将人工智能带入公司首先要了解您的商业计划最有竞争力的应用领域是什么，然后通过四步走策略（理解问题、收集数据、测试概念、扩展应用）和对成本的明智把握，企业就能在这片人工智能（AI）的新土地上建立起自己的城堡，不仅使自己更具竞争力，还能为客户和社会创造更大的价值。
来源：GORODENKOFF / SHUTTERSTOCK
人工智能（AI）技术已开启企业效率新时代，其中生成式人工智能（GenAI）如ChatGPT的出现标志着前所未有的发展机遇。尽管如此，企业实施AI技术面临技能、数据、可解释性及成本等挑战。
AI技术在意大利企业中的应用尚处于初级阶段，受限于技能缺乏和成本问题。AI主要应用于流程自动化、文本分析和语音识别等领域。
人工智能是一个广泛的领域，涵盖了基于学习过程的机器学习（ML）等技术。机器学习依靠大量数据和算法来训练模型执行特定任务。
企业采用AI技术需建立在对AI决策过程的信任基础之上。尽管AI能够提供高效的建议，但其决策过程并不总是容易理解，这要求企业在实施时进行严格的验证测试。
AI在企业中的应用广泛，包括生产过程的优化、客户服务、营销活动等。成功的AI项目需要跨学科团队的协作，包括IT、数学统计等领域的专家。
意大利企业通过与技术伙伴合作，利用AI技术改善产品推荐、客户识别等业务流程，实现了显著的业务成果。
GenAI产品如ChatGPT引领了AI领域的新变革，使技术更易于企业和个人用户接受。GenAI的应用使企业能够快速实验并见证AI的具体好处。
在实施GenAI时，企业需警惕幻觉等风险，并确保有能力的人工验证AI输出的必要性。
成功实施AI项目需要明确的策略，包括问题分析、数据收集、概念验证（PoC）和模型扩展等步骤。
虽然AI技术本身可能不昂贵，但收集、准备和标记数据的成本较高。企业需要权衡使用现成模型与开发定制模型的成本和效益。
企业若要充分利用AI技术，需要依赖于大量的内部数据和跨学科人才的合作。】
人工智能的能力为企业效率的新时代打开了大门。因此，生成式人工智能的到来是一个前所未有的承诺：ChatGPT在短短两个月内就达到了 1 亿用户的里程碑（瑞银对 Similarweb 数据的分析;90 年代的万维网花了七年时间）。然而，对于首席信息官来说，实施人工智能并不是那么简单。
“人工智能是一场革命，因为它代表了一种通用技术：我们可以将其与电力的引入和互联网的诞生进行比较。没有人工智能，我们的公司将无法提高生产力、降低成本和保持竞争力，“Pop AI（流行人工智能）的创始人兼总裁Emanuela Girardi 说，这是一个非营利性协会，其使命是向人们解释什么是人工智能技术以及它们对日常生活的影响。
但是，为了使用人工智能，您需要一些必要条件。首先是技能，“因为人工智能要求我们学习如何做新工作或以不同的方式工作，”吉拉尔迪指出。事实上，根据Istat 的“2023 年商业和 ICT 报告”，缺乏技能是意大利采用人工智能技术的第一个刹车：55.1% 的公司考虑使用人工智能技术但没有采用它，因为缺乏技能和对业务可能性的理解而放弃了。
“转折点在于了解你的公司可以以更好的方式做什么，这要归功于人工智能，”吉拉尔迪指出，他也是经济发展部人工智能专家小组的成员，该小组于2020 年为这项技术制定了意大利国家战略。
那么，如果我们转向生成式人工智能（Gen AI），考虑到误差幅度（所谓的幻觉），对应用范围的深入了解是必不可少的。
另一个让首席信息官担心的因素是可解释性：我们能否完全解释为什么人工智能模型的结果会实现并信任它？同样重要（也许是最容易被忽视的）是用于训练模型的大数据问题和相关成本。事实上，在Istat报告中，公司采用人工智能的第二大和第三大障碍是成本过高（49.6%）和必要数据不可用或质量差（45.5%）。
