Hub dei concetti di cloud computing

Il prompt a catena di pensiero (CoT) è una tecnica utilizzata per portare i modelli linguistici di grandi dimensioni (LLM) a completare le attività utilizzando una sequenza logica di passaggi. Anche se tentano di imitare gli esseri umani, i modelli di IA richiedono istruzioni dettagliate, dette prompt, per produrre risultati di alta qualità, accurati e pertinenti. La progettazione dei prompt è l'arte e la scienza di creare buoni prompt. Il ragionamento a catena di pensiero è una tecnica di progettazione dei prompt che suddivide compiti complessi in una serie di passaggi più semplici e gestibili per giungere a una risposta. Offre agli utenti un maggiore controllo e informazioni su come il modello LLM perviene alle sue risposte. 

Esempio di catena di pensiero

“Risolvi i seguenti problemi di parole matematiche passo dopo passo.

Se hai 7 banane e ne dai 4 al tuo amico, ne ricevi altre 5 e poi butti via 3 banane marce, quante banane ti restano?”

Risultato della catena di pensiero

Analizziamolo passo dopo passo:

1. Cominci con 7 banane.
2. Dai 4 banane al tuo amico, quindi hai: 7 - 4 = 3 banane rimanenti
3. Compri altre 5 banane, quindi ora hai: 3 + 5 = 8 banane

4. Butti via 3 banane, quindi hai: 8 - 3 = 5 banane rimanenti

Pertanto, ti restano 5 banane.

Il cognitive computing è il processo che permette al software di ragionare e “pensare” come un essere umano. La capacità di ragionamento innata e avanzata degli esseri umani consente loro di adattarsi a nuove situazioni e risolvere problemi complessi. Ad esempio, un essere umano smarritosi nei boschi potrebbe spostarsi verso l'acqua per sopravvivere o seguire il rumore del traffico per trovare aiuto. Analogamente, il cognitive computing mira a simulare i processi del pensiero umano nei sistemi software attraverso la percezione, l'attenzione e la memoria.

I sistemi tradizionali di intelligenza artificiale (IA) sono in grado di risolvere problemi per i quali sono addestrati specificamente, come l'analisi dei dati, la formulazione di previsioni o la generazione di testo secondo le istruzioni dell'utente. Invece, il cognitive computing punta a migliorare ulteriormente l'intelligenza artificiale insegnando ai sistemi software a raggiungere obiettivi predeterminati attraverso un processo decisionale indipendente in risposta ai cambiamenti ambientali. 

Esempio di cognitive computing

Consideriamo un'attività di pianificazione degli appuntamenti per uno specialista dell'organizzazione. È necessario fissare i nuovi appuntamenti solo nel pomeriggio, quando lo specialista è disponibile e ha già un rapporto con il cliente. Inoltre, gli appuntamenti vanno fissati entro 2 settimane dalla richiesta. Tuttavia, ci sono delle variazioni a queste condizioni, come: 

• I clienti arrabbiati o insoddisfatti ricevono appuntamenti anticipati, anche al mattino.
• È possibile richiedere appuntamenti con meno di due settimane di anticipo.
• Alcuni clienti a lungo termine possono richiedere trattamenti speciali, come un'e-mail personalizzata una volta effettuata la prenotazione.

In genere, è possibile addestrare l'IA per automatizzare l'attività soddisfacendo le condizioni primarie, ma non farle gestire le variazioni come farebbe un professionista umano. Tuttavia, il cognitive computing è una tecnologia di IA in grado di regolare le condizioni in base alle esigenze necessarie per raggiungere l'obiettivo della soddisfazione del cliente al momento della prenotazione. Ad esempio, potrebbe leggere il tono del messaggio del cliente e dare priorità alla sua prenotazione o fissare un appuntamento la mattina presto per soddisfare le esigenze di un cliente a lungo termine.

La comprensione del linguaggio naturale (NLU) è la capacità di un sistema o di un software informatico di comprendere il linguaggio umano. Consente al software di riconoscere le intenzioni e il tono della chat e di fornire esperienze utente altamente coinvolgenti attraverso interazioni conversazionali realistiche. Ad esempio, assistenti come Alexa rispondono alla voce umana, mentre i chatbot basati sull'IA partecipano a conversazioni in formato testuale. La comprensione del linguaggio naturale consente a questi sistemi di acquisire qualsiasi input conversazionale generato dall'uomo, convertirlo in sintassi interna al linguaggio informatico e agire in base all'input. Gli utenti possono interagire naturalmente con le macchine utilizzando un linguaggio a loro scelta.

L'IA multimodale è un sistema di intelligenza artificiale che elabora, interpreta e integra diversi tipi di dati, come testo, immagini, audio e video. Molti flussi di lavoro aziendali generano e utilizzano set di dati complessi con diversi tipi di dati correlati, come video con sottotitoli, immagini con riepiloghi o note audio sulle riunioni con piani di progettazione pertinenti. L'IA multimodale è in grado di interpretare un set di informazioni così diversificato e ricco per fornire analisi complesse e automazione. Le organizzazioni utilizzano l'analisi video, l'elaborazione dei documenti, la creazione di contenuti e flussi di lavoro simili per ottenere informazioni accurate da origini dati non strutturate e multimodali e per migliorare l'efficienza dei processi.

Il database SQL organizza i dati in una struttura a tabella, simile a un foglio di calcolo, con colonne che rappresentano gli attributi dei dati e righe che descrivono le entità o gli oggetti a cui i dati si riferiscono. Per agevolare l'interazione tra utenti e dati, la maggior parte dei database SQL utilizza il linguaggio di interrogazione strutturato, noto come SQL, che dà anche il nome al sistema. Si tratta di database relazionali perché è possibile archiviare relazioni di dati tra tabelle.

