Gartner Hype Cycle: l’AI generativa al “picco delle aspettative gonfiate”

Lo scorso 17 agosto, Gartner ha pubblicato un’analisi del suo Hype Cycle 2023 per l’intelligenza artificiale che identifica le innovazioni e le tecniche che offrono vantaggi significativi e addirittura trasformativi, affrontando al contempo i limiti e i rischi dei sistemi fallibili. Per molti non sarà una sorpresa, ma il Gartner Hype Cycle per le tecnologie emergenti del 2023 ha collocato per la prima volta l’AI generativa nel “picco delle aspettative gonfiate”.

Ogni anno Gartner crea più di 90 Hype Cycle per consentire ai propri clienti di monitorare la maturità tecnologica e il potenziale futuro. Le cinque fasi dell’Hype Cycle sono:

• Technology Trigger
• Peak of Inflated Expectations
• Trough of Disillusionment
• Slope of Enlightenment
• Plateau of Productivity.

L’AI generativa sta dominando le discussioni sull’intelligenza artificiale, avendo aumentato la produttività degli sviluppatori e dei lavoratori della conoscenza in modo molto concreto, utilizzando sistemi come ChatGPT. Ciò ha indotto organizzazioni e industrie a ripensare i propri processi aziendali e il valore delle risorse umane, spingendo l’AI generativa al picco delle aspettative gonfiate dell’Hype Cycle

Il perché delle aspettative gonfiate dell’AI generativa

L’AI generativa, ovviamente, non è una tecnologia a sé stante, come ha affermato l’analista di Gartner, Arun Chandrasekaran, in un’intervista. Include tutto, dai modelli di fondazione e di diffusione agli strumenti di prompt engineering. “Tutti questi strumenti consentono di sviluppare la tendenza dell’AI generativa”, ha spiegato Chandrasekaran.

AI Hype Cycle di Gartner: come si può chiaramente vedere, Generative AI e Foundation Model occupano la sezione Peak of inflated expectations della curva

“L’AI Hype Cycle 2023 presenta molte innovazioni che meritano particolare attenzione nell’arco dei due-cinque anni che precedono l’adozione mainstream, tra cui l’AI generativa e l’intelligenza decisionale”, afferma Afraz Jaffri, direttore analista di Gartner. “L’adozione precoce di queste innovazioni porterà a un significativo vantaggio competitivo e allevierà i problemi associati all’utilizzo dei modelli di IA all’interno dei processi aziendali”.

C’è un grande numero di prodotti che contengono AI generativa

Ma il motivo principale per cui l’AI ha raggiunto il picco delle aspettativa gonfiate nell’Hype Cycle, afferma Chandrasekaran, è il numero enorme di prodotti che sostengono di avere l’AI generativa al loro interno. “È semplicemente enorme”, ha affermato. “Stiamo anche iniziando a vedere una vera e propria proliferazione di modelli di AI generativa, sia nell’ecosistema closed-source che in quello open-source”.

Tuttavia, secondo Chandrasekaran, sul mercato c’è molta confusione e i venditori dichiarano cifre enormi in termini di produttività. “Molti dei nostri utenti, se stanno vedendo dei benefici, non sono neanche lontanamente paragonabili a quelli dichiarati dai venditori in questo momento”.

Questo, unito alle sfide legate al de-risking e all’implementazione di modelli di AI generativa per assicurarsi che non siano allucinanti nei casi d’uso rivolti ai clienti, “è il motivo per cui ritengo che sia il posto giusto per l’AI generativa: sul picco delle aspettative gonfiate”, ha affermato l’analista di Gartner.

Gen AI nell’Hype Cycle di Gartner, quale sarà il prossimo passo?

Il prossimo passo del Gartner AI Hype Cycle è, ovviamente, il “Trough of Disillusionment” – il baratro della disillusione – che, secondo Chandrasekaran, è inevitabile a causa della concorrenza. “Succederà, in un certo senso sta già succedendo”, ha detto.

