BLOGAnnounced at MongoDB.local NYC 2024: A recap of all announcements and updates — Learn more >

Che cos'è l'IA generativa

Nel 2023, il nostro mondo ha visto un cambiamento trasformativo con l'ascesa dell'IA generativa (spesso chiamata semplicemente come GenAI). Con l'emergere di applicazioni rivoluzionarie per i contenuti generati dall'IA, è emersa anche la convinzione che l'IA generativa avrà un impatto radicale su ogni settore della società.

Le organizzazioni si stanno affrettando per sfruttare il potenziale dell'IA generativa. Se anche la tua è fra queste, la prima cosa da fare è comprendere le complessità dell'IA generativa. In questo post, tratteremo le seguenti domande chiave (e altro ancora) per aiutarti a orientarti:

Dopo aver affrontato queste domande, vedremo come MongoDB è in grado di aiutare le organizzazioni che desiderano creare applicazioni basate sull'IA generativa.

Iniziamo con un'infarinatura generale sulle basi.

Che cos'è l'AI generativa e come funziona?

L'IA generativa si riferisce al ramo dell’intelligenza artificiale che si concentra sulla creazione di contenuti nuovi e unici, come testo, arte visiva, musica, codice software e altro ancora. A differenza dell'IA predittiva (o analitica), che utilizza il machine learning per analizzare dati storici, identificare modelli o tendenze e quindi fare previsioni, l'IA generativa va oltre la semplice analisi e previsione: l'IA generativa crea.

Consideriamo come esempio uno strumento di IA predittiva addestrato su dati costituiti da milioni di dipinti e dai loro artisti. Dato un dipinto mai visto prima, lo strumento di IA predittiva potrebbe essere in grado di determinare l'artista. Un sistema di IA generativa, invece, può produrre un nuovo dipinto nello stile specifico di quell'artista.

Un'immagine generata dall'IA, risultato del prompt "dipinto di un computer nello stile di Mondrian" su DALL-E

Un'immagine generata dall'IA, risultato del prompt "dipinto di un computer nello stile di Mondrian" su DALL-E

L'IA generativa è spesso progettata per imitare l'intelligenza e la creatività umane, il che significa che il contenuto generato è contestualmente pertinente e coerente. Il contenuto completamente nuovo è in sintonia con i modelli di pensiero ed espressione umani. Potrebbero essere elementi visivi e arte basata sull'IA che sono quasi indistinguibili dai contenuti creati dall'uomo. I risultati di uno strumento di IA generativa possono essere la generazione vocale o di testo. Indipendentemente da ciò, i risultati sono familiari ma originali, innovativi e autentici.

Creando contenuti contestualmente rilevanti attraverso il ragionamento, le funzionalità di IA generativa possono essere applicate ad attività aziendali come pianificazione strategica e previsione, risoluzione di problemi e analisi what-if.

Tipi di modelli di IA generativa

I modelli di IA sono insiemi di algoritmi di intelligenza artificiale che utilizzano il machine learning per identificare modelli dai dati, consentendo loro di fare previsioni o generare nuovi dati che imitano la struttura e lo stile dei dati originali. Lo spazio dell'IA è popolato da tipi diversi di modelli, di cui quello più noto oggi nell'IA generativa è il modello di fondazione.

I modelli di fondazione sono pre-addestrati su grandi quantità di dati. Il modello funge da "base" che può essere ottimizzata per attività specializzate. Ciò rende un modello di fondazione incredibilmente versatile, in grado di svolgere molti compiti diversi. Un esempio di modello di fondazione è il modello di large language model (LLM). Il GPT di OpenAI (che sta per "trasformatore generativo pre addestrato") è un modello LLM progettato per funzionare con il linguaggio umano. Gli LLM si concentrano sull'elaborazione del linguaggio naturale e sono in grado di eseguire attività di conversazione come risposte a domande, chatbot, trascrizione, traduzione e altro ancora.

Altri tipi di modelli di fondazione possono concentrarsi su contenuti non testuali, inclusi i modelli di fondazione visivi che generano immagini, come Flamingo o DALL-E di OpenAI, o modelli di fondazione audio come UniAudio o LLark.

Che cos'è il recupero della generazione aumentata (RAG)?

Un LLM si limita alle informazioni disponibili all'ultimo aggiornamento dell'addestramento, quindi non conosce gli eventi o gli sviluppi che si sono verificati dopo quel momento. Quindi, come possiamo sfruttare gli LLM in modo da tenere conto dei nuovi dati?

