI come servizio non sarebbe stato possibile senza un deciso passaggio delle aziende dal modello on-premises a quello SaaS. Per un’impresa, anche quando molto strutturata, il vero limite di un’infrastruttura implementata localmente non risiede soltanto nella necessità di mantenere e aggiornare costantemente la propria dotazione hardware e software, ma soprattutto nelle opportunità di accedere ai dati. Disporre di questi ultimi, sviluppare autonomamente degli algoritmi con cui analizzarli, selezionarli ed elaborarli così come effettuare il training dei modelli di Machine Learning, richiede non soltanto un notevole sforzo economico, ma anche una grande quantità di tempo e un consumo di risorse non facilmente preventivabile.
Soluzioni come le piattaforme di Google per la Cloud Vision o strumenti come quelli offerti da Microsoft per la Computer Vision e la Text analysis, forniscono però funzionalità sufficienti per evitare lo sviluppo from scratch. L’impiego di API appositamente dedicate all’AIaaS consente infatti di spostare il focus di un progetto dalla complessità dell’infrastruttura alla personalizzazione delle applicazioni, nello stesso modo il consumo di risorse, regolato in Cloud da un modello di business Pay per use, permette di pagare esclusivamente per i workload e il traffico dati effettivamente generati.
Allo scenario descritto si aggiunge la possibilità di poter utilizzare anche i dati in proprio possesso per il training di modelli di Machine Learning animati da tecnologie di Intelligenza Artificiale in outsourcing. Ciò rende il già citato discorso della customizzazione ancora più semplice da affrontare.
Custom model e centralità dei dati
LUIS, il noto servizio di Microsoft basato sull'apprendimento automatico, consente per esempio di implementare linguaggi naturali in applicazioni, bot per l’interazione uomo/macchina e device IoT. Uno dei suoi punti di forza risiede nel fatto di generare rapidamente modelli personalizzati e ottimizzati per l’adozione in ambito enterprise che migliorano costantemente man mano che ricevono dati da elaborare. Se l’esigenza di un’azienda è quella di supportare quanto più precisamente possibile le query espresse in linguaggio naturale, LUIS offre una soluzione incentrata sul Deep Learning per interpretarle al di là del significato letterale dei termini. L’esperienza maturata tramite il training permette infatti di individuare i pattern con cui comprendere l’effettivo intento di una richiesta.
Un altro valido esempio a riguardo è dato dalla Vision AI di Google, una piattaforma che ricava informazioni dettagliate da immagini uploadate in Cloud o tramite AutoML Vision. Il servizio è inoltre in grado di impiegare modelli preaddestrati dell'API Vision di Mountain View per individuare stati d’animo e comprendere il contenuto di un testo. Date le sue caratteristiche, Vision AI si pone in concorrenza con l’offerta di Microsoft per la Visual Intelligence rappresentata dal cognitive service Custom Vision, ma in entrambi i casi viene adottato un approccio al training basato su:
I meccanismi descritti sottolineano ancora una volta la centralità del dato come presupposto essenziale per l’ottenimento di risultati ottimali dal ricorso a soluzioni di tipo AIaaS. Per quanto il Cloud possa offrire componenti immediatamente utilizzabili e i provider abbiano già a loro disposizione notevoli quantità di informazioni prelevate da sorgenti virtualmente inesauribili (Internet, applicazioni mobile, sensori dei dispositivi IoT..), il livello di personalizzazione, e quindi l’adattabilità al proprio modello di business, sarà condizionato anche dalla disponibilità di dati propri e dalla loro qualità.
Edge computing e metaprogrammazione
Una volta superate le criticità legate all’infrastruttura diviene quindi fondamentale un impegno costante nella cura del dato. Su questo aspetto intervengono due approcci non inediti, ma ancora particolarmente innovativi dal punto di vista del reperimento delle informazioni e della loro elaborazione, che si stanno rivelando determinanti nell’orientare le strategie enterprise in materia di valorizzazione dei dati.
Il primo si riassume nel concetto di Edge computing, un modello che prevede di non effettuare i processi di elaborazione dei dati all’interno di un server o in Cloud, ma nell’immediato, dove vengono raccolti.
Le informazioni vengono così analizzate, selezionate e ottimizzate in sede perimetrale: quando un sensore raccoglie un dato, la sua elaborazione avviene sostanzialmente in tempo reale tramite un processo di edge analytics, una modalità che consente di massimizzare le performance in termini di qualità delle informazioni, di scalabilità delle risorse dedicate alla computazione e della sicurezza.
La decentralizzazione dell’infrastruttura garantisce inoltre continuità di servizio e livelli di Fault tolerance elevati che rendono l’Edge computing particolarmente indicato per le applicazioni di business intelligence e Industrial Internet of Things.
Il richiamo alle applicazioni introduce il discorso relativo ad un altro approccio che potrebbe rivelarsi fondamentale per l’evoluzione della AIaaS, la metaprogrammazione. Ad oggi infatti è diffuso un modello di sviluppo iterativo fortemente orientato ai processi di DevOps che, data la disponibilità delle infrastrutture in Cloud, si concentra sulla precisione delle risposte fornite dalle AI tramite i modelli di Machine Learning. Quando vengono rilevati errori o inesattezze il modello viene nuovamente allenato sottoponendogli i dati necessari alla correzione del problema. Si procede così un passo alla volta fino al massimo livello di precisione possibile.
Una modalità di questo tipo rende la personalizzazione dei modelli particolarmente impegnativa, ogni settore necessita di risposte differenti in base al contesto in cui operano i suoi attori e ogni azienda che opera in un determinato comparto deve affrontare processi di decision making specifici a seconda dei dati disponibili, delle sorgenti da cui essi provengono, della tipologia di clienti e dalle normative in vigore sul trattamento dei dati. A ciò si aggiunga la crescente importanza di fornire prodotti e servizi sempre più personalizzati in base alle caratteristiche dei singoli utenti.
La metaprogrammazione permette di superare i limiti imposti dalla molteplicità dei data model, le applicazioni infatti non vengono più sviluppate per l’utenza ma per essere utilizzate da altre applicazioni destinate ad interagire con quest’ultima. In questo modo è possibile gestire in modo completamente automatico i processi di training dei modelli massimizzando le performance delle interfacce AIaaS.