AI Privata cos’è e differenze con l’AI pubblica. Come e cosa scegliere in azienda

AI privata cos’è e differenze con l’AI pubblica. Come e cosa scegliere in azienda. Una guida pratica per provare ad orientarsi al meglio.

L’intelligenza artificiale rappresenta una tecnologia emergente in grado di rivoluzionare in maniera dirompente i processi di business, accelerandoli e rendendoli molto più efficienti nel contesto di un’iniziativa di trasformazione digitale.

A fronte di grandi opportunità, le aziende si ritrovano costantemente di fronte ad alcuni fondamentali dilemmi, specie quando si tratta di optare per soluzioni di AI pubblica o AI privata, che comportano un approccio in termini IT piuttosto differente, con tutti i pro e i contro del caso.

Cosa si rischia nel condividere i propri dati sulle infrastrutture di terzi? Quanto costa implementare internamente un’infrastruttura AI proprietaria? E chi la gestisce? Cerchiamo di offrire una risposta pratica a queste domande ricorrenti, vedendo quali sono le principali criticità della AI pubblica e come una corretta e consapevole implementazione della AI privata possa garantire alle aziende la soluzione più efficace alle loro esigenze di business.

AI Pubblica: grandi opportunità di crescita, ma non per tutti

Il boom e la rapida diffusione dell’intelligenza artificiale generativa hanno amplificato un fenomeno in atto da diversi anni, messo in moto grazie alla crescita del cloud computing e dei modelli a servizio.

In altri termini, le risorse computazionali del cloud hanno reso possibile la democratizzazione delle applicazioni basate sull’intelligenza artificiale e il machine learning, rendendole disponibili ad una platea molto più ampia di utilizzatori, rispetto a coloro che potevano permettersi infrastrutture AI proprietarie.

I servizi di AI pubblica comportano quindi una serie di evidenti vantaggi, relativi alla rapida implementazione e alla capacità di disporre delle grandi risorse computazionali che vengono richieste dalle applicazioni di machine learning e deep learning, ma comportano alcune evidenti criticità, che potremmo riassumere come segue.

• Rischi per la privacy dei dati: l’utilizzo dei servizi AI in cloud comporta nella maggioranza dei casi la condivisione dei dati proprietari sulle infrastrutture IT di terzi. Anche quando le SLA prevedono l’impossibilità da parte del provider di utilizzare i dati per il training utile a migliorare l’efficienza del modello AI, il problema relativo alla data privacy rimane più che mai attuale, soprattutto quando si tratta di garantire la piena conformità al GDPR, alle normative di settore e ad accordi di natura privatistica.
• Eccessiva genericità del modello: nel caso delle applicazioni di intelligenza artificiale generativa, in particolar modo dei LLM (large language model) come il celebre Chat-GPT, è opportuno ricordare come la loro enorme base di conoscenza viene ottenuta mediante il training di enormi data set, nell’ordine di grandezza dell’intero contenuto della rete Internet. La knoweledge base dei LLM commerciali, pur in grado di offrire risposte efficaci a richieste di carattere enciclopedico, potrebbe andare in crisi di fronte a richieste specifiche, che prevedono una conoscenza ottenibile soltanto dai dati proprietari delle organizzazioni.
• Personalizzazione complessa e costosa: interfacciarsi con un modello AI generalista può risultare un’operazione tecnicamente complessa, soprattutto quando l’integrazione nei sistemi aziendali non viene progettata a priori. Tali operazioni richiedono spesso competenze estremamente qualificate, di non semplice reperibilità sul mercato, e comportano processi mediamente molto onerosi, al punto che la convenienza nel valutare una soluzione di AI pubblica potrebbe risultare vanificata, soprattutto se paragonata ad una soluzione di AI privata pianificata in maniera corretta ed integrata in maniera consapevole.

La AI privata si propone quale alternativa in grado di risolvere almeno in parte i problemi e le criticità di cui sopra, oltre a rappresentare per certi versi un ritorno alle origini. Del resto, prima del “boom della AI”, le applicazioni basate sull’intelligenza artificiale e sul machine learning venivano quasi sempre implementate su infrastrutture locali, utilizzando per il training in gran parte i data set proprietari delle organizzazioni.

AI Privata: i vantaggi fondamentali per le aziende

La AI privata è un metodo che prevede la scelta di algoritmi ad hoc per sviluppare modelli AI univoci e proprietari, utilizzando per il training soltanto dati specifici di un’organizzazione. Questo vale sia nel caso in cui il modello venga creato da zero da un team di sviluppatori data scientist e data engineer appositamente incaricato, sia nel caso in cui si scelga di avvalersi di una piattaforma low code, per automatizzare buona parte delle operazioni richieste per la creazione del modello stesso.

A differenza della AI pubblica, i dati non lasciano mai l’infrastruttura IT proprietaria e in ogni caso non vengono utilizzati per il training di sistemi che potrebbero essere utilizzati anche da altri player.

Tra i principali benefici che si possono ottenere grazie alla AI privata, è opportuno citare quelli relative alla privacy, al controllo e alla rilevanza dei dati, oltre che all’unicità e alla garanzia di riservatezza dei modelli AI sviluppati e implementati nei processi aziendali.