Un'opzione è riaddestrare o perfezionare i modelli generativi con nuovi dati. Tuttavia, questa operazione può richiedere molto tempo e risorse. Un'opzione migliore è il recupero della generazione aumentata (RAG). Il RAG consente a un LLM di estrarre dinamicamente informazioni esterne in tempo reale durante il processo di generazione dei contenuti. Con il RAG, un sistema di AI generativa interroga un database di informazioni in tempo reale, producendo così risultati più accurati, informati e contestualmente pertinenti, anche se le conoscenze richieste non facevano parte dei dati originariamente utilizzati per l'addestramento.

Tuttavia, affinché un RAG possa recuperare in modo efficiente informazioni rilevanti e semanticamente simili da un ampio corpus di dati, deve basarsi su incorporamenti di vettori: rappresentazioni numeriche di dati in uno spazio ad alta dimensione. Il modo ottimale per archiviare e interrogare questi incorporamenti è utilizzare un database vettoriale.

Foto di Alina Grubnyak su Unsplash

Foto di Alina Grubnyak su Unsplash

Il RAG amplia la capacità di un LLM di rimanere aggiornato e versatile nella generazione di contenuti di alta qualità. Una citazione da questo post riassume bene che cos'è il RAG:

Il RAG colma le lacune di conoscenze su cui il LLM non è stato addestrato, trasformando il compito di risposta alle domande in un "quiz a libro aperto", che è più facile e meno complesso di un compito di risposta alle domande aperte e senza limiti.

L'importanza dell'AI generativa nello spazio dell'AI

Il ruolo dell'IA generativa nella creazione di nuovi contenuti porta il potenziale trasformativo in tutte le cose che l'IA ha da offrire. I modelli di IA generativa possono avere applicazioni in tutti i settori, dall’intrattenimento alla sanità. Le innovazioni nella ricerca e nella tecnologia dell'IA spingono continuamente il limite delle capacità e delle applicazioni dei modelli di IA generativa. Presto, le capacità di IA generativa diventeranno una parte essenziale del moderno toolkit IA.

L'uso dell'IA generativa per la generazione di immagini è reso possibile da GPT, abbinato a modelli di diffusione come la diffusione stabile. Di conseguenza, l'arte IA è diventata un mercato enorme, e gli artisti utilizzano l'IA generativa per creare immagini realistiche, quasi indistinguibili dalle immagini naturali.

Nel frattempo, gli esperti di marketing utilizzano l'IA generativa per creare tweet di 180 caratteri sugli eventi di vendita, mentre i designer la utilizzano per creare nuovi progetti di prodotto. Anche le aziende farmaceutiche utilizzano l'IA generativa per assistere nella scoperta di farmaci.

Immagine di alcuni libri su uno scaffale.

Foto di CHUTTERSNAP on Unsplash

Il ruolo dei dati nell'AI generativa

L'efficacia e la versatilità di qualsiasi sistema di IA, inclusi i sistemi di IA generativa, dipendono dalla qualità, dalla quantità e dalla diversità dei dati utilizzati per addestrare i suoi modelli. Diamo un'occhiata ad alcuni aspetti chiave della relazione tra dati e modello di IA generativa.

Addestramento dei dati

I modelli di IA generativa vengono addestrati su set di dati di grandi dimensioni. Un modello progettato per il testo può essere addestrato su miliardi di articoli, mentre un altro modello progettato per le immagini può essere addestrato su milioni di immagini. I LLM richiedono grandi quantità di dati di addestramento sull’apprendimento automatico se vogliono generare contenuti coerenti e contestualmente rilevanti. Poiché i dati sono più diversificati e completi, la capacità del modello di comprendere e generare una vasta gamma di contenuti migliora.

In generale, un maggior numero di dati si traduce in migliori output del modello. Con un set di dati più ampio, i modelli di IA generativa possono identificare pattern più sottili, ottenendo risultati più accurati e sfumati. Tuttavia, anche la qualità dei dati è estremamente importante. Spesso, un set di dati più piccolo e di alta qualità può superare le prestazioni di uno più grande ma meno rilevante.

Dati grezzi e complessi

I dati grezzi, soprattutto se complessi e non strutturati, possono richiedere la pre-elaborazione nelle fasi iniziali della pipeline di dati prima che possano essere utilizzabili per l'addestramento. Questo è anche il momento in cui i dati vengono convalidati, per garantire che siano adeguatamente rappresentativi e privi di bias. Questa fase di convalida è fondamentale per evitare risultati distorti o falsati.