一、意大利有多少家公司使用人工智能
显然，与人工智能技术和数据分析相关的活动主要存在于数字化程度高的公司中。根据Istat 的数据，到 2023 年，拥有 10 名员工的公司中有 5% 至少使用了所分析的七种人工智能技术中的一种（2022 年为 6.2%）。在中型企业（50-99 名员工）中，5.6% 的公司至少使用过一种（2022 年为 9.4%）。在大公司中，约占总数的24%的份额保持稳定。
Istat考虑的七种人工智能技术（与欧盟统计局一致）是用于分析文本文档（如文本挖掘）、将口语转换为计算机设备可读的格式（语音识别）、生成书面或口头语言（自然语言生成、语音合成）、根据图像或视频识别物体或人（识别、 使用计算机视觉进行图像处理），通过机器学习（例如，机器学习、深度学习、神经网络）进行数据分析，自动化工作流程或支持决策（流程自动化、使用人工智能技术自动执行人类任务的机器人软件等），以及通过基于对周围环境的观察（机器人或自主无人机、自动驾驶汽车）。
在使用人工智能的公司中，最常见的技术涉及通过机器人软件实现工作流程自动化（40.1%），从文本文档中提取知识和信息（39.3%），以及通过语音识别技术将口语转换为计算机设备可读的格式（31.0%）。通过机器学习（机器学习、深度学习、神经网络）进行数据分析是大公司使用人工智能最常用的技术（51.9%）。
二、让我们退后一步：人工智能和机器学习
事实上，人工智能通常基于学习过程，因此从根本上说是机器学习（ML）：另一方面，人工智能是其他相关技术落入的大帽子，正如Vincenzo Laveglia博士所强调的那样（研究论文是关于动态神经网络）和佛罗伦萨大学技术专家。
“人工智能和机器学习已经存在了很长时间，但直到最近几年，大规模的应用才对公司开放，因为已经满足了一些不可或缺的条件：在线数据的大量可用性，用于培训过程的图形卡和免费提供的软件库， 这使得研究实验室之外的许多人能够为机器学习编写代码，“Laveglia解释道。“随着特定机器学习模型的引入，或者更确切地说，神经网络：转换器，也可以用作生成系统，例如GPT，ML系统经历了进一步的繁荣。转换器的特点是，它们可以构建（和训练）非常大的神经模型（实际上是深度学习）。我们已经看到，具有数十亿参数的非常大的模型能够完成几年前无法想象的事情。
神经网络是当今使用最广泛的机器学习模型。这些是由数千个参数组成的数学对象。这些参数在学习过程中会得到适当的重视，在学习过程中，ML模型将能够自动执行其训练的任务。
然而，Laveglia强调了一个方面：在训练 AI 模型的过程中，人类会给机器指示在它的位置上执行某项任务，但事实上，教给系统的并不是它必须做的一切，而是它必须做的边界，迫使它不犯错误。
“我们告诉模型的是，有些结果是不一致的，我们会纠正它，直到它能够在我们给它的参数范围内移动，”他说。
这意味着，最终，不可能一步一步地解释为什么机器会提供某种结果。我们必须相信我们给她的指令：如果它们是正确的，那么输出就必须是正确的，这在用大量数据训练的非常大的模型中尤其如此。
“误差幅度取决于培训的完成方式。训练有规则可循，有些模型比其他模型更好，“Laveglia指出。
三、人工智能在公司：第一点是信任
事实上，几位首席信息官指出，人工智能作为神经网络“推理”的结果提供了最终建议，对于人类主管来说，并不总是那么容易理解为什么对一个或另一个因素给予了更多的权重。这也是为什么公司，即使是大型公司，也经常停留在实验阶段，并为软件提供人类支持的原因。
