Dati recenti raccontano che l’utilizzo di strumenti di Generative AI è parte della quotidianità per il 25% delle persone in Italia, un’abitudine che anticipa l’adozione formale da parte delle aziende.
Abilitare l’Artficial Intelligence oggi è tra le prime priorità delle aziende, per farlo però serve ottenere dati e processi automatizzati, a prova di AI.
Di questo e delle soluzioni dedicate di Npo Sistemi, parla Francesco Mariotti, Artificial Intelligence e Automation Manager di Npo Sistemi.
Perché implementare soluzioni di Gen AI è così importante oggi?
Se parliamo di priorità, dobbiamo senza dubbio citare anche l’efficienza operativa. Proprio in questo contesto, l’utilizzo della Generative AI è un fattore chiave per efficienza, qualità, innovazione e sicurezza. Utilizzarla significa acquisire un vantaggio competitivo decisivo.
I benefici sono numerosi tra cui:
- Aumento della Produttività, grazie all’automazione di task ripetitivi, all’accesso rapido alle informazioni e al supporto decisionale avanzato.
- Customer Experience Potenziata, grazie a Chatbot intelligenti, a un’assistenza tecnica migliorata e alle interazioni personalizzate.
- Competitività e Innovazione, grazie a una migliore efficienza operativa, alla scalabilità e alla capacità di adattare prodotti e servizi ai clienti.
- Business Intelligence e Decision Making, grazie all’analisi avanzata dei dati per trend, all’ottimizzazione documentale e alle strategie di vendita.
- Sicurezza e Conformità, grazie alla protezione dei dati, compliance GDPR e governance centralizzata per un’adozione controllata dell’AI.
In questo scenario, come si inserisce la proposta di valore di Npo Sistemi e Microsoft Copilot?
Npo Sistemi, in collaborazione con Microsoft, fornisce un approccio strategico per l’adozione della Generative AI in azienda, con un equilibrio tra produttività individuale e soluzioni AI industrial-ready e declinato in due soluzioni dedicate.
La prima è attraverso l’Adozione di Microsoft 365 Copilot per la Produttività Personale
L’obiettivo qui è supportare le aziende nell’adozione di Microsoft 365 Copilot per aumentare l’efficienza operativa e la collaborazione interna.
L’approccio realizzato da Npo Sistemi prevede:
- Assessment iniziale con l’analisi della readiness aziendale per Copilot (dati, sicurezza, compliance)
- Enablement e formazione con percorsi personalizzati per ogni funzione aziendale per valorizzare l’uso di Copilot
- Definizione di use cases mirati con l’ottimizzazione di task quotidiani (email, report, riunioni, gestione documenti)
- Change Management con il supporto alla trasformazione digitale con governance chiara
- Monitoraggio e ottimizzazione continua grazie all’analisi dell’impatto e miglioramento dei processi.
Tra i benefici di questa soluzione c’è:
- una migliore gestione del tempo
- la riduzione del workload
- l’incremento della produttività personale grazie all’AI
La seconda soluzione, invece, è di adozione Custom e si sviluppa attraverso Virtual Assistant
L’obiettivo qui è realizzare assistenti AI personalizzati che diventino veri e propri asset aziendali, allineati con le strategie di business.
L’approccio Npo Sistemi, in questo caso, si sviluppa attraverso:
- Verticalizzazione delle soluzioni AI con la creazione di assistenti virtuali su misura per specifici dipartimenti (manutenzione, operation, vendite, customer care).
- Integrazione con le ultime tecnologie grazie a soluzioni basate su modelli avanzati, RAG (Retrieval-Augmented Generation) e knowledge base aziendale.
- Governance e centralizzazione perché il business mantiene il controllo sugli agenti AI, gestendo policy, personalizzazioni e security.
- Fine-tuning e adattabilità grazie agli assistenti AI che evolvono con l’azienda, adattandosi alle esigenze e migliorando nel tempo.
Tra i benefici di questa soluzione c’è la personalizzazione dell’AI, garantita attraverso una soluzione custom scalabile e sicura, che migliora il servizio, genera insights strategici e si integra con l’ecosistema aziendale.
Qual è il valore aggiunto di questa soluzione Npo Sistemi?
Npo Sistemi aiuta da sempre le aziende a cogliere le opportunità che l’Artificial Intelligence offre grazie a competenze specifiche e un’esperienza dedicata che si esprime in una prossimità costante alle esigenze dei Clienti.
