Le applicazioni basate sull’intelligenza artificiale possono essere più o meno utili per gli utenti finali, di certo sono diventate molto semplici da sviluppare grazie a quello che viene definito come MaaS o Model-as-a-Service. Si tratta di una modalità che fornisce modelli di base AI pre-addestrati come servizio per alimentare le applicazioni. La maggior parte degli sviluppatori desidera evitare la formazione, l’hosting e la gestione di modelli di intelligenza artificiale per potenziare le proprie app, visto che le stesse difficoltà di implementazione potrebbero portare all’abbandono di un’idea applicativa.
Il MaaS semplifica l’utilizzo dei modelli di machine learning già addestrati per i requisiti applicativi senza i costi legati allo sviluppo del modello. Consente alle startup di concentrarsi sulle loro applicazioni principali piuttosto che sviluppare modelli in modo indipendente.
Costi inferiori e vantaggi per gli utenti
Addestrare e implementare modelli di intelligenza artificiale è un gioco diverso rispetto alla selezione tra quelli già disponibili, come Microsoft Phi-3, Gemini di Google, ChatGPT di OpenAI, Llama 3 di Meta e altri. Il MaaS è inoltre diverso dallo IaaS (infrastruttura come servizio), dove il servizio è l’infrastruttura non il codice. Al massimo, possiamo paragonarlo alle offerte cloud, con la differenza che il Model-as-Service fornisce ai prodotti complesse capacità di apprendimento automatico anziché un hosting e poco più.
In principio fu Microsoft
Microsoft ha introdotto il suo programma MaaS nel 2023, inizialmente solo con Llama 2 e Mistralv7B di Meta, ampliando poi il catalogo con Cor42 JAIS e TimeGen 1 di Nixtila, Stability AI e Cohere.
Ma non è solo Microsoft: Alibaba Cloud, la spina dorsale tecnologica di Alibaba Group Holdings, offre servizi MaaS attraverso la sua piattaforma ModelScope per diversi modelli open source. È stato lanciato un anno fa e dispone di 300 modelli di intelligenza artificiale pronti all’uso per sviluppatori e ricercatori. Le offerte di ModelScope coprono un’intera gamma di modelli di intelligenza artificiale, dalla PNL (elaborazione del linguaggio naturale) alla visione artificiale. Anche Tencent, il più grande editore di videogiochi al mondo, ha lanciato lo scorso anno una piattaforma MaaS.
Il suo amministratore delegato e vicepresidente esecutivo senior, Dowson Tong, alla Conferenza mondiale sull’intelligenza artificiale a Shanghai, ha affermato: “Sfruttando questi modelli di capacità, i partner possono facilmente creare i propri modelli esclusivi aggiungendo i propri dati unici. Attraverso l’implementazione privatizzata, il controllo delle autorità e la crittografia dei dati, diamo priorità alla protezione dei dati per gli utenti aziendali, garantendo un utilizzo del modello sicuro e affidabile”. Tencent Cloud MaaS offre modelli di intelligenza artificiale pre-addestrati per un’ampia gamma di settori aziendali diversi, tra cui media, finanza, sanità e istruzione.
Qualche giorno fa, Microsoft ha annunciato il MaaS all’interno del suo Azure AI Studio, volto a semplificare l’implementazione di modelli di intelligenza artificiale per gli sviluppatori. Questo servizio offre un approccio semplificato, per aggirare le consuete complessità associate all’implementazione dei modelli AI. Con l’accesso a un catalogo curato di modelli IA, gli sviluppatori possono attivare e utilizzare i modelli con facilità, riducendo significativamente le barriere tecniche.
Meno implementazione, addio DevOps?
Sebbene sia teoricamente possibile sostituire parte della codifica informatica più elementare con l’intelligenza artificiale, livelli più elevati di competenza umana mantengono ancora la loro posizione e probabilmente lo faranno per un periodo di tempo indefinito. In effetti, l’AI può aiutare gli ingegneri a risparmiare tempo, proprio come i computer e i software specializzati aiutano contabili, manager e altre professioni rispetto. Ma DevOps è composto da due parti: Dev + Ops . E la parte operativa?