“在商业智能（BI）中，人首先决定数据与最终决策之间的因果关系是什么，因此，它可以被认为是百分百可以解释的，而在人工智能（AI）中，决策只是部分知情的，因为你无法完全控制因果关系。事实上，我们有点失控了，“制药行业大型零售贸易公司Farvima Medicinali的首席信息官Alessandro Di Maio说。“这就是为什么我们一步一步地进行，通过小规模的实施来检查系统的可靠性。但是，总的来说，如果人工智能在大数据上工作，结果很难不可靠。”
关键在于大量不断更新的数据，因为系统以这种方式自我喂养、自我纠正和自我整合。
四、我能用人工智能做什么？不仅仅是分析和商业智能
Istat指出，最常采用人工智能系统的业务领域与生产过程有关，例如生产中的预测性维护或质量控制（39.0%，制造业高达52.5%），营销或销售职能，例如客户服务职能或个性化促销活动（33.1%， 服务业为41.3%）、网络安全（23.7%，能源业为50.6%）以及研发或创新活动，以分析数据、开发新的或显著改进的产品或服务（21.1%）。
吉拉尔迪报告说，许多公司正在朝这个方向进行试验。“人工智能可用于成本控制系统，用于采购原材料，或通过改善财务管理和现金来优化需求和采购，或者再次用于工厂的预测性维护以避免故障和停机，以及通过计算机视觉进行质量控制。许多公司正在将其应用于聊天机器人或GenAI的客户服务中，以进行营销，“她指出。
然而，根据首席信息官Di Maio 的说法，从人工智能实验转向具体项目意味着拥有“巨大的技能，不仅是 IT，还有数学统计和敬业的团队”。
事实上，Farvima Medicina早在去年就开始与合作伙伴一起开发人工智能解决方案，该集团在其附属公司中拥有一家具有IT和AI专业知识的公司。
Farvima开发的第一个基于人工智能的系统（目前正在测试中）为销售提出了正确的定价，以实现绝对值和百分比，整体或每个产品线的销售利润率目标。该系统汇集并评估有关产品在市场上的表现和价格变化的历史数据，因此为每个项目提供给定时间上市的价格建议，以便总销售额允许您达到目标中指示的利润。
“我们曾经有一个使用分析技术的系统，但人工智能系统要先进得多，因为它基于通过分析获得的更多数据，”Di Maio指出。“每条数据都必须使用不同的数学函数进行管理，并且考虑的变量更多，这也是因为每个项目都有一个整体管理，成本不仅仅取决于数量”。
五、聊天机器人如何变化
Farvima与合作伙伴开发的第二款 AI 产品应用于仓库优化，以避免缺货。“流程优化是受益于人工智能的典型领域，”Di Maio指出。“我们的目标是尝试使用历史和上下文数据集来预测我们将要销售多少。例如，给定天气条件和特定地区某种疾病的流行情况，人工智能可以帮助我们预测在一定天数内，我们将不得不分发一定数量的特定药物，并告诉我们何时何地分发。或者，它阻止了我们在预计需求不强劲的情况下使市场饱和。”
客户体验领域是人工智能的另一个自然应用。在这里，Farvima再次与合作伙伴一起集成了一个针对其最终用户（药剂师或医生）的聊天机器人，以自动化的方式指导他们进行操作，例如检索发票或包装说明书。聊天机器人了解用户请求文档，搜索它，将其链接到他们的个人资料，然后通过电子邮件或移动设备上的消息将其发送给他们。下一个演变将是语音识别：用户将拨打一个号码，该号码将由能够理解和处理请求的机器人接听。
“语音识别本身就是一项成熟的技术，但在这里我们需要向前迈出一步：人工智能必须将与客户的对话与行动联系起来，而这项任务在技术上与编程人工智能以执行行动（例如下载和发送文档）不同，”Di Maio解释说。
基本基础仍然是大数据，因为机器学习需要非常大的数据集。Farvima的 Di Maio 通过在其数据库内部执行数据挖掘和流量规范化操作【即 ETL（提取-转换-加载）活动】进行，而 AI 的实际部分，即使用机器学习、深度学习和神经网络从数据到响应，委托给外部提供商。
这种基于伙伴关系的方法在意大利公司中变得越来越普遍。
