Il metodo pratico per ideare casi d’uso reali di Generative AI nei sistemi aziendali
Sebbene di intelligenza artificiale generativa per le imprese si parli moltissimo, i casi d’uso reali dell’AI nei sistemi aziendali sono ancora agli inizi.
Per sviluppare progetti di generative AI aziendali veramente funzionali alle esigenze del mercato, Eleva e AWS hanno presentato durante la Milano Digital Week un metodo ripetibile ed efficace. Nel corso del nostro workshop, Cloud Architect, sviluppatori e project manager sono stati coinvolti in un processo di co-creazione che permette di far emergere idee e criticità, per arrivare all’idea più efficace in termini di impatto e risorse impiegate.
La domanda che le aziende devono iniziare a porsi è: come costruire una soluzione di intelligenza artificiale generativa sicura, basata sui propri dati e competenze distintive? In questa guida pratica vediamo passo passo le fasi del processo.
- Architetture AI: cos’è e a cosa serve la RAG
- Amazon S3 Vectors: novità AWS per applicazioni di AI generativa
- Casi d’uso della Generative AI in diversi settori: esempi
- Generative AI solutions per progetti aziendali: guida pratica alla co-creazione
- Conclusione
Architettura AI: cos’è e a cosa serve la RAG
Sviluppare software di intelligenza artificiale generativa richiede competenze di metodo e conoscenze in ambito DevOps. Grazie ai servizi cloud AWS, oggi integrare nei sistemi aziendali la Generative AI è più semplice e sostenibile.
La RAG (Retrieval-Augmented Generation) è una architettura di AI generativa che si basa sull’implementazione di due processi: il recupero di informazioni (retrieval) e la generazione di contenuti (generation).
Uno dei principali vantaggi della RAG è migliorare i risultati dei modelli di intelligenza artificiale generativa e degli LLM, attingendo ai dati aziendali in modo sicuro. Quindi, a cosa serve la RAG? A ottenere risposte e output più precisi, rilevanti e attuali, ottimizzando i risultati di un modello linguistico di grandi dimensioni (LLM), in modo che facciano riferimento a una base di conoscenza autorevole o privata, al di fuori dei propri dati di addestramento.
Un esempio pratico: nella gestione di un magazzino, una app IA generativa può analizzare i dati interni di scorte e fornitori, confrontandoli con trend esterni. In pochi secondi restituisce previsioni e suggerimenti in linguaggio naturale.
Le architetture basate su RAG si fondano su servizi serverless e gestiti AWS, come Amazon Bedrock, AWS Lambda e Amazon S3 Vectors, che semplificano e accelerano lo sviluppo di agenti AI generativi.
Amazon S3 Vectors: novità AWS per applicazioni di IA generativa
Oltre ai servizi più diffusi di AWS per le applicazioni di IA generativa – Amazon Bedrock, Amazon S3, AWS Lambda, AWS OpenSearch, per citarne alcuni – è di quest’estate l’annuncio della preview di Amazon S3 Vectors, uno storage vettoriale nativo all’interno di S3, il noto servizio di cloud storage.
Permette di archiviare, indicizzare e interrogare miliardi di vettori in modo nativo, senza dover gestire infrastruttura dedicata.
Risultato: minori costi, latenza ridotta, integrazione con altri servizi di intelligenza artificiale AWS e prestazioni ottimizzate per Generative AI solutions.
L’impatto per chi sviluppa sistemi di intelligenza artificiale generativa sarà significativo.
Casi d’uso della Generative AI in diversi settori: esempi
L’intelligenza artificiale generativa può essere applicata a diverse funzionalità in qualsiasi ambito. Vediamo alcuni casi d’uso di Generative AI solutions in diversi settori.
Generative AI for Healthcare solutions
- Trascrizione e Sintesi
- Analisi e Diagnostica per Immagini
- Progettazione Prodotti
- Dati & Trial clinici
- Test automatici
Un software di intelligenza artificiale generativa può individuare analogie tra miliardi di immagini mediche. Confrontando dati pubblici (immagini, ricerche, etc.) e le fonti di dati privati di una clinica, il software, interrogato attraverso un semplice prompt, potrà individuare pattern comuni e suggerire diagnosi, cure e prevenzione.
Industrial & Manufacturing Generative AI
- Design Prodotto
- Efficienza operativa
- Supporto Manutenzione
- Ottimizzazione processi
- Documentazione
Il settore della Smart Factory potrà fare salto di qualità notevole grazie ai software di intelligenza artificiale. I dati provenienti dai macchinari connessi potranno alimentare in tempo reale sistemi in grado di confrontarli con enormi set di dati e trend pubblici. Questo permetterà di fornire consigli e automazioni per la manutenzione predittiva, l’ottimizzazione di processi, la sicurezza dei lavoratori.
Generative AI solutions for Insurance & Financial Services
- Gestione Portfolio
- Analisi Informativa
- Advisory Interattivo
- Analisi Frodi
- Assistente compliance
Nel settore finanziario e assicurativo, grazie agli Agenti AI sarà possibile velocizzare pratiche, individuare pattern comuni in presenza di frodi, fornire strumenti sempre più precisi per la definizione di credit score, automatizzare acquisti. Le infrastrutture cloud sottostanti non permetteranno solo di processare enormi quantità di dati a costi più sostenibili, ma offriranno garanzie per la compliance nel trattamento di dati estremamente sensibili.