Ad esempio, una tabella dei prodotti contiene colonne come nome del prodotto, tipo, costo, ecc. e una riga contiene i valori per i singoli prodotti. Una tabella clienti contiene colonne con i nomi dei clienti e i dettagli di contatto. È possibile creare una terza tabella che collega i dati dei clienti ai prodotti acquistati.

L'architettura dei dati è il framework generale che descrive e disciplina la raccolta, la gestione e l'utilizzo dei dati di un'organizzazione. Oggi le organizzazioni dispongono di enormi volumi di dati provenienti da diverse origini e di team eterogenei che desiderano accedere a tali dati per analisi, machine learning, intelligenza artificiale e altre applicazioni. L'architettura moderna dei dati presenta un sistema coeso che rende i dati accessibili e utilizzabili, garantendone al contempo la sicurezza e la qualità. Definisce policy, modelli di dati, processi e tecnologie che consentono alle organizzazioni di spostare facilmente i dati tra i reparti e di garantire che siano disponibili ogni volta che servono, incluso l'accesso in tempo reale, supportando al contempo la piena conformità normativa.

Un fornitore di software indipendente (ISV) è un'organizzazione che crea e vende prodotti software indipendenti dall'hardware e dai sistemi operativi sottostanti. La soluzione software è generalmente progettata per risolvere un problema specifico del cliente, come la creazione e gestione di dati finanziari o di vendita. Potrebbe anche trattarsi di un software infrastrutturale in grado di supportare l'archiviazione di dati, la sicurezza o l'autenticazione. Il fornitore assicura che il software sia compatibile con diverse piattaforme hardware per raggiungere un vasto pubblico di clienti.

Gli ISV vendono il loro software in diversi formati come licenze perpetue, contratti a termine o software as a service (SaaS). Il software è concesso in licenza ai clienti ma i diritti di proprietà sono mantenuti dall'ISV.

Un chatbot è un programma o un'applicazione utilizzabili dall'utenza per conversare tramite voce o testo. I chatbot sono stati sviluppati per la prima volta negli anni Sessanta e la tecnologia che ne regola il funzionamento è cambiata nel tempo. I chatbot utilizzano tradizionalmente regole predefinite per conversare con l'utenza e fornire risposte tramite script. I chatbot contemporanei utilizzano l'elaborazione del linguaggio naturale (NLP) per comprendere l'utenza e sono in grado di rispondere a domande complesse con profondità e precisione notevoli. La tua organizzazione può utilizzare i chatbot per scalare, personalizzare e migliorare la comunicazione in ogni aspetto, dai flussi di lavoro dell'assistenza clienti alla gestione DevOps.

L'intelligenza artificiale (IA) aziendale consiste nell'adozione di avanzate tecnologie di IA all'interno di grandi organizzazioni. Portare i sistemi di IA dal prototipo alla produzione pone diverse sfide in termini di scalabilità, prestazioni, governance dei dati, etica e conformità normativa. L'IA aziendale include politiche, strategie, infrastrutture e tecnologie per un utilizzo diffuso dell'IA all'interno di una grande organizzazione. Anche se richiede investimenti e sforzi significativi, l'IA aziendale è importante per le grandi organizzazioni man mano che i sistemi di IA si diffondono.

Un agente di intelligenza artificiale (IA) è un programma software in grado di interagire con l'ambiente, raccogliere dati e utilizzarli per eseguire attività autodeterminate al fine di raggiungere obiettivi predeterminati. Gli esseri umani stabiliscono degli obiettivi, ma è l'agente di IA a scegliere in modo indipendente le azioni migliori da eseguire per raggiungerli. Ad esempio, consideriamo un agente di IA di un contact center che desidera rispondere alle domande dei clienti. L'agente porrà automaticamente diverse domande al cliente, cercherà informazioni nei documenti interni e risponderà con una soluzione. In base alle risposte dei clienti, determinerà se può risolvere la domanda da solo o se trasmetterla a un essere umano.

La classificazione del testo è il processo di assegnazione di categorie predeterminate a documenti di testo aperti utilizzando sistemi di intelligenza artificiale e machine learning (IA/ML). Molte organizzazioni dispongono di ampi archivi di documenti e flussi di lavoro aziendali che generano continuamente documenti su larga scala, come documenti legali, contratti, documenti di ricerca, dati generati dagli utenti ed e-mail. La classificazione del testo è il primo passo per organizzare, strutturare e classificare questi dati per ulteriori analisi. Consente di etichettare e applicare automaticamente i tag sui documenti. In questo modo, l'organizzazione risparmia migliaia di ore che altrimenti sarebbero necessarie per leggere, comprendere e classificare i documenti manualmente.

I container cloud sono pacchetti di codice software che contengono il codice di un'applicazione, le sue librerie e altre dipendenze necessarie per l'esecuzione nel cloud. Il codice di qualsiasi applicazione software richiede determinati file, noti come librerie e dipendenze, per essere eseguito correttamente. In passato, il software doveva essere preparato in formati diversi per funzionare in vari ambienti, come Windows, Linux, Mac e dispositivi mobili. I container, invece, raccolgono il software e tutte le sue dipendenze in un singolo file, che può essere eseguito in qualsiasi ambiente. L'esecuzione del container nel cloud offre ulteriore flessibilità e vantaggi prestazionali su larga scala.