Un approccio inedito all'addestramento degli agenti AI

Boston Consulting Group (BCG) sta esplorando una metodologia di addestramento per i suoi agenti AI che si discosta dalle pratiche convenzionali. L'agente, denominato Jamie, è progettato per supportare le attività di vendita e, a differenza di molti sistemi che si concentrano esclusivamente sull'emulazione dei successi, Jamie viene istruito anche su ciò che non funziona. Questo approccio "negativo" all'apprendimento rappresenta una svolta significativa nel modo in cui le aziende cercano di ottimizzare le performance dei Large Language Models (LLM) e degli agenti autonomi in contesti critici come le vendite.

Tradizionalmente, i modelli di intelligenza artificiale vengono alimentati con esempi positivi e di successo, con l'obiettivo di replicare i risultati desiderati. Tuttavia, l'esperienza umana insegna che imparare dagli errori è altrettanto cruciale, se non di più, per lo sviluppo di competenze robuste. BCG sta applicando questo principio all'AI, fornendo a Jamie un dataset che include non solo le trascrizioni delle chiamate, i modelli di engagement e le abitudini conversazionali dei venditori più performanti, ma anche quelle dei comportamenti che si sono rivelati inefficaci.

L'importanza dei dati negativi nel Fine-tuning degli LLM

L'addestramento di un LLM o di un agente AI con dati che illustrano "cosa non fare" è un esempio di Fine-tuning avanzato che può portare a modelli più resilienti e meno inclini a errori. Nel contesto degli LLM, la qualità e la diversità del dataset di addestramento sono fattori determinanti per la capacità del modello di generare risposte pertinenti e utili. Includere esempi di fallimento può aiutare l'AI a sviluppare una comprensione più sfumata delle dinamiche interattive, permettendole di identificare e correggere proattivamente traiettorie conversazionali che potrebbero portare a risultati indesiderati.

Questo tipo di curatela dei dati è particolarmente rilevante per le organizzazioni che considerano il deployment di LLM in ambienti self-hosted o air-gapped. La capacità di controllare e arricchire i dataset di addestramento con informazioni proprietarie, inclusi scenari di successo e insuccesso specifici dell'azienda, è fondamentale per garantire che il modello sia allineato con gli obiettivi strategici e i requisiti di compliance. La gestione interna di questi processi offre maggiore sovranità sui dati e permette un'ottimizzazione mirata, riducendo la dipendenza da modelli generici o da servizi cloud esterni che potrebbero non offrire lo stesso livello di personalizzazione e controllo.

Implicazioni per il deployment on-premise e la sovranità dei dati

L'approccio di BCG sottolinea un aspetto cruciale per le aziende che valutano l'adozione di soluzioni AI: la qualità e la specificità del training data. Per i CTO e gli architetti infrastrutturali che considerano il deployment di LLM on-premise, la raccolta, l'etichettatura e la gestione di dataset così dettagliati richiedono investimenti significativi in termini di risorse computazionali e di storage. L'addestramento di modelli complessi, specialmente con dataset ampi e diversificati che includono esempi "negativi", può richiedere GPU di fascia alta con elevata VRAM e una pipeline di dati robusta.

La possibilità di addestrare un agente come Jamie con dati proprietari e sensibili, mantenendo il controllo completo sull'infrastruttura e sui processi, è un fattore chiave per la sovranità dei dati. Questo è particolarmente vero in settori regolamentati dove la compliance e la sicurezza delle informazioni sono prioritarie. Per chi valuta deployment on-premise, esistono trade-off tra il costo iniziale (CapEx) dell'hardware e il TCO a lungo termine, che include anche i costi operativi per la gestione e l'aggiornamento dei dataset di addestramento. AI-RADAR offre framework analitici su /llm-onpremise per valutare questi trade-off, fornendo strumenti per decisioni informate.

Prospettive future per l'AI comportamentale

L'iniziativa di BCG con Jamie evidenzia una tendenza emergente nello sviluppo dell'AI: la creazione di agenti non solo capaci di eseguire compiti, ma anche di apprendere da un'ampia gamma di esperienze, inclusi gli insuccessi. Questo tipo di addestramento "anti-pattern" potrebbe portare a sistemi più robusti, capaci di navigare situazioni complesse con maggiore discernimento e di adattarsi meglio a scenari imprevisti.

L'applicazione di questa metodologia non si limita al settore delle vendite; potrebbe estendersi a qualsiasi dominio in cui l'AI interagisce con utenti o sistemi, dalla customer service alla gestione operativa. La capacità di un LLM di comprendere e internalizzare ciò che non funziona è un passo avanti verso un'intelligenza artificiale più sofisticata e affidabile, riducendo le "allucinazioni" e migliorando l'affidabilità complessiva, un aspetto fondamentale per l'adozione enterprise su larga scala.