IA generativa nel Retail e Agentic Commerce
- Ottimizzazione del pricing
- Prove Virtuali
- Ottimizzazione marketing
- Descrizione Prodotti
- Personalizzazione
Immaginiamo un’applicazione basata su Generative AI capace di analizzare in tempo reale dati di vendita, feedback dei clienti e trend di mercato. Interrogato tramite prompt, il sistema può suggerire prezzi dinamici, generare descrizioni personalizzate per specifici target e proporre bundle promozionali ottimizzati, aumentando conversioni e riducendo l’invenduto. Per non parlare delle applicazioni in ambito di Agentic Commerce, dove sistemi di AI agent autonomi gestiscono il processo di acquisto per noi, fino alla fase di pagamento.
IA generativa per Media & Entertainment
- Creazione di contenuti
- Arricchimento Contenuti
- Analisi contenuti
- Personalizzazione esperienza
- Sintesi automatica
Le soluzioni di intelligenza artificiale generativa permettono di indicizzare, analizzare e sintetizzare milioni di ore di video con elevata precisione semantica.
Un brand può così individuare i passaggi più rilevanti per ciascun pubblico e generare nuovi contenuti personalizzati da condividere sui propri canali, in diversi formati (video, audio, testo, etc.)
Generative AI solutions per progetti aziendali: guida pratica alla co-creazione
Quali strumenti di intelligenza artificiale generativa servono davvero alla tua azienda? Durante il workshop di Eleva e AWS, è stato mostrato un metodo pratico per co-creare progetti sostenibili di sviluppo software con IA generativa combinando competenze tecniche e di business.
Questo processo è in grado di far emergere punti di forza e criticità nelle varie fasi, per prevenire quei cortocircuiti che spesso si creano tra esigenze tecniche e di business. Il debito tecnico è solo una delle facce di questa medaglia di cui abbiamo più volte parlato. Per evitarlo o contenerlo nei tuoi progetti di generative AI, inizia dalla fase di ideazione.
Fase 1: Brainwriting e votazione idee
Raduna il tuo team. Il numero consigliato per lavorare bene è di 4-5 persone. Dopo esservi procurati post-it e una parete o lavagna per visualizzare le idee scritte, suddividi lo spazio in tante colonne quanti sono i membri del team coinvolto.
Come funziona? Ognuno parte dalla colonna in cui è scritto il proprio nome.
Con post-it del proprio colore, si creano almeno 2 idee/proposte e dopo 5 minuti si passa alla colonna a destra (o alla prima se le colonne sono terminate).
Nella nuova colonna ognuno potrà leggere le 2 idee del proprio collega e proporre sotto miglioramenti o nuove soluzioni. In tal modo, al termine dei turni, tutti avranno contribuito ad ognuna delle idee del tavolo.
A questo punto si passa alle votazioni delle 3 idee migliori, votando le rispettive colonne. Le due colonne con più voti vincono!
Importante: perché il metodo funzioni in modo efficace, durante il processo bisogna evitare di giudicare, adottando invece un approccio costruttivo. Ognuno dovrà apportare un contributo partendo dalle idee degli altri, scrivendo di getto le proprie.
Ecco un esempio emerso dal nostro workshop con AWS sullo sviluppa di app di IA generativa
Idea iniziale: Creare una generative AI solution per “restituire” memoria ai malati di Alzheimer
Come?
- producendo video ricordi in cui il paziente si riconosce
- suggerendo esercizi per stimolare specifiche aree cerebrali
- Focalizzando gli esercizi su esperienze lavorative e personali
Il progetto, così configurato passerà poi alla fase successiva
Fase 2 selezione progetti e obiettivi
Una volta scelte le proposte, si passa ora per ognuna a preparare un mini pitch, indicando:
- Nome progetto
- Gli obiettivi che si vogliono raggiungere
- Il valore che può portare all’utente
- Fino a 4 KPI
- Un esempio di User Journey
Fase 3 Impact/Effort Matrix.
Per individuare l’idea (AI generative tool) che dovrà poi essere sviluppata, si passerà a considerare diversi aspetti utilizzando una Impact/Effort Matrix, ossia uno schema per soppesare l’impatto e le risorse necessarie a creare l’app di intelligenza artificiale che vogliamo realizzare.
Assieme agli altri membri del tavolo, si posiziona ogni progetto in uno dei 4 quadranti della matrice concentrandosi sull’impatto che può avere. Assieme ai tecnici, infine, si individuerà il livello di complessità, posizionando l’idea sull’asse dell’effort. L’idea è fattibile? Interessante? Semplice o complessa da realizzare?
La matrice è uno strumento semplice, ma estremamente efficace per capire su Generative AI tool vale la pena investire tempo e risorse economiche, rispetto ai risultati che potremo ottenere.
Conclusione
Una volta individuata l’idea vincente, andranno analizzati gli attuali sistemi per comprendere come integrare efficacemente l’AI dal punto di vista architetturale. La presenza di sistemi legacy potrebbe richiedere una transizione più lunga, oppure sarà necessario adottare una logica ibrida, in grado di far dialogare sistemi in cloud e on premise, senza compromettere sicurezza e scalabilità. E’ qui che entrano in gioco le competenze di architettura cloud di tecnici certificati AWS. Una fase cruciale per assicurare privacy, compliance e affidabilità delle soluzioni di intelligenza artificiale generativa.
Un caso concreto interessante che abbiamo affrontato in Eleva è stato quello di M-Score, una piattaforma basata su intelligenza artificiale per la diagnostica per immagini dell’osteoporosi, integrata ai sistemi on premise degli ospedali. Lavorando fianco a fianco sull’infrastruttura cloud AWS, abbiamo permesso al team di sviluppo di concentrarsi sull’evoluzione del prodotto, automatizzando gli aggiornamenti dell’applicativo sui server fisici presenti nei centri medici.
Vuoi portare la Generative AI nel tuo sviluppo software aziendale?
Contatta Eleva per definire la tua architettura cloud di intelligenza artificiale generativa su AWS.