In questa directory ci sono 132 aziende elencate sotto la voce soluzioni AI personalizzate, e non vendono la stessa cosa. Una configurerà una piattaforma che avreste potuto comprare da soli e vi fatturerà la configurazione. Un'altra costruirà un livello di retrieval sopra documenti che il vostro stesso personale non riesce a trovare. Una terza farà il fine-tuning di un modello sui vostri dati etichettati. Una quarta affronterà un problema di ricerca in cui nessuno dei coinvolti sa in partenza se la cosa sia possibile. Sono quattro mestieri distinti, con quattro insiemi di competenze, quattro curve di costo e quattro modi diversi di fallire, e la formula sul sito web è identica in tutti e quattro i casi.
Questa ambiguità costa cara in una direzione precisa. Chi compra paga abitualmente per il quarto mestiere quando sarebbe bastato il primo, perché il quarto suona più serio in un consiglio di amministrazione. Nessuno è mai stato licenziato per aver commissionato un lavoro originale. L'errore opposto, comprare una configurazione quando il problema richiede davvero nuova modellazione, emerge più in fretta e fa meno male, perché il fornitore esaurisce i margini di manovra nel giro di un trimestre e il denaro è ancora in gran parte sul vostro conto.
Che cosa descrive davvero l'espressione soluzioni AI personalizzate
Ordinate il lavoro in base a ciò che di nuovo esiste alla fine, e i quattro mestieri si separano nettamente.
| Che cosa c'è di nuovo alla fine | Che cosa state comprando | Quando è la risposta giusta | Che cosa deve consegnarvi la prima fase |
|---|---|---|---|
| Niente. Configurazione. | La piattaforma di qualcun altro, impostata sul vostro processo e collegata ai vostri sistemi | Un compito comune in cui l'elemento distintivo è il vostro flusso di lavoro, non i vostri dati | Una configurazione funzionante nel vostro tenant e la documentazione per modificarla senza il fornitore |
| Un livello di retrieval | I vostri documenti e archivi resi interrogabili da un modello generalista | La conoscenza esiste dentro l'azienda e il personale non riesce a trovarla in fretta | Un set di valutazione fatto di domande reali con risposte valutate, prima che venga costruita qualsiasi interfaccia |
| Un modello con fine-tuning | Un modello generalista adattato alle vostre etichette, al vostro formato o al linguaggio del vostro settore | Il formato dell'output o il vocabolario di settore contano più della capacità pura, su grandi volumi | Un confronto misurato con il modello senza fine-tuning sullo stesso set di test |
| Un sistema inedito | Modellazione o ingegneria che non esiste già pronta a nessun prezzo | Il compito è specifico della vostra fisica, dei vostri sensori o del vostro processo regolamentato | Un esito di fattibilità scritto, comprese le condizioni in cui la risposta è no |
La colonna di destra è la parte utile di questa tabella. Un'azienda che non sa descrivere in questi termini il primo deliverable non ha mai fatto quel lavoro, qualunque riga rivendichi.
Una domanda basta a classificare la maggior parte dei brief in una sola riunione
Chiedete che cosa esiste già che faccia il settanta per cento di questo lavoro, poi chiedete perché il restante trenta per cento non possa essere una modifica di processo.
Entrambe le metà contano. La prima intercetta l'errore costoso, perché un'azienda seria nominerà i due o tre prodotti che coprono la maggior parte del vostro problema e spiegherà dove si fermano. Un'azienda che sostiene che non esista nulla o ignora il proprio mercato o conta sul fatto che lo ignoriate voi. La seconda metà intercetta l'errore più sottile, cioè costruire un sistema per automatizzare un passaggio che non dovrebbe esistere affatto. Molti progetti di estrazione di dati da documenti esistono perché un modulo è stato progettato male undici anni fa, e correggere il modulo costa meno che insegnare a un modello a leggere quel disordine.