Privacy dei dati

Come anticipato, la AI privata consente di garantire a pieno titolo la privacy dei dati, escludendo a prescindere la loro condivisione con terze parti.

Oltre a garantire il soddisfacimento delle prescrizioni del GDPR e delle normative specifiche di ambiti quali sanità, finanza e difesa, la AI privata consente di rispettare qualsiasi accordo di natura privatistica con clienti e fornitori, minimizzando al tempo stesso i rischi di perdita dei dati dovuto a negligenze di terzi.

Controllo dei dati

Anche se i piani business dei servizi di AI pubblica promettono la totale riservatezza dei dati dei loro clienti, con contratti che escludono la possibilità di poterli impiegare per il training dei loro modelli, si pone tuttavia una evidente criticità legata al controllo dei dati stessi.

Oltre alle già citate condizioni che escludono la condivisione dei dati proprietari sulle infrastrutture di terzi, occorre ricordare che il GDPR prevede espressamente la possibilità di poter cancellare in qualsiasi momento i propri dati da un servizio sottoscritto.

Nel caso un’azienda utilizzasse dati contenenti informazioni relative ad un loro cliente, e questi decidesse di avvalersi del diritto all’oblio, il titolare del trattamento potrebbe ritrovarsi in difficoltà di fronte all’esigenza di cancellare tali dati dalle infrastrutture di terzi.

Rilevanza dei dati con l’AI privata

Mentre la AI pubblica si dimostra indicata per le richieste di carattere generalista, la AI privata consente di utilizzare per il training i data set specifici dell’organizzazione. I modelli AI e ML che ne derivano, una volta interrogati, possono pertanto offrire informazioni rilevanti nel contesto di riferimento, soddisfando nello specifico qualsiasi esigenza aziendale.

Sulla base di questi presupposti, i modelli AI possono essere personalizzati in ogni dettaglio e raggiungere livelli di accuratezza altrimenti molto difficili da raggiungere.

Oggi sono disponibili piattaforme low code che consentono di utilizzare dati e documenti negli archivi aziendali per snellire e rendere molto più semplice il training dei modelli rispetto al passato. Per citare un esempio pratico di applicazione aziendale, la AI privata è fondamentale nell’ambito della gestione documentale di moderna generazione, che prevede la classificazione automatica dei documenti e rende possibile la ricerca intelligente delle informazioni nel contesto di linee di business come amministrazione, marketing/vendite e customer care.

AI privata. Unicità e riservatezza dei modelli AI

Il modello AI sviluppato nel contesto privato è unico e sviluppato in maniera specifica per soddisfare le esigenze operativa di ciascuna organizzazione, dopo aver intrapreso un percorso di analisi estremamente dettagliato.

L’investimento effettuato nella creazione dei modelli AI, oltre a risolvere concretamente un problema noto, costituisce un elemento utile ad ottenere un vantaggio competitivo rispetto a concorrenti meno evoluti in materia di applicazioni basate su intelligenza artificiale e machine learning. Questo aspetto appare evidente anche nel caso dei LLM.

Anziché avvalersi di un LLM commerciale, le aziende che sviluppano un modello linguistico di grandi dimensioni tagliato su misura per le loro esigenze, possono ottenere vantaggi sia dal punto di vista operativo che dal punto di vista economico, grazie ad una struttura di base molto più snella, oltre a poterlo mantenere ed aggiornare in maniera totalmente flessibile, senza dover attendere che un vendor rilasci una nuova versione del modello.

Le criticità della AI privata: governance e sicurezza dei dati

La AI privata consente di soddisfare le esigenze di data privacy e di evitare quelle situazioni che renderebbero in ogni caso problematico il riscorso ad un servizio di AI pubblica. Per raggiungere risultati soddisfacenti è tuttavia indispensabile che le organizzazioni che scelgono di avvalersi di una infrastruttura AI proprietaria dispongano di una certa maturità in fatto di data governance.

Una gestione e una preparazione poco accurata dei dati utilizzati per il training potrebbero complicare inutilmente le procedure, descrivendo il contesto in modo non rilevante, arrivando a produrre risultati poco attendibili a livello predittivo.

Per quanto riguarda la sicurezza dei dati e delle applicazioni, soprattutto nei casi in cui si prevede un’interfaccia sul Web, è necessario disporre di un adeguato livello di robustezza nei sistemi di cybersecurity, oltre a prevedere misure come la crittografia end-to-end per prevenire, in caso di data breach, che i dati stessi possano essere sfruttati in maniera malevola da chi li esfiltra at rest o li intercetta lungo il loro traffico in rete.

AI pubblica e AI privata possono essere utilizzate sinergicamente per soddisfare al meglio differenti esigenze di business. Data la delicatezza e la criticità dei temi concernenti i dati, occorre essere prudenti sia in caso di valutazione che di adozione della AI, senza lasciarsi “tirare dalla moda del momento” o dal “l’han fatto gli altri, dobbiamo farlo anche noi”. Anche per via della novità tecnologica che questo contesto rappresenta, è decisamente auspicabile rivolgersi a consulenti dotati di un comprovabile know-how nello sviluppo e nella gestione delle applicazioni AI, oltre che nella loro integrazione nei sistemi aziendali.