Io pensavo, sbagliando, le risposte diverse fossero dovute a un addestramento continuo su un dataset che continua a cambiare, anche banalmente per effetto del mio stesso prompt.
Basterebbe, forse, comportarsi nello stessa maniera in cui molte aziende ,che fanno pubblicita’ sul fatto che il loro prodotto usa l’IA per fare questo o quello, si comportano.
Ossia vendono all’ignaro consumatore qualcosa eseguito da un buon (o ottimo) algoritmo deterministico come se fosse stato eseguito da una IA…
…tanto, che ne capisce il consumatore?
Chissa’ perche’ ma questo articolo mi ha fatto venire in mente i corsi di “Ricerca Operativa” e di “Metodi matematici per l’Ingegneria” di quando ho frequentato il Poli….
Penso che alcuni processi aziendali vadano declinati bene e spezzati per poter beneficiare di interventi AI, vuoi generativa o con output deterministico a seconda di cosa vado ad ottimizzare/risolvere. Questo approccio di piccolo intervento aiuta l’adozione, la misura e il fine tuning e l’ulteriore integrazione nei processi aziendali.
Ho partecipato personalmente ad una POC sull'ai generativa di Salesforce (Agentforce) ed uno dei problemi principali è stato proprio quello descritto: il cliente si aspettava risposte deterministiche, sempre uguali. Agentforce era troppo fantasioso e spesso aggiungeva dettagli alla stessa domanda..."ma perché se mi ha risposto bene per 10 volte alle undicesima si prende queste libertà?" chiedeva il cliente. Vedo che a quanto pare Salesforce ha raccolto feedback considerando giustamente un approccio ibrido.
Concordo con l’analisi e le considerazioni dell’articolo. Io vivo nel mondo della PA e anche lì la corsa all’utilizzo di AI è diventata una specie di “obbligo normativo”, come se non ci fossero alternative e che tutto quello che si fa ogni giorno sia gestibile con agenti di AI. Peccato che nella stessa PA molti non siano ancora abituati a ragionare per processi, figuriamoci a gestire deterministico e probabilistico. Fermarsi a ragionare 30 secondi farebbe spendere meglio il proprio tempo, le risorse proprie e soprattutto quelle pubbliche.
Vero, mi sentirei di aggiungere anche che “prediction is not reasoning”. Quindi anche per tutto ciò che riguarda il tema probabilistico c’è comunque sempre da fare attenzione all’output: fidarsi troppo per mancanza di tempo/voglia/conoscenza è un attimo.
Assolutamente d'accordo, da tempo in azienda siamo abituati a ragionare su controlli/processi "algoritmici"e controlli/processi "cognitivi", ciò che tu chiami determinstiici e probabilstici. Nel primo caso automazioni tradizionali sono la soluzione, nel secondo GenAI può essera la via. L'analisi dei processi deve partire da li.
Mi piacerebbe capire meglio in che senso questi modelli sono probabilistici.
Supponiamo di avere addestrato un LLM su un certo dataset. Ne creiamo una copia.
Sottoponiamo a questi due LLM lo stesso prompt. Otteniamo due risposte diverse?
Non é detto che diano sempre la stessa risposta.
Io pensavo, sbagliando, le risposte diverse fossero dovute a un addestramento continuo su un dataset che continua a cambiare, anche banalmente per effetto del mio stesso prompt.
Basterebbe, forse, comportarsi nello stessa maniera in cui molte aziende ,che fanno pubblicita’ sul fatto che il loro prodotto usa l’IA per fare questo o quello, si comportano.
Ossia vendono all’ignaro consumatore qualcosa eseguito da un buon (o ottimo) algoritmo deterministico come se fosse stato eseguito da una IA…
…tanto, che ne capisce il consumatore?
Chissa’ perche’ ma questo articolo mi ha fatto venire in mente i corsi di “Ricerca Operativa” e di “Metodi matematici per l’Ingegneria” di quando ho frequentato il Poli….
Penso che alcuni processi aziendali vadano declinati bene e spezzati per poter beneficiare di interventi AI, vuoi generativa o con output deterministico a seconda di cosa vado ad ottimizzare/risolvere. Questo approccio di piccolo intervento aiuta l’adozione, la misura e il fine tuning e l’ulteriore integrazione nei processi aziendali.
Ho partecipato personalmente ad una POC sull'ai generativa di Salesforce (Agentforce) ed uno dei problemi principali è stato proprio quello descritto: il cliente si aspettava risposte deterministiche, sempre uguali. Agentforce era troppo fantasioso e spesso aggiungeva dettagli alla stessa domanda..."ma perché se mi ha risposto bene per 10 volte alle undicesima si prende queste libertà?" chiedeva il cliente. Vedo che a quanto pare Salesforce ha raccolto feedback considerando giustamente un approccio ibrido.
Concordo con l’analisi e le considerazioni dell’articolo. Io vivo nel mondo della PA e anche lì la corsa all’utilizzo di AI è diventata una specie di “obbligo normativo”, come se non ci fossero alternative e che tutto quello che si fa ogni giorno sia gestibile con agenti di AI. Peccato che nella stessa PA molti non siano ancora abituati a ragionare per processi, figuriamoci a gestire deterministico e probabilistico. Fermarsi a ragionare 30 secondi farebbe spendere meglio il proprio tempo, le risorse proprie e soprattutto quelle pubbliche.
Vero, mi sentirei di aggiungere anche che “prediction is not reasoning”. Quindi anche per tutto ciò che riguarda il tema probabilistico c’è comunque sempre da fare attenzione all’output: fidarsi troppo per mancanza di tempo/voglia/conoscenza è un attimo.
Assolutamente d'accordo, da tempo in azienda siamo abituati a ragionare su controlli/processi "algoritmici"e controlli/processi "cognitivi", ciò che tu chiami determinstiici e probabilstici. Nel primo caso automazioni tradizionali sono la soluzione, nel secondo GenAI può essera la via. L'analisi dei processi deve partire da li.