Conversion AI potrebbe essere la chiave per evitare un plateau tecnologico

La domanda di contenuti sta registrando una crescita costante e ripida. Per avere un’idea realistica del tasso di crescita, Adobe (ADBE ) ha condotto un sondaggio che ha coinvolto più di 2,600 professionisti dell’esperienza cliente e del marketing in diverse economie globali principali. 

I risultati del sondaggio, pubblicati da Adobe a marzo 2023, hanno indicato una crescita della domanda di contenuti di almeno il doppio negli ultimi due anni. Circa due terzi erano ancora più ottimisti sul futuro dei contenuti. Hanno affermato di aspettarsi che la domanda cresca da cinque a venti volte nei prossimi venti ore. 

Rispondere a questa domanda ha costretto le aziende a optare per nuovi modelli di produzione di contenuti. Secondo la World Federation of Advertisers, più della metà delle grandi aziende internazionali ha sviluppato capacità di produzione di contenuti interne. Ma è sufficiente? Bene, la conversion AI ha risposto alla sfida. 

Che cos’è Conversion AI?

Conversion AI riguarda l’uso dell’intelligenza artificiale per aiutare le aziende a comunicare meglio con i propri clienti e a generare più vendite. Lo fa assistendo nella creazione, nel miglioramento e nella gestione di contenuti come testi, immagini e suoni. Questo rende più facile per le aziende catturare l’attenzione del proprio pubblico, creare contenuti che parlino davvero loro e migliorare l’esperienza complessiva, il tutto tramite una tecnologia AI intelligente.

Oggi, le aziende possono utilizzare Conversion AI per soddisfare una vasta gamma di obiettivi di content marketing, inclusi copy per annunci su Facebook e Google, contenuti per siti web, post sui social e molto altro. Ma come rende possibile tutto ciò Conversion AI? Qual è la tecnologia che lo alimenta? Per questo, dobbiamo conoscere i Large Language Model o LLM. 

Che cos’è un Large Language Model?

È un tipo di AI che può apprendere da enormi quantità di testo e dati. Esistono casi d’uso in cui questi modelli AI possono gestire centinaia di miliardi di punti dati per generare intuizioni significative, strategie e previsioni. 

Le origini dei LLM in breve

I LLM moderni sono comparsi sulla scena sei anni fa, nel 2017. Questi LLM utilizzavano modelli transformer capaci di gestire un gran numero di parametri per comprendere e generare risposte precise rapidamente. 

Quattro anni dopo, nel 2021, il Stanford Institute for Human-Centered Artificial Intelligence ha coniato il termine e il concetto di modelli di fondazione. Il nome deriva dal fatto che questi modelli, grandi e impattanti, fungono da fondamenta per ulteriori ottimizzazioni e casi d’uso. Con lo sviluppo dei LLM, la generazione di contenuti, soprattutto in forma scritta, ha subito cambiamenti significativi. 

L’impatto dei LLM

La ricerca di ARK Invest mostra che negli ultimi due anni la qualità della scrittura dei LLM ha registrato un miglioramento significativo. Ciò ha portato a maggiore fiducia e all’adozione di soluzioni basate su LLM per generare contenuti. 

Di conseguenza, il costo per produrre contenuti scritti è diminuito drasticamente. Era rimasto relativamente costante in termini reali nel secolo scorso, intorno a 100 US$ per 1.000 parole scritte. Negli ultimi due anni, tuttavia, tale tariffa è scesa a 0,10 US$ e anche meno. 

Le prestazioni e la produttività continueranno a migliorare man mano che le capacità di addestramento dell’AI avanzano rapidamente. I ricercatori stanno innovando nell’addestramento e nell’inferenza, nell’hardware e nel design dei modelli, migliorando le prestazioni riducendo i costi. Ci si aspetta che ciò generi oltre cinque volte i guadagni di prestazioni nel 2024, usando il 2023 come anno di riferimento.