La risposta vi dice anche in quale dei quattro mestieri vi trovate. Se il settanta per cento è coperto e la lacuna è l'integrazione, vi serve la conversazione sull'integrazione AI, non un progetto di modellazione. Se nulla lo copre perché i dati sono soltanto vostri, siete nella riga tre o quattro e la conversazione sul budget cambia forma.
Quattro test che decidono tra costruire e configurare
- I dati possono uscire, ed esistono già? Non si può fare il fine-tuning di un modello su dati sparsi in quattro sistemi sotto nomi cliente diversi. Prima viene la entity resolution, un lavoro poco appariscente che nessuna proposta vuole mettere in apertura. Dove i dati non possono proprio lasciare il vostro perimetro, quel vincolo determina l'architettura prima che qualcuno scelga un modello.
- Il compito si ripete abbastanza da ammortizzare l'investimento? Una realizzazione su misura ha un costo fisso e un costo di esercizio. Un compito che si presenta duecento volte al giorno ripaga entrambi. Un compito settimanale non ci riesce quasi mai, e una persona con una buona checklist è la risposta corretta più spesso di quanto i fornitori ammettano.
- L'accuratezza è limitata dal modello o dai vostri dati? È una questione che si può decidere in due settimane, e quasi nessuno le spende. Se un modello generalista con un buon retrieval copre già la maggior parte della strada, il tetto sono i vostri dati e un modello con fine-tuning vi dà molto poco. Se il modello generalista fallisce in un modo che più contesto non risolve, allora il fine-tuning ha margine.
- Chi rivede l'output, e che cosa succede quando è sbagliato? Un sistema il cui output viene approvato da un professionista può tollerare tassi di errore che un sistema automatizzato non può permettersi. La capacità di revisione di cui disponete davvero è un vincolo rigido sul progetto, e l'AI Risk Management Framework pubblicato dal NIST è un vocabolario comune ragionevole per affrontare questa discussione con un fornitore che preferirebbe evitarla.
I costi che arrivano dopo la fattura
Un abbonamento nasconde la manutenzione dentro il prezzo. Una realizzazione su misura la manutenzione ve la consegna.
Tre voci in particolare restano fuori dalle prime proposte. La prima è la valutazione: una realizzazione senza un set di test tenuto da parte e una riesecuzione programmata non ha modo di dirvi che è peggiorata, e peggiorerà, perché i vostri dati cambiano e i modelli sottostanti cambiano sotto di voi. La seconda è la dismissione dei modelli. Ogni grande provider ritira le versioni dei modelli secondo un calendario pubblicato, quindi un sistema vincolato a una versione ha una scadenza datata e qualcuno deve farsi carico della migrazione. La terza è la persona. Un sistema su misura ha bisogno, dentro la vostra azienda, di un responsabile che capisca che cosa fa, e se quella persona non è nominata nel piano il sistema smette di godere di fiducia dopo circa otto mesi, senza che nessuno abbia deciso di non fidarsi più.
Niente di tutto questo è un argomento contro il costruire. È un argomento per prezzare il secondo anno insieme al primo, ed è una domanda che vale la pena porre a ogni azienda della vostra rosa.
Cinque cose che una proposta deve contenere
- Un set di test che potete leggere. Esempi reali della vostra attività, con la risposta corretta messa per iscritto, concordati prima che inizi qualsiasi sviluppo. Senza, ogni discussione successiva sulla qualità è questione di opinioni.
- Il confronto con il non fare nulla di sofisticato. Il punteggio che una ricerca per parole chiave, un motore di regole o un prodotto esistente ottengono su quello stesso set di test. Una proposta che non dichiara la baseline nasconde l'entità del guadagno.
- Una condizione di arresto dichiarata. Il risultato che porterebbe l'azienda a raccomandare di abbandonare l'approccio. Il lavoro di ricerca che ne è privo diventa una rendita.
- Gli artefatti di consegna, elencati. Codice, pesi, prompt, il set di valutazione e gli script che lo eseguono, i dati etichettati e il runbook, ciascuno indicato come qualcosa che ricevete e non come qualcosa che potete vedere.
