-
AI generativa
È arrivata l'AI generativa:
sei pronto?Innovazione Intel® integrata
-
-
-
Da dove iniziare
Una nuova era di AI generativa
L'AI generativa viene utilizzata su vasta scala da organizzazioni e persone, determinando un impatto sociale significativo. L'AI di livello consumer, come ChatGPT e DALL-E, ha conquistato l'immaginazione di tutti con la sua capacità di generare contenuti. Ma l'impatto dell'AI generativa sulle organizzazioni promette ancora più valore, tra cui maggiore produttività, riduzione dei costi e la trasformazione del nostro modo di lavorare.
-
76%
L'AI generativa trasformerà le organizzazioni
L'AI generativa offre vantaggi, ma comporta anche nuove sfide e rischi. Nell'intraprendere il loro percorso verso l'AI generativa, le organizzazioni non possono mettere a rischio la fiducia dei clienti e l'elevato valore dei loro dati per ottenere il risultato di arrivare prime al traguardo.
76%
-
-
-
Il ruolo fondamentale dei dati nell'AI generativa
Dati e rischi vanno di pari passo. I dati portano avanti i progetti di AI generativa, ma bisogna anche valutare i potenziali rischi associati all'hosting di modelli di AI generativa nei public cloud, tra cui: perdita di proprietà intellettuale, perdita di dati, problemi di privacy, violazioni della conformità, perdita di credibilità e integrità, contenuti non imparziali e violazione degli IP.
-
-
Gestione del rischio e miglioramento del valore
All'inizio del percorso, è essenziale allineare gli investimenti in tecnologia e la formazione per aumentare la maturità operativa, ridurre i rischi, migliorare il controllo e massimizzare il valore per l'organizzazione. Con l'AI generativa enterprise-ready, ottieni il controllo su chi può accedere ai dati.
-
-
Il rischio rispetto alla maturità operativa dell'AI generativa immatura e dell'AI generativa enterprise-ready.
-
-
-
Raggiungi il successo dell'AI generativa
Sebbene le aziende abbiano scoperto centinaia di casi d'uso in ogni settore verticale, è fondamentale trovare quelli giusti.
-
-
-
-
-
-
Porta l'AI nei dati
Sfrutta i dati giusti
I casi d'uso migliori sfruttano i dati avanzati e si basano sulla predisposizione all'AI, richiedendo al contempo la giusta combinazione di competenze, budget e risorse per supportarli. È importante che i team aziendali e IT collaborino per determinare le priorità.
Sebbene l'implementazione di istanze private di modelli linguistici di grandi dimensioni (LLM) di AI generativa, come Llama 2 o Falcon, offra vantaggi in termini di velocità e deployment, questi possono anche comportare costi più elevati e altri svantaggi. In ogni caso, l'AI generativa interna probabilmente fornisce il massimo valore per i tuoi sforzi iniziali.
-
-
-
Creazione di contenuti
-
Ricerca con linguaggio naturale
-
Generazione di codice
-
Support Assistant
-
Progettazione e creazione dei dati
-
Automazione dei documenti
-
-
-
-
Mantieni i modelli di AI generativa vicini ai dati
-
-
In termini di posizionamento dei carichi di lavoro, l'AI generativa non è diversa da qualsiasi altro carico di lavoro. Per ottenere i risultati migliori, mettili nell'ambiente che ha più senso in base ai requisiti aziendali e alle esigenze tecniche.
Il diagramma sottostante illustra i concetti e i framework che entrano in gioco quando si determina il posizionamento dei carichi di lavoro di AI generativa.
-
-
-
5 motivi per portare l'AI nei dati
-
-
Posizionamento dei carichi di lavoro dell'AI generativa nel private cloud o nel public cloud.
-
-
Gestione dei dati per l'AI generativa
La maggior parte delle organizzazioni adotta un approccio duplice alla propria strategia per l'AI generativa. Sperimenta deployment tattici per imparare ed evitare di rimanere indietro, sviluppando al contempo una strategia a lungo termine per soddisfare i numerosi casi d'uso che emergeranno nel tempo. Questo approccio richiede una strategia di gestione dei dati a due tier.
PREPARAZIONE DEI DATIPROGETTAZIONE DEI DATI -
-
-
Preparazione dei dati
-
A breve termine: preparazione dei dati
La preparazione dei dati include l'identificazione dei data set e la definizione dei requisiti dei dati, seguite dalla pulizia, dall'etichettatura e dall'anonimizzazione dei dati e quindi dalla loro normalizzazione nelle origini dati. Inoltre, richiede la creazione di pipeline di dati per integrare i dati in un modello.