Sono state introdotte diverse innovazioni algoritmiche che hanno portato a una capacità di scrittura superiore e a una maggiore produttività e prestazioni dei LLM. L’apprendimento per rinforzo dal feedback umano, ad esempio, ha aiutato molto. I prompt sono stati ottimizzati per superare i prompt umani di oltre il 50 %. 

Le capacità di Decodifica Speculativa hanno accelerato l’inferenza da due a tre volte su modelli specifici. I ricercatori hanno anche dato priorità ai costi di inferenza. I loro sforzi stanno mostrando risultati concreti, con i costi di inferenza in calo a un tasso annuo di circa l’86 %, più veloce dei costi di addestramento. I modelli GPT hanno registrato quasi un’accelerazione di 3 volte nell’addestramento grazie a Flash Attention 2. 

Con tutti questi miglioramenti e potenziamenti che avvengono a velocità supersonica, sono in corso indagini per capire se un potenziale plateau sia imminente nell’uso dei LLM e se tale situazione possa essere evitata. 

Clicca qui per scoprire perché il 2023 è stato l’anno di svolta per l’intelligenza artificiale.

Plateau potenziale dei LLM e come evitarlo

I ricercatori stanno esaminando uno scenario possibile in cui i LLM esauriranno i dati, portando a prestazioni limitate. I LLM devono essere alimentati costantemente con grandi volumi di dati di addestramento per continuare a imparare e migliorare. Tuttavia, la potenza di calcolo e la possibile carenza di dati di addestramento sembrano essere una preoccupazione. 

Secondo le stime di Epoch AI, le fonti di lingua/dati di alta qualità, inclusi libri e articoli scientifici, potrebbero esaurirsi entro il 2024. È allora che sarà necessario attingere a un insieme più ampio di dati visivi inesplorati. Questi dati visivi non sfruttati, che possono aiutare i LLM a evitare il plateau, includono parole pronunciate e altri tipi di dati del mondo fisico. 

Le ricerche mostrano che annualmente vengono pronunciate trenta quadrilioni di parole. I generatori speech‑to‑text e strumenti simili catturano più di 80 trilioni di parole pronunciate al giorno. Inoltre, taxi, camion, droni e altri veicoli robotici generano grandi volumi di dati del mondo fisico e dati sintetici che integrano i dati primari. Tutti questi dati inesplorati potrebbero costituire una ricchezza di risorse ineguagliabile e migliorare i LLM. 

Tuttavia, i miglioramenti in termini di prestazioni, produttività e qualità non riguardano solo la scoperta di miniere di dati inesplorati. Diverse aziende innovative stanno compiendo sforzi completi per migliorare lo scenario in modo olistico. 

#1. Replit AI

Quando si tratta di aumentare la produttività, Replit AI è stata una delle principali storie di successo. Come assistente di codifica, ha incrementato la produttività e la soddisfazione lavorativa degli sviluppatori software. Aiuta a eliminare le parti iterative della programmazione, permettendo di concentrarsi sugli aspetti creativi del lavoro. 

Replit AI semplifica la codifica integrando un generatore di codice AI che elimina la necessità di cambiare scheda, offrendo suggerimenti di completamento automatico per un progresso più rapido. Migliora la comprensione del progetto con la funzionalità Code Context per scrivere le righe successive pertinenti e rileva proattivamente i problemi, suggerendo correzioni direttamente all’interno di un’interfaccia editor fluida.

In sintesi, Replit AI è una suite efficiente di funzionalità di generazione di codice AI, tra cui Complete Code, Generate Code, Edit Code e Explain Code. 

Ciò che alimenta Replit AI sono i LLM. Restituisce risultati generati da grandi modelli linguistici addestrati su codice disponibile pubblicamente e ottimizzati da Replit. Considera il prompt conversazionale e il linguaggio di programmazione utilizzato per fornire suggerimenti e spiegazioni sul codice generato. 

Le funzionalità di Replit AI sono disponibili gratuitamente per tutti gli utenti. Tutto ciò che serve è un account Replit. Replit AI funziona al meglio con codice JavaScript e Python, ma supporta 16 linguaggi, tra cui Bash, C, C#, C++, CSS, Go, Java, JavaScript, HTML, PHP, Perl, Python, R, Ruby, Rust e SQL. 