六、伙伴关系和开放式创新
例如，在金融和保险行业，机器学习模型基于内部数据（通常也基于技术合作伙伴提供的数据集）进行训练，通过产品推荐为销售和咨询活动生成建议。Change Capital是一家为中小企业提供金融解决方案的数字聚合商，它实施了一种机器学习模型，特别是改善了其两个业务领域的管理：产品选择和客户识别。正如Change Capital的首席技术官Alessio Donati所解释的那样，ML模型由其技术合作伙伴MetriksAI根据Change Capital的历史实践数据创建，由于对下一步最佳行动的自动建议，金融科技客户经理的实践转化率提高了27%。反过来，这些为顾问的交叉销售和追加销售活动提供建议的产品引起了传统银行机构的兴趣，例如与Change Capital有产业合作伙伴关系的Banca Popolare di Cortona和Banca Valsabbina，它们分别拥有9.9%和9%的股份，并实施其技术产品。
Donati说：“推荐系统可以自动执行在许多情况下仍手动执行的流程，这不仅是一种趋势，而且是客户互动的战略转变。“机器学习在业务方面为我们带来了显著的成果，因为算法会根据数据分析向我们的顾问建议要出售给公司的产品。当然，另一个应用领域是信用风险管理，始终基于对历史数据的分析“。
七、为什么生成式人工智能如此“重要”？
GenAI的产品代表了人工智能领域的进一步变化，无论是从技术角度，还是从企业文化和专业培训的角度来看。我们不要忘记开头报道的那个数字：ChatGPT自推出以来在两个月内征服了 1 亿用户，这要归功于消费者采用的热情，就像手机一样，但需要 16 年（固定电话 75 年）。这通常被称为IT的民主化，即技术不仅在工作中，而且在个人生活中都成为一种常用工具。几年前，同一部手机是类似趋势的主角，更名为BYOD（自带设备）：人们甚至在办公室使用他们的个人设备（智能手机、平板电脑或笔记本电脑），具有很高的生产力和灵活性，但也给IT带来了一些麻烦（数据安全和访问管理）。
Girardi指出，从这个角度来看，GenAI具有巨大的潜力：人们已经在消费者层面使用它，许多项目“很容易集成到公司中，并有重要的回报”。
根据Girardi的说法，在生成式人工智能中，首席信息官的一个好方法是从一个小项目开始（例如，作为编写合同、个性化营销信息、客户服务或产生新产品和设计理念的助手），展示获得的具体好处，然后，可能，扩展实验。
专家指出：“生成式人工智能很重要，因为它允许你开发对一两个部门有影响的小型项目，并从那里发展壮大，同时传播人工智能文化，展示其风险和收益。
根据Laveglia 的说法，“随着 IT 的民主化，可以发生的事情是，通过基于大型语言模型 （LLM） 的产品，可以从 Internet 下载，这些模型将很容易被公司中的人员使用，甚至用于他们工作的单个任务。”
这些任务（例如文本和图像的生成）与这些模型的巨大功能相比是小而微不足道的，但它们以一种可访问和快速的方式为日常工作提供了重要支持，即使并非没有风险和成本。
八、可解释性和其他风险
在GenAI中，风险是众所周知的：幻觉。当使用内部数据进行训练时，也可能出现完全错误的结果。目前，不可靠性的范围从3%到8%不等，具体取决于所使用的模型（但这取决于谁进行测试：一些公司报告的范围为5%到27%）。出于这个原因，它必须在人员有能力的领域中使用：始终需要对输出进行人工验证。
“人工智能并不是一项完全成熟的技术。有些方面尚未解决，而且可能仍然难以解决。其中，最大的是可解释性，“Laveglia指出。“这就是为什么今天有必要对这些系统的使用进行限制。”