Grazie a queste caratteristiche riusciamo a realizzare una roadmap di automazione efficace attraverso:
- L’identificazione delle soluzioni tecnologiche più adatte alle esigenze aziendali specifiche
- La pianificazione di un’adozione graduale, con focus su ROI e impatto sui processi chiave
- La gestione del cambiamento, supportando formazione e ottimizzazione continua.
- La personalizzazione delle soluzioni che si integrano perfettamente con l'ecosistema IT aziendale
- L’ottimizzazione della produttività automatizzando processi e migliorando l'efficienza
Grazie a questo approccio affianchiamo i Clienti nell’adozione strategica dell’automazione, garantendo flessibilità e scalabilità, così da rendere davvero l’Artificial Intelligence un vantaggio competitivo a supporto del business.
Quando si parla dell’identificazione della migliore soluzione tecnologica, a cosa ci si riferisce?
Per implementare un assistente virtuale su misura, un system integrator deve fare scelte fondamentali che rispondano ai requisiti specifici di ogni use case. Ogni decisione tecnologica influisce, infatti, su costi, qualità e tempi di implementazione.
Per fare qualche esempio:
La scelta tra on-Premises e Cloud.
Se l’azienda ha esigenze di privacy elevate o requisiti specifici di sicurezza (ad esempio, nel settore sanitario o finanziario), allora l'implementazione di un assistente virtuale on-premises può essere preferibile perché offre maggiore controllo sui dati e sulla sovranità. Si parla poi di scelte perché emerge qui la necessità, strategica, di selezionare il giusto hardware e di definire il piano per ottimizzare il carico computazionale e la RAM.
In caso invece di obiettivi specifici dedicati alla scalabilità e alla possibilità di utilizzare modelli pre-addestrati (come quelli offerti da Microsoft, Google), la soluzione cloud sarà la più adatta, perché permette di ridurre i costi di infrastruttura e di adattarsi rapidamente alle fluttuazioni della domanda.
La scelta tra modelli di Linguaggio (SLM vs LLM)
Gli SLM (Supervised Learning Models) vengono utilizzati in scenari più guidati, come assistenti virtuali che devono rispondere a domande molto specifiche o interagire in contesti con dati strutturati (es. FAQ o supporto tecnico). Gli SLM sono infatti più facili da addestrare con set di dati limitati, mediante tecniche Lora e offrono risultati più predicibili.
Gli LLM (Large Language Models) si scelgono invece per use case complessi, dove l'assistente virtuale deve comprendere linguaggio naturale, generare risposte complesse e adattarsi a contesti mutevoli. Sebbene più potenti, richiedono maggiore potenza computazionale e hanno un costo maggiore, ma offrono maggiore flessibilità e adattabilità.
La scelta tra RAG vs Fine-Tuning
In scenari dove l’assistente deve recuperare informazioni da un grande volume di dati (come manuali, documenti o database), il modello RAG (Retrieval-Augmented Generation) è ideale perché consente al sistema di cercare informazioni pertinenti e poi generare risposte più accurate.
Se l’assistente deve essere altamente specializzato su un dominio (es. supporto tecnico specifico per un prodotto), il fine-tuning su modelli pre-addestrati è una scelta migliore. Questa tecnica personalizza il modello per rispondere con maggiore precisione e contestualizzazione alle domande del cliente.
La scelta tra Modelli di Reasoning e GPT Classici
Se l’assistente virtuale deve risolvere problemi complessi, come prendere decisioni logiche o supportare l’analisi critica (ad esempio, assistenti per la diagnostica o per la pianificazione strategica), i modelli di reasoning (come i modelli simbolici o ibridi) sono più adatti perchè sono in grado di comprendere le relazioni tra concetti e ragionare su scenari.
I modelli GPT, come GPT-3 e GPT-4, sono invece ideali per generare risposte naturali e fluide, ma non sono ottimizzati per compiti che richiedono ragionamenti logici complessi. Sono quindi più adatti a scenari di customer care o chatbot generali, dove l’obiettivo è interagire in modo naturale e fluido.
La scelta tra Scalabilità e Ottimizzazione dei Costi
La scelta delle tecnologie deve sempre considerare anche costi e performance. Le soluzioni basate su cloud (soprattutto in modelli SaaS) sono generalmente più economiche in termini di infrastruttura e gestione, poiché il provider gestisce la scalabilità. Tuttavia, la scelta tra fine-tuning e RAG dipende dal trade-off tra precisione (fine-tuning) e efficienza nella gestione di grandi volumi di dati (RAG).