Secondo le ultime informazioni disponibili, l’azienda ha raccolto 97,4 milioni di US$ a una valutazione di 1,16 miliardi di US$ per espandere i suoi servizi cloud e guidare lo sviluppo AI nell’aprile 2023. 

#2. Github Copilot

Un altro servizio di assistenza alla codifica, simile a Replit AI, che ha contribuito a migliorare la produttività degli sviluppatori nelle attività di programmazione del 2,2 volte nel 2023 è Github Copilot. Github Copilot offre assistenza contestualizzata lungo l’intero ciclo di vita dello sviluppo software. 

Secondo i dati dei sondaggi sulla soddisfazione dei consumatori, gli sviluppatori che utilizzano Github Copilot segnalano fino al 75 % di maggiore soddisfazione sul lavoro rispetto a chi non lo utilizza e sono fino al 55 % più produttivi nella scrittura del codice senza compromettere la qualità. 

Github Copilot si addestra su testi in linguaggio naturale e codice sorgente provenienti da fonti pubbliche, inclusi i repository pubblici su GitHub. È addestrato in tutte le lingue presenti nei repository pubblici. Tuttavia, le lingue con minore rappresentanza nei repository pubblici potrebbero risultare meno efficaci. Github Copilot può essere utilizzato da sviluppatori individuali, freelance, studenti, educatori e manutentori di progetti open‑source.

Secondo le dichiarazioni pubbliche del vicepresidente di prodotto di Microsoft  Mario Rodriguez, GitHub Copilot sta prosperando e genera ricavi a un tasso annuo di 100 milioni di US$.

#3. MosaicML

MosaicML aiuta ad addestrare i LLM, posizionandosi come una soluzione che porta l’AI generativa a tutti, offrendo tutto il necessario per addestrare e distribuire modelli sui dati dell’utente. La sua serie MPT Foundation facilita l’integrazione semplice dei LLM nelle applicazioni che utilizzano sia modelli open‑source sia modelli con licenza commerciale.

L’addestramento di MosaicML consente agli sviluppatori di pre‑addestrare o perfezionare i modelli con pieno controllo dei dati, semplificando il processo a un unico comando indirizzato a un bucket S3. La piattaforma gestisce efficientemente l’orchestrazione, i guasti dei nodi e l’infrastruttura, come dimostra l’uso di MosaicML da parte di Replit per addestrare il suo LLM Ghostwriter, ottenendo risultati di punta in una settimana.

L’approccio di MosaicML all’addestramento in qualsiasi ambiente cloud enfatizza la privacy dei dati, la sicurezza e la piena proprietà del modello, con funzionalità che supportano transizioni fluide tra cloud. Offre piena proprietà dei dati, filtraggio dei contenuti secondo le esigenze aziendali e integrazione plug‑and‑play con pipeline dati esistenti, essendo agnostico al cloud e provato a livello enterprise.

Nel giugno dell’anno precedente, l’acquisizione di MosaicML da parte di Databricks in un accordo valutato 1,3 miliardi di US$ ha evidenziato il suo impatto significativo sul mercato e la sua proposta di valore.

#4. Anthropic

Il prodotto di punta di Anthropic, Claude, funziona su due modelli: Claude e Claude Instant. 

Claude è il modello più potente di Anthropic, eccellente in una vasta gamma di compiti, dalla conversazione sofisticata e generazione creativa di contenuti a istruzioni dettagliate. Funziona bene in scenari che richiedono ragionamento complesso, creatività, dialoghi ponderati, programmazione e creazione di contenuti dettagliati. 

Claude Instant – la versione più veloce ed economica di Claude – è utile per dialoghi informali, analisi testuali, sintesi e comprensione di documenti. È adatto dove è richiesta alta prestazione a basso costo, operando con latenza ridotta. 

Nel complesso, Claude è adatto per elaborare grandi volumi di testo, condurre conversazioni naturali, ottenere risposte e automatizzare flussi di lavoro. Dal servizio clienti al legale, coaching, ricerca e attività di back‑office, Claude è idoneo a una varietà di scenari d’uso. 