“La domanda più importante è se questa tecnologia sia in grado di apportare un valore aggiunto a lungo termine per le imprese e per la società in generale”, ha aggiunto: “È molto discutibile, ma direi che in base alle prime prove che abbiamo visto non c’è ancora una disillusione drammatica in cui i clienti abbiano detto: ‘Ci ho giocato, non ho intenzione di spendere un solo centesimo per questo in futuro'”.

Invece, ha detto, si sta ancora cercando di conciliare il clamore con la realtà. “Si passerà più lentamente attraverso il picco delle aspettative gonfiate?”, si è chiesto, o si passerà semplicemente all’altopiano della produttività, dove l’adozione mainstream inizia a decollare, i criteri di valutazione della redditività dei fornitori sono più chiaramente definiti e l’ampia applicabilità e rilevanza della tecnologia sul mercato stanno chiaramente dando i loro frutti? “È difficile da dire”, ha risposto l’analista di Gartner.

Due tipi di innovazioni Gen AI

Il Gartner Hype Cycle AI 2023 descrive due facce del movimento dell’AI generativa nel percorso verso sistemi di AI più potenti:

• le innovazioni che saranno alimentate dalla Gen AI.
• innovazioni che alimenteranno i progressi della Gen AI.

Innovazioni che saranno alimentate dall’AI generativa

L’AI generativa ha un impatto sul business per quanto riguarda la scoperta, la creazione, l’autenticità e la regolamentazione dei contenuti. Ha anche la capacità di automatizzare il lavoro umano e le esperienze dei clienti e dei dipendenti.

Le tecnologie critiche che rientrano in questa categoria sono le seguenti:

• Intelligenza artificiale generale (AGI) è l’intelligenza (attualmente ipotetica) di una macchina in grado di svolgere qualsiasi compito intellettuale che un essere umano può eseguire.
• Ingegneria dell’intelligenza artificiale è fondamentale per la fornitura di soluzioni di intelligenza artificiale su scala aziendale. Questa disciplina crea sistemi coerenti basati sull’AI per lo sviluppo, la consegna e l’operatività dell’impresa.
• Sistemi autonomi sono sistemi fisici o software autogestiti che eseguono compiti delimitati da un dominio e che presentano tre caratteristiche fondamentali: autonomia, apprendimento e agenzia.
• Servizi di AI in cloud forniscono strumenti per la creazione di modelli di AI, API per servizi precostituiti e middleware associati che consentono la creazione/addestramento, la distribuzione e il consumo di modelli di apprendimento automatico (ML) in esecuzione su infrastrutture precostituite come servizi in cloud.
• AI composita si riferisce all’applicazione combinata (o fusione) di diverse tecniche di AI per migliorare l’efficienza dell’apprendimento e ampliare il livello di rappresentazione della conoscenza. Risolve una gamma più ampia di problemi aziendali in modo più efficace.
• Computer vision è un insieme di tecnologie che prevede l’acquisizione, l’elaborazione e l’analisi di immagini e video del mondo reale per estrarre informazioni significative e contestuali dal mondo fisico.
• AI incentrata sui dati è un approccio che si concentra sul miglioramento e sull’arricchimento dei dati di formazione per ottenere risultati migliori in termini di AI. L’AI incentrata sui dati si occupa anche di qualità dei dati, privacy e scalabilità.
• Per Edge AI si intende l’uso di tecniche di AI integrate in prodotti non IT, endpoint IoT, gateway e server edge. Si tratta di casi d’uso per applicazioni consumer, commerciali e industriali, come i veicoli autonomi, il miglioramento delle capacità di diagnostica medica e l’analisi dei video in streaming.
• Applicazioni intelligenti utilizzano l’adattamento appreso per rispondere autonomamente alle persone e alle macchine.
• Operatività dei modelli (ModelOps) si concentra principalmente sulla governance end-to-end e sulla gestione del ciclo di vita dei modelli analitici, di intelligenza artificiale e decisionali avanzati.
• Sistemi di intelligenza artificiale operativa (OAISys) consentono l’orchestrazione, l’automazione e la scalabilità dell’intelligenza artificiale pronta per la produzione e di livello aziendale, comprendendo ML, DNN e AI generativa.
• Ingegneria dei prompt è la disciplina che consiste nel fornire input, sotto forma di testo o immagini, a modelli generativi di AI per specificare e limitare l’insieme di risposte che il modello può produrre.
• Robot intelligenti sono macchine dotate di intelligenza artificiale, spesso mobili, progettate per eseguire autonomamente uno o più compiti fisici.
• I dati sintetici sono una classe di dati generati artificialmente piuttosto che ottenuti da osservazioni dirette del mondo reale.