Dati etichettati e dati non etichettati

Alcuni dati sono esclusivi per una particolare organizzazione. Gli esempi includono la cronologia degli ordini dei clienti, le metriche delle prestazioni dei dipendenti e i processi aziendali. Molte aziende raccolgono questi dati, li rendono anonimi per evitare che PII o PHI sensibili vengano divulgati, ed eseguono poi l'analisi tradizionale dei dati. Questi dati contengono una grande quantità di informazioni che potrebbero essere ancor più approfondite se utilizzate per addestrare un modello generativo. I risultati saranno così adattati alle esigenze e alle caratteristiche specifiche di tale attività.

Il ruolo dei dati nella RAG

Come già detto, la RAG combina la potenza di un LLM con il recupero dei dati in tempo reale. Con una RAG, non dovrai affidarti più esclusivamente a dati pre-addestrati, ma potrai eseguire un pull di informazioni rilevanti just-in-time da database esterni. Ciò garantisce che i contenuti generati siano aggiornati e accurati.

Come potenziare i modelli di IA generativa con i dati proprietari

Quando si lavora con i modelli generativi, l'ingegneria dei prompt è una tecnica che prevede la creazione di query o istruzioni di input specifiche per guidare il modello, adattando meglio gli output o le risposte. Con il RAG, possiamo aumentare i prompt con dati proprietari, attrezzando il modello di IA per generare risposte pertinenti e accurate tenendo conto dei dati aziendali. Questo approccio è preferibile all'approccio lungo e costoso di riqualificare o mettere a punto un LLM con questi dati.

Sfide e considerazioni importanti

Ovviamente, lavorare con l'IA generativa porta con sé diverse sfide. Se la tua organizzazione sta cercando di sfruttare il potenziale della GenAI, tieni presente le seguenti questioni chiave.

Necessità di competenze in materia di dati e di un'enorme potenza di calcolo

I modelli generativi richiedono risorse importanti. Innanzitutto, è necessaria l’esperienza di data scientist e ingegneri qualificati. Ad eccezione delle organizzazioni che si occupano dei dati, la maggior parte delle aziende non dispone di team con le competenze specialistiche necessarie per addestrare o mettere a punto gli LLM.

Quando si tratta di risorse di elaborazione, l'addestramento di un modello su dati completi può richiedere settimane o mesi, anche se si utilizzano GPU o TPU potenti. Anche se la messa a punto di un LLM non richiede una potenza di calcolo pari a quella necessaria per addestrarne uno da zero, richiede comunque risorse significative.

La formazione e la messa a punto ad alta intensità di risorse di un LLM sono ciò che rende il RAG una tecnica alternativa interessante per incorporare i dati attuali (e proprietari) con i dati esistenti disponibili per un LLM pre-addestrato.

Considerazioni etiche

L'ascesa dell'IA generativa ha generato anche un intenso dibattito sulle considerazioni etiche legate al suo sviluppo e al suo utilizzo. Man mano che le applicazioni di IA generativa diventano più diffuse e accessibili al pubblico, le conversazioni si sono concentrate su argomenti come:

  • Garantire modelli equi e privi di pregiudizi
  • Proteggere da attacchi come manomissioni del modello
  • Prevenire la diffusione della disinformazione
  • Difendersi dall’uso improprio dell'IA generativa (si pensi ai deepfake o alla generazione di informazioni fuorvianti)
  • Conservare attribuzione
  • Promuovere la trasparenza con gli utenti finali, in modo che sappiano quando stanno interagendo con un chatbot di IA generativa invece che con un essere umano.
Comparison with other AI tools and systems

The hype and novelty of generative AI tools have eclipsed the broader AI landscape of tools and systems. Many mistakenly assume that generative AI is the AI tool to solve all their problems. However, while generative AI excels in creating new content, other AI tools might be better suited for certain business tasks. The benefits of generative AI should—just as with any tool in your stack—be weighed against the benefits of other tools.

Sfide specifiche della RAG

L'approccio RAG all'utilizzo di un LLM è potente, ma presenta una serie di sfide caratteristiche.

  • Scegliere le tecnologie di database vettoriale e di ricerca: in ultima istanza, l'efficienza dell'approccio RAG dipende dalla sua capacità di recuperare rapidamente i dati pertinenti. Ciò rende la selezione di un database vettoriale e di una tecnologia di ricerca una scelta critica che influirà sulle prestazioni della RAG.
  • Coerenza dei dati: poiché la RAG estrae i dati in tempo reale, è essenziale garantire che il database vettoriale sia aggiornato e coerente.
  • Complessità delle integrazioni: L'integrazione della RAG con un LLM aggiunge un livello di complessità ai sistemi. L'implementazione efficace dell'IA generativa con una RAG può richiedere competenze specializzate.

