Le voci dell’AI – Episodio 25: Large Language Model per applicazioni gestionali

Ciao a tutti! Episodio venticinque di Le Voci dell’AI.

Oggi rispondo alla domanda di Stefano, che mi ha scritto chiedendo quando saranno disponibili Large Language Model per applicazioni gestionali come il controllo di produzione, la contabilità e così via.

Ottima domanda, Stefano.

Giacché il termine software gestionale raggruppa un ampio ventaglio di applicazioni che fanno cose diverse, l’adozione dell’AI generativa tra le varie categorie non è uniforme. Alcune categorie sono già in fermento con i primi lanci di prodotto, mentre altre sono ancora in fase di ricerca. Ad esempio, Arkifi è una startup che si sta preparando a usare l’AI generativa per automatizzare alcuni aspetti dell’analisi finanziaria, come l’estrazione dei dati da un bilancio aziendale o il calcolo di margini o di un forecast a cinque anni, e la formattazione delle informazioni che interessano l’utente per l’uso interno o le comunicazioni ai clienti. Non è ancora chiaro se queste capacità saranno disponibili solo per le aziende quotate in Borsa o anche per le imprese private.

Ma Arkifi non è l’unica possibilità. Uno dei progetti open source secondo me più interessanti al mondo è la piattaforma di analisi finanziaria OpenBB. In realtà OpenBB è un progetto pensato per creare un’alternativa open source al famosissimo Bloomberg Terminal. Però il software è architettato per agire come una piattaforma modulare customizzabile. Quindi gli utenti possono importare i propri dati, magari focalizzati sulle imprese private, e creare dei moduli d’analisi specializzati che lavorino su quei dati anziché sui dati delle aziende pubbliche. OpenBB ha già cominciato l’integrazione con OpenAI e quindi c’è un enorme potenziale da esplorare per le aziende che vogliono innovare in questo campo.

Spostiamoci nel campo della contabilità.

Qui vediamo una miriade di esempi di contabili certificati che usano GPT-4 per capire meglio la natura delle transazioni dei propri clienti e categorizzare le spese in maniera adeguata. Tutto quello che vi serve è un prompt scritto bene. Potete stare sicuri che tutti i fornitori tecnologici sul mercato stanno testando la stessa identica cosa per semplificare l’uso dei propri prodotti di contabilità e gestione bancaria. Ad esempio FreeAgent usa l’AI per suggerire la spiegazione più plausibile per le transazioni importate dai feed bancari e tutto quello che gli utenti devono fare è approvare o modificare quella spiegazione. Il campo della gestione di magazzino è un universo a sé. E qui ci sono già soluzioni in uso da alcune delle aziende più grandi del mondo per i compiti più disparati.

Per esempio, un colosso come Walmart usa l’AI generativa, commercializzata dal fornitore tecnologico Pactum, per negoziare automaticamente i contratti con i fornitori. In pratica Pactum ha fatto il fine tuning di un Large Language Model per negoziare gli sconti sulle forniture con una controparte umana che lavora per il fornitore del caso.

Se anche il fornitore usa la tecnologia di Pactum, eccoci in una situazione surreale dove due AI conducono una negoziazione invece dei loro rispettivi proprietari umani, che è un po’ come il trading algoritmico che vediamo in azione da anni nei mercati azionari.

Un’altra applicazione dell’AI generativa per attività legate alla gestione di magazzino e alla catena di fornitura viene dalla start-up ScoutBee.

Enormi clienti come Unilever usano ScoutBee per valutare automaticamente lo stato di ogni singolo fornitore e cercare automaticamente un’alternativa in caso di problemi. Qui ScoutBee ha fatto il fine tuning di un Large Language Model per analizzare una quantità enorme di dati che raccoglie da una miriade di fornitori, insieme ai dati relativi alla regolamentazione del commercio nei vari Paesi del mondo, all’evoluzione della situazione geopolitica riportata dai giornali e così via. L’AI di ScoutBee analizza tutti questi dati e quando qualcosa non quadra, come ad esempio un aumento del rischio di una possibile occupazione militare, avverte l’utente e chiede se si vuole iniziare la ricerca per un fornitore sostituto, considerando tutta una serie di parametri che contano per quell’azienda cliente.

Spostiamoci ancora. Parliamo del controllo di produzione.

Anche qui c’è un mondo di soluzioni da esplorare. Una delle cose che viene esplorata oggi è l’automazione del controllo qualità con i Large Language Model. Qui entra in gioco la cosiddetta multimodalità, cioè la capacità di un modello di AI generativa di accettare come input non solo il testo, ma anche le immagini.

Pensate per un momento di poter catturare le foto di un oggetto al termine dell’assemblaggio. Immaginate che queste foto vengano date in pasto ad un Large Language Model che le descrive in dettaglio e immaginate che lo stesso possa comparare la descrizione che ha appena fatto con le specifiche dettate dall’azienda.

Ecco qui che la deviazione da quelle specifiche viene identificata dall’LLM e riportata nella maniera più appropriata. In una situazione simile, i Large Language Model possono anche ricevere i dati che vengono direttamente dai sensori installati nella catena di montaggio, interpretando e correlando i valori oltre la capacità di un operatore umano.

Uno dei fornitori tecnologici che sta esplorando questi casi d’uso è Vanti.

Insomma, Stefano, spero sia chiaro come ogni tassello del puzzle che chiamiamo software gestionale sia in subbuglio. Al momento l’attenzione è tutta concentrata sulle necessità delle grandi aziende, le uniche che possono garantire un ritorno adeguato all’investimento nella ricerca nel tuning dei modelli di AI generativa che esistono oggi.

A un certo punto questa innovazione arriverà anche nei software gestionali più semplici per le piccole e medie imprese, in parte anche grazie alla proliferazione di modelli open access o open source via via più ottimizzati per essere utilizzati in locale senza un consumo spropositato di risorse. Il problema più grande rimane l’affidabilità di questi modelli.

Come abbiamo detto in questo appuntamento settimanale, molte volte i modelli di AI generativa soffrono di allucinazioni. E ancora zoppicano nei calcoli. La sfida più grande per i fornitori tecnologici che abbiamo menzionato oggi, e tutti quelli che non abbiamo menzionato, sia piccoli che grandi, è garantire che il Large Language Model rimanga accurato nelle risposte e generi risposte coerenti e ripetibili nel tempo.

Ci sono dozzine di tecniche per ridurre le allucinazioni e aumentare la coerenza e ogni giorno i ricercatori di tutto il mondo pubblicano nuove idee e nuovi risultati da esplorare, ma non c’è ancora una soluzione definitiva. Non sappiamo nemmeno se ci sarà mai una soluzione definitiva per l’approccio tecnologico che abbiamo deciso per il Large Language Model di oggi. È possibile, come è successo infinite volte in altri cicli tecnologici, che assisteremo a un boom di soluzioni in questo mercato solo per vedere un progressivo abbandono dovuto all’inaffidabilità di queste soluzioni.

È anche possibile che la soluzione al problema dell’affidabilità sia dietro l’angolo. In ogni caso, siamo ancora in una fase sperimentale per tutte le forme di AI generativa. La vera adozione nell’enterprise cominceremo a vederla probabilmente in dodici, diciotto mesi. Okay, ci fermiamo qui per questa settimana. Come ha fatto Stefano, scrivetemi all’indirizzo di posta elettronica che trovate qui sotto con i vostri commenti, le domande e i suggerimenti per gli argomenti da trattare nei prossimi episodi. Ciao!