Innovazioni che alimenteranno il progresso dell’AI generativa

“L’esplorazione dell’AI generativa sta accelerando, grazie alla popolarità di Stable Diffusion, Midjourney, ChatGPT e modelli linguistici di grandi dimensioni. Le organizzazioni degli utenti finali nella maggior parte dei settori sperimentano aggressivamente l’AI generativa”, afferma Svetlana Sicular, VP Analyst di Gartner.

“I fornitori di tecnologia formano gruppi di AI generativa per dare priorità alla fornitura di applicazioni e strumenti abilitati all’AI generativa. Nel 2023 sono nate numerose startup che innovano con l’AI generativa e ci aspettiamo che questa tendenza cresca. Alcuni governi stanno valutando l’impatto dell’AI generativa e si stanno preparando a introdurre normative”.

Nel Gartner Hype Cycle AI 2023 le tecnologie critiche che rientrano in questa categoria sono le seguenti:

• Simulazione dell’AI è l’applicazione combinata di tecnologie di AI e di simulazione per sviluppare congiuntamente agenti di AI e ambienti simulati in cui possono essere addestrati, testati e talvolta impiegati.
• Gestione della fiducia, del rischio e della sicurezza dell’intelligenza artificiale (AI TRiSM) garantisce la governance del modello di intelligenza artificiale, l’affidabilità, la correttezza, la solidità, l’efficacia e la protezione dei dati.
• AI causale identifica e utilizza le relazioni di causa-effetto per andare oltre i modelli predittivi basati sulla correlazione e verso sistemi di AI in grado di prescrivere azioni più efficaci e di agire in modo più autonomo.
• Etichettatura e annotazione dei dati (DL&A) è un processo in cui le risorse di dati vengono ulteriormente classificate, segmentate, annotate e aumentate per arricchire i dati per migliorare i progetti di analisi e intelligenza artificiale.
• AI dei primi principi (FPAI), anche detta AI informata dalla fisica, incorpora principi fisici e analogici, leggi di governo e conoscenza del dominio nei modelli di AI. La FPAI estende l’ingegneria dell’AI all’ingegneria di sistemi complessi e ai sistemi basati su modelli.
• Foundation model sono modelli a parametri ampi addestrati su un’ampia gamma di set di dati in modo auto-supervisionato.
• Grafi della conoscenza sono rappresentazioni leggibili dalla macchina del mondo fisico e digitale. Includono entità (persone, aziende, beni digitali) e le loro relazioni, che aderiscono a un modello di dati a grafo.
• Sistemi multiagente (MAS) sono un tipo di sistema di intelligenza artificiale composto da più agenti indipendenti (ma interattivi), ciascuno in grado di percepire il proprio ambiente e di intraprendere azioni. Gli agenti possono essere modelli di AI, programmi software, robot e altre entità computazionali.
• AI neurosimbolica è una forma di AI composita che combina metodi di apprendimento automatico e sistemi simbolici per creare modelli di AI più robusti e affidabili. Fornisce un’infrastruttura di ragionamento per risolvere in modo più efficace una più ampia gamma di problemi aziendali.
• AI responsabile è un termine che racchiude gli aspetti relativi alle scelte commerciali ed etiche appropriate nell’adozione dell’AI. Comprende le responsabilità e le pratiche organizzative che garantiscono uno sviluppo e un funzionamento dell’AI positivo, responsabile ed etico.