Nonostante queste sfide, la RAG offre alle organizzazioni uno strumento semplice e potente per attingere ai propri dati operativi e applicativi per raccogliere informazioni approfondite e prendere decisioni aziendali critiche.

MongoDB Atlas per app basate sulla GenAI

Abbiamo accennato al potenziale trasformativo dell'IA generativa e abbiamo visto il potente miglioramento dei dati in tempo reale che deriva dalla RAG. L'unione di queste tecnologie richiede una piattaforma dati flessibile in grado di offrire una suite di funzionalità su misura per le applicazioni basate sulla GenAI. Per le organizzazioni che si avventurano nel mondo dell'IA generativa e della RAG, MongoDB Atlas sarà il fattore che cambierà le carte in tavola.

Le caratteristiche chiave di MongoDB Atlas includono:

  • Funzionalità native di ricerca vettoriale: l'archiviazione e la ricerca vettoriali native sono integrate in MongoDB Atlas, garantendo un recupero rapido ed efficiente dei dati per RAG senza la necessità di un database aggiuntivo per gestire i vettori.
  • API unificata e modello di documento flessibile: L'API unificata di MongoDB Atlas consente agli sviluppatori di combinare la ricerca vettoriale con altre funzionalità di query, come la ricerca strutturata o testuale. Questo, insieme al data model doc di MongoDB, offre un'incredibile flessibilità all'implementazione.
  • Scalabilità, affidabilità e sicurezza: MongoDB Atlas fornisce scalabilità orizzontale per crescere facilmente insieme all'utente (e ai suoi dati). Grazie alla tolleranza di errore e alla scalabilità orizzontale e verticale intuitiva, MongoDB Atlas garantisce un servizio ininterrotto, quali che siano le esigenze del workload. E, naturalmente, MongoDB dà priorità alla sicurezza abilitando la crittografia dei dati interrogabile leader del settore.
Immagine di MongoDB Atlas che esegue più attività per supportare le app basate sull'IA generativa.

MongoDB Atlas è fondamentale per semplificare l'implementazione di un sistema di LLM potenziato dalla RAG. Gestendo i tuoi servizi di dati di IA generativa, MongoDB semplifica il processo di creazione di app pronte per le aziende e alimentate dalla GenAI. Se i dati che desideri incorporare sono proprietari o derivanti minuto per minuto dagli eventi, MongoDB rende possibile l'approccio RAG. In un recente studio sullo stato dell'IA effettuato su 1.500 partecipanti, MongoDB Atlas Vector Search ha ottenuto il livello di soddisfazione più alto fra gli sviluppatori tra tutte le soluzioni vettoriali.

Conclusioni

Come sottoinsieme dell'intelligenza artificiale, l'IA generativa, che utilizza modelli addestrati su grandi quantità di contenuti esistenti per creare nuovi contenuti unici, rappresenta un salto di qualità nella tecnologia moderna. Tuttavia, affinché l'IA generativa mantenga la promessa di imitare l'intelligenza e la creatività umana, dovrà essere addestrata su grandi volumi di dati di alta qualità. L'efficacia di un modello di IA generativa dipende dalla qualità, dalla quantità e dalla diversità dei dati di addestramento.

I dati disponibili per un LLM sono limitati dall'ultimo aggiornamento di formazione per quel LLM. L'incorporazione di dati aggiornati non può essere ottenuta attraverso la riqualificazione o la messa a punto dei modelli, perché non appena tali processi vengono completati, i dati sono già obsoleti. La soluzione è RAG, che richiede dati aggiornati da un database vettoriale come parte del compito di tempestività dell'ingegneria. La RAG migliora i LLM fornendo loro la possibilità di accedere a informazioni aggiornate e pertinenti, che possono includere informazioni proprietarie di un'organizzazione, senza l'impegno di risorse per la formazione o la messa a punto.

Per renderlo possibile, le aziende si rivolgono a MongoDB Atlas. Le sue funzionalità di ricerca vettoriale native, abbinate alla sua API unificata e al modello di documento flessibile, lo rendono un'opzione interessante per le aziende che desiderano migliorare un LLM con l'approccio RAG per inserire dati proprietari.

Primi passi con MongoDB Atlas

Prova gratuita