-
-
-
Progettazione dei dati
-
A lungo termine: progettazione dei dati
Le organizzazioni necessitano di un repository di dati ben strutturato, come un data lake o un data lakehouse, per integrare i dati con i modelli di AI generativa. Prendi in considerazione la creazione del data lake in modo iterativo per espandere progressivamente le funzionalità del repository dei dati di AI generativa, mentre il team migliora le proprie competenze di gestione dei dati e AI generativa.
-
-
-
-
-
-
"Questa collaborazione [con Dell Technologies] consente alle aziende di creare i propri sistemi di AI sfruttando l'incredibile innovazione della community open source, beneficiando al contempo della sicurezza, della conformità e delle prestazioni dei sistemi Dell."
-
-
-
-
-
-
DIMENSIONA L'AI IN MODO CORRETTO
Definisci l'infrastruttura e dimensiona l'AI in modo corretto
I dati univoci ti consentono di utilizzare casi d'uso specifici del dominio e dell'azienda, creando valore di settore tramite attività o funzioni per le quali hai la proprietà esclusiva dei dati. Diversi tipi di AI generativa hanno punti di ingresso e investimenti corrispondenti necessari per garantirne il successo. Gli LLM addestrati su grandi quantità di testo sono come enciclopedie: utili per scopi generici, ma magari non adatti a rispondere a domande specifiche sui tuoi dati organizzativi.
-
-
-
I dati migliorano notevolmente l'efficienza e il valore dell'AI generativa
-
Confronto tra i tipi di modelli, tra cui modelli specifici dell'azienda, del dominio e modelli linguistici di grandi dimensioni (LLM).
-
-
-
Modelli di deployment dell'AI: valutazione dei compromessi in termini di costi e valore
I primi tre tipi di modelli di deployment indicati di seguito sono ciò che la maggior parte delle organizzazioni sta implementando attualmente, iniziando con il cosiddetto "aumento del modello" e in ultima analisi decidendo per il "ottimizzazione dei modelli". Il modello di AI scelto dipenderà dal livello di predisposizione alla Data Science dell'organizzazione, dai modelli di deployment e dalle implicazioni di ciascuno di essi.
-
Modello pre-addestrato
Definito "prompt engineering", questo approccio comporta il fare una domanda ad un modello pre-addestrato e ricevere un risultato.
Esempio: ChatGPTAumento del modello
Migliora il modello di AI generativa aggiungendo i dati per fornire un contesto aggiuntivo per le risposte, come l'inferenza, che include casi d'uso come la Retrieval-Augmented Generation (RAG).
Ottimizzazione dei modelli
Questo comporta l'adeguamento della ponderazione del modello e l'integrazione dei dati. Sebbene porti a risultati migliori, richiede anche più sforzi durante la configurazione.
Addestramento del modello
Include la creazione di un modello specifico e il relativo addestramento con un data set. Questo in genere richiede il lavoro e le risorse maggiori ed è spesso riservato alla risoluzione di problemi complessi.
Impegno Costo Valore e
differenziazioneIntegrazione dei dati Infrastruttura Client–server Client–server Ottimizzato tramite GPU Grosso deployment di GPU Competenze Operazioni IT Sviluppatore Data Scientist Data Scientist
-
Scegli l'infrastruttura giusta per il tuo modello
L'infrastruttura che supporta il deployment dell'AI generativa dipende principalmente dai requisiti di elaborazione, influenzati dal tipo di modello, dalle dimensioni del modello e dal numero di utenti. Tra le considerazioni aggiuntive vi sono la capacità di storage necessaria per i dati utilizzati durante il deployment, l'addestramento e l'ottimizzazione del modello.
-
In che modo il tipo di modello, le dimensioni del modello e il numero di utenti influenzano l'infrastruttura dell'AI generativa per il deployment.
-
-
-
-
-
Accelera il percorso verso l'AI
Inizia con un risultato concreto immediato
La Retrieval-Augmented Generation (RAG) è un caso d'uso iniziale ideale per molte organizzazioni che sfruttano risorse aggiuntive, ad esempio i loro dati, per aumentare un modello senza ri-addestrarlo. Scopri i casi d'uso sulla configurazione della RAG che possono essere applicati per migliorare il business e i dati.
-
Caso d'uso RAG
Applica la RAG a un dataset PDF personalizzato
-
PROGETTAZIONE CONVALIDATA DELL PER RAG
Implementa un assistente digitale su Dell APEX Cloud Platform for Red Hat OpenShift
-
-
Possiamo aiutarti ad accelerare il percorso
Dell ti aiuta a eliminare le barriere e consente l'adozione dell'AI generativa a livello aziendale attraverso l'approccio olistico end-to-end dalla scrivania al data center.
-