- Il costo del secondo anno, per iscritto. Hosting, inferenza, rivalutazione e la migrazione quando una versione del modello viene ritirata.
Chi possiede il modello, i pesi e i prompt
È qui che il lavoro su misura si distingue più nettamente dall'acquisto di un prodotto, ed è qui che i contratti sono più spesso vaghi. Quattro cose possono avere proprietari diversi: il codice, i pesi addestrati, i prompt con i set di valutazione e i dati etichettati. Un'azienda può consegnarvi codice funzionante tenendosi i pesi, oppure consegnarvi pesi che non potete riaddestrare perché i dati etichettati sono rimasti a lei. Entrambi gli accordi sono comuni e nessuno dei due è disonesto, se viene dichiarato. Quello che non è accettabile è scoprirlo alla fine.
Ponete la domanda nella sua forma più diretta. Se domani smettessimo di lavorare con voi, che cosa ci resta, e possiamo riaddestrarlo senza di voi? La risposta seleziona i fornitori più in fretta di qualsiasi case study. Le aziende che fanno questo lavoro abitualmente hanno una risposta pronta, perché ogni cliente serio l'ha chiesto.
Come fare una rosa di candidati senza sprecare sei settimane
Scrivete il perimetro una volta sola, in una pagina, includendo il set di test e la baseline. Poi mandate la stessa pagina a tre aziende di righe diverse di quella tabella e confrontate ciò che torna indietro. Preventivi per soluzioni AI personalizzate che differiscono di un fattore cinque significano di solito che le aziende hanno letto il brief come mestieri diversi, ed è l'informazione più utile che un preventivo possa darvi.
Per la ricerca dei fornitori, la categoria soluzioni AI personalizzate è il punto di partenza ovvio, e vale la pena leggere anche ML e data science per il lavoro sui modelli con fine-tuning e AI generativa quando l'output è un contenuto anziché una previsione. Le aziende la cui forza sta nel collegare le cose più che nel costruirle si trovano in integrazione AI, e gli incarichi che partono dalla strategia in consulenza strategica sull'AI. L'elenco completo è nella directory, e per città se volete persone che vengano in sede, con San Francisco, New York e Atlanta che oggi hanno gli elenchi più ricchi.
Due articoli complementari meritano dieci minuti prima di inviare qualsiasi cosa. Che cosa comprare e come affronta la stessa decisione per ogni categoria, e la checklist per chi ingaggia un'agenzia per la prima volta tratta le questioni contrattuali che questo articolo si limita a sfiorare. Se la realizzazione che state valutando è un'interfaccia di chat sui vostri documenti, lo sviluppo di GPT personalizzati è la versione più ristretta della riga due. Se è un problema di dati e modellazione, la consulenza AI e ML spiega che cosa contiene quell'incarico, e i servizi di sviluppo AI trattano la consegna. Le organizzazioni più grandi dovrebbero leggere come scegliere un'azienda di AI enterprise, e chi sta valutando se serva davvero un partner continuativo dovrebbe leggere quando una sola persona è sufficiente.
Se la parte su cui siete bloccati è la stesura del perimetro, descrivete il problema qui e la directory restituirà le aziende le cui schede corrispondono. Le agenzie che realizzano questo tipo di lavoro e non sono ancora in elenco possono aggiungere un profilo.
Fonti e approfondimenti
I conteggi delle schede citati in questo articolo sono ricavati dalle pagine di categoria di questa directory e cambiano man mano che si aggiungono agenzie. Per un quadro più ampio su dove si trovi realmente l'adozione, l'AI Index di Stanford HAI e la Business Trends and Outlook Survey dello US Census Bureau pubblicano entrambi regolarmente sul tema, e l'indagine del Census ha il vantaggio di interrogare direttamente le imprese anziché i fornitori. MIT Sloan Management Review pubblica la copertura più costante sul perché questi progetti si arenano dopo un pilota. L'AI Risk Management Framework del NIST è il riferimento per le questioni di revisione e supervisione trattate sopra.