Secondo i rapporti pubblicati a fine dicembre 2023, Anthropic, considerato il rivale di OpenAI, era in trattative per raccogliere 750 milioni di US$ a una valutazione di 18,4 miliardi di US$. 

#5. Humata

Con Humata è possibile scorrere rapidamente lunghi documenti tecnici. L’AI PDF di Humata aiuta a riassumere i risultati, confrontare documenti e cercare risposte. È compatibile con file illimitati caricati senza limiti di dimensione. Le risposte dell’AI documentale includono citazioni, così da poter tracciare la fonte dell’informazione.

Poiché è simile a ChatGPT per i PDF, può riscrivere il riassunto finché non si è soddisfatti. Tuttavia, a differenza di ChatGPT, Humata può lavorare con file, leggere ogni file caricato e generare risposte basate sul contenuto dei documenti. 

Il 2 ottobre 2023, Humata AI ha annunciato il completamento con successo del suo ultimo round di finanziamento, raccogliendo 3,5 milioni di US$ da Gradient Ventures di Google, ARK Invest di Cathie Wood, M13 e altri importanti investitori angel per il loro round seed. 

#6. OpenAI

Infine, nessuna discussione sull’AI, sul suo apprendimento LLM e sulle funzionalità di creazione di contenuti può essere completa senza menzionare OpenAI, l’azienda che ha costruito i modelli generativi più popolari usando una tecnologia chiamata deep learning che sfrutta grandi volumi di dati per addestrare i sistemi AI. 

OpenAI offre servizi di Chat, Immagine e Audio. Il suo GPT‑3, modello linguistico autoregressivo, è stato addestrato con 175 miliardi di parametri. Tuttavia, ha addestrato modelli linguistici ancora migliori di GPT‑3 nel seguire le intenzioni dell’utente. 

Tra i prodotti legati alle immagini, la ricerca di OpenAI sulla modellazione generativa ha portato a modelli di rappresentazione come CLIP, che crea una mappa tra testo e immagini per permettere all’AI di “leggere”, e DALL‑E, uno strumento per creare immagini vivide a partire da descrizioni testuali. 

Infine, ha realizzato progressi nel campo dell’audio con Whisper, Jukebox e Musenet. Whisper offre robuste capacità di riconoscimento vocale in inglese, mentre Jukebox genera musica in vari generi e stili di artista. MuseNet è una rete neurale profonda che può generare composizioni musicali complete con una varietà di strumenti. 

Secondo i rapporti pubblicati a fine dicembre 2023, OpenAI era in prime discussioni per raccogliere un nuovo round di finanziamento a una valutazione pari o superiore a 100 miliardi di US$. 

Oltre il plateau: La strada da percorrere 

L’intelligenza artificiale ha aiutato la generazione di contenuti a percorrere milioni di miglia in pochissimo tempo. Il futuro sarà più luminoso e prospero, dove sistemi computazionali e software che crescono con i dati risolveranno problemi intrattabili. 

Tutti i settori economici potranno sfruttare meglio la tecnologia automatizzando ogni tipo di lavoro di conoscenza ripetitivo e dispendioso in termini di tempo. Mentre modelli come GPT‑4 aumenteranno la produttività, i modelli AI open‑source porteranno a costi operativi drasticamente ridotti e a un’efficienza radicalmente migliorata. I ricercatori stimano non solo l’evitamento di un plateau tecnologico, ma anche il quadruplicarsi della produttività dei lavoratori della conoscenza entro il 2030. 

Ciò sottolinea l’importanza dei Large Language Model nell’ecosistema tecnologico, avendo svolto un ruolo cruciale in tutto questo. Ha aiutato prodotti come ChatGPT a consolidare la comprensione pubblica dell’AI, consentendo loro di offrire un’interfaccia di chat semplice che chiunque, parlando qualsiasi lingua, può utilizzare a proprio vantaggio.

Clicca qui per apprendere tutto sugli investimenti nell’intelligenza artificiale (AI).