In una definizione classica, gli specialisti Ops in genere lavorano più vicino a particolari applicazioni di settore e infrastrutture IT. Il loro lavoro prevede riparazioni e aggiornamenti dell’hardware, coordinamento con altri dipartimenti, specialisti del controllo qualità e altri per aumentare l’efficienza e stabilire le migliori pratiche. È importante tenere presente che le operazioni IT nel contesto di DevOps non sono le stesse delle operazioni IT tradizionali. In DevOps non esiste un ruolo Ops tradizionale di per sé, quindi sia Dev che Site Reliability Engineers (SRE) possono condividere le responsabilità operative. Con l’emergere di questa tendenza, gli specialisti DevOps sono diventati altamente qualificati nell’esecuzione di compiti operativi utilizzando nuovi strumenti e procedure come l’integrazione continua/consegna continua (CI/CD) che le operazioni operative tradizionali non utilizzavano.
Con l’attuale livello di hardware e software diagnostici utilizzati dai moderni macchinari industriali e dalle infrastrutture tecnologiche, l’intelligenza artificiale potrebbe analizzare i dati e suggerire (forse anche eseguire) alcuni piccoli aggiustamenti. Ma man mano che saliamo la scala delle competenze, incontriamo la stessa situazione di Dev. Allo stato attuale, l’intelligenza artificiale si imbatte in problemi complessi, domande che richiedono soluzioni non convenzionali e, soprattutto, nella definizione di obiettivi e priorità aziendali.
Espansione della libreria di modelli AI
Ad oggi, l’offerta MaaS vanta oltre 1.600 modelli IA, che coprono una vasta gamma di funzionalità. Le recenti aggiunte a questa libreria includono TimeGen-1 di Nixtila e Core42 JAIS, con ulteriori espansioni previste, tra cui AI21, Bria AI, Gretel Labs, NTT Data, Stability AI e Cohere.
Il framework MaaS è progettato per essere altamente inclusivo, consentendo agli sviluppatori di utilizzare modelli di intelligenza artificiale per l’inferenza e la messa a punto su base pay-as-you-go. Ciò elimina la necessità di un’interazione diretta con l’hardware sottostante o di una configurazione estesa, rendendo il processo di implementazione dell’intelligenza artificiale più accessibile. Seth Juarez, il principale program manager di Microsoft per la piattaforma AI, sottolinea che questo servizio elimina gli intricati dettagli dell’implementazione, così che gli sviluppatori possano concentrarsi sugli aspetti creativi dei loro progetti.
Sebbene il modello MaaS sia progettato per essere altamente flessibile, Microsoft riconosce che alcuni modelli specializzati o unici potrebbero non adattarsi a questo quadro a causa dei loro requisiti specifici.
Trovare l’LLM per ogni esigenza
Quando gli sviluppatori hanno un lavoro particolare che l’intelligenza artificiale può risolvere, in genere non è così semplice come puntare un LLM sui dati. Ci sono altre considerazioni come costi, velocità e precisione e trovare modi per bilanciare tutti questi aspetti è stato particolarmente impegnativo, soprattutto con così tanti nuovi modelli a disposizione. È qui che entra in gioco Unify, una startup britannica, che ha ideato uno strumento per inserire parametri e trovare il miglior LLM per esigenze specifiche.
L’obiettivo principale di Unify è capire quali modelli e quali fornitori siano i migliori per un’azienda, utilizzando benchmark oggettivi e dashboard. Il termine più usato in tal caso è “router”, una sorta di rete neurale che impara quali modelli sono migliori per svolgere determinati compiti. Il router ha una conoscenza di fondo, benchmark esaustivi su ogni nuovo modello che esce sul mercato, sfruttando GPT Pro come “giudice”. L’idea è avere una bilancia equa che consigli sui modelli disponobili, senza preferenze e con estrema equità. Qualcosa che lo scenario odierno, con un business in rapida evoluzione, potrebbe perdere, lasciando spazio ad una piccola oligarchia di fornitori AI.