“有一些风险因素，”吉拉尔迪说，“事实上，欧洲人工智能法案为高风险系统提供了基于欧盟正在制定的标准的认证，这将定义可信赖的人工智能。这些控制措施将有助于降低风险。与此同时，研究继续投资于解决可解释性问题，几家初创公司正在开发可解释人工智能的框架。”
隐私和安全问题也是首席信息官需要考虑的合规性和风险管理影响的方面。与任何技术一样，人工智能系统也存在缺陷，从理论上讲（但并非不可能），黑客可以篡改模型并使神经网络陷入混乱，然后会产生不一致的结果，如果不是有毒的话。
然而，这不是组织需要关注的地方。“由于这些都是非常复杂的工具，你需要一个策略来管理它们。但重点往往更多地放在恐惧上，而不是大型产业应用上，“吉拉尔迪指出。相反，专家继续说：“恐惧是没有道理的：人工智能是人类开发的一套工具，并且仍然如此。是的，他们自主做出决定，但训练模型和决定目标的是人类。风险存在于价值链中：如果人工智能训练使用不正确或歧视性的数据，如果测试进行不充分，或者人们的使用是恶意的，那么人工智能就是有害的。但这是人的责任。
九、怎么做？四个基本步骤
人工智能项目涉及各种元素，这就是为什么公司谨慎行事并需要大量验证测试的原因。然而，根据Laveglia的说法，第一个起点是“本体论”：理解问题以及它是否可解决。
“如果人类无法解决它，机器将很难解决它：该模型不会施展魔法，但会自动执行任务，”研究人员说。
然后，您需要与手头任务相关的数据，这是通过特征工程或从原始数据中提取信息内容来支持训练来实现的。我们可以进行的训练和我们将使用的模型取决于数据。显然，问题越复杂，需要的数据就越多。
最后，必须开发ML 架构，例如神经网络的类型及其结构（层数、激活函数等）。
没有一个放之四海而四海而皆准的公式，但总的来说，Laveglia建议四个基本步骤：分析问题、收集数据、开发概念验证（PoC），如果有效，则继续实施，即扩展数据集、创建最大的模型并对其进行改进。
十、现在最大的问题是：人工智能让我花了多少钱？
现在我们来谈谈财务和CEO总是会问CIO的问题：一旦风险得到缓解，确定了最有利的应用领域，训练和实施AI模型的成本是多少？有能源成本，但还有另一种经常被遗忘的成本：数据。
“成本不是技术本身，”Laveglia指出。“小型企业也可以使用较小的模型，而非常大的模型当然需要大量投资。但是，对财务造成压力的不是开发模型的工程工作，而是收集、准备和标记数据的活动。模型的训练阶段成本高昂，这方面不容小觑，尽管为了降低成本，您可以与合作伙伴一起在云上进行训练;然后，一旦模型被训练，它也可以移动到专有服务器。
但是，即使在这里，也有区别：现成的和即时服务的产品使创新更容易获得，但以牺牲定制为代价。如果一家公司需要将人工智能引入特定任务，则需要内部模型开发或对市场模型进行微调。
“在准备数据时，您还可以使用一些快捷方式，例如通过访问在线数据集，这是许多任务的良好起点，”Laveglia继续说道。“但是，如果公司有特定需求，它需要一个专有的数据集，并结合对大型模型的微调，以及许多千兆的RAM和显卡。这意味着计算需求将大大增加。
简而言之，即使使用从互联网下载的预训练模型和LLM，也会使用大量电力。
十一、竞争力的下一个层次是数据和人员
归根结底，如果一家公司想要真正具有竞争力，它就不能利用市场上的数据集：“区别在于受监督的内部数据集，也就是说，使用私人数据，而不是对所有人开放，”Laveglia 说。
“机器学习系统的基础是大数据和数据湖，”Change Capital的Donati还指出：“机器学习能力依赖于大量不同性质的非结构化数据，算法从中得出分析和建议。”
技能也是如此：如果您使用预先训练的即服务模型，则不需要专家。但是，对于依赖 IT 创造价值的企业来说，内部 AI 专业知识是必须的。
出于这个原因，向公司传达一个明确的信息也很重要：人工智能不会取代人和他们的工作，而是增加他们的能力和可能性。
