Panoramica della tecnologia di intelligenza artificiale

L'intelligenza artificiale è un set di tecnologie che consentono ai computer di percepire, apprendere, ragionare, generare contenuto ed eseguire stime. Questo articolo offre una panoramica dei concetti di intelligenza artificiale, delle piattaforme di sviluppo e dei modelli di architettura per semplificare la progettazione di carichi di lavoro di intelligenza artificiale in Azure. Incorporare l'intelligenza artificiale nelle applicazioni per eseguire funzioni o prendere decisioni che la logica tradizionale o l'elaborazione non possono gestire in modo efficace. In qualità di architetto che progetta soluzioni, è necessario comprendere l'intelligenza artificiale e il panorama di Machine Learning e come integrare Azure soluzioni nella progettazione del carico di lavoro.

Integrare l'intelligenza artificiale nei carichi di lavoro di Azure

Azure Architecture Center fornisce architetture di esempio, guide all'architettura, linee di base architetturali e idee da applicare allo scenario. I carichi di lavoro che implementano casi d'uso di IA generativa o discriminativa devono seguire le linee guida di Azure Well-Architected Framework Carichi di lavoro di IA in Azure. Queste linee guida includono principi e guide alla progettazione che influenzano i carichi di lavoro di intelligenza artificiale e machine learning nei pilastri dell'architettura affidabilità, sicurezza, ottimizzazione dei costi, eccellenza operativa e efficienza delle prestazioni.

I tipi di carico di lavoro seguenti non rientrano nell'ambito per le linee guida di Azure Well-Architected Framework:

  • Carichi di lavoro di intelligenza artificiale a basso codice e senza codice, ad esempio soluzioni create con Microsoft Copilot Studio. Per indicazioni sull'architettura su questi carichi di lavoro, vedere Microsoft Copilot Studio architetture di riferimento e idee sulle soluzioni.

  • Carichi di lavoro HPC (High Performance Computing). Per indicazioni sull'architettura su HPC, vedere HPC in Azure.

  • Carichi di lavoro che non implementano casi d'uso generativi o discriminanti di intelligenza artificiale, ad esempio l'analisi tradizionale o l'automazione basata su regole.

Concetti relativi all'intelligenza artificiale

I concetti di intelligenza artificiale includono un'ampia gamma di tecnologie e metodologie usate dai computer per eseguire attività che richiedono in genere l'intelligenza umana. Le sezioni seguenti forniscono una panoramica dei concetti chiave relativi all'intelligenza artificiale.

Algoritmi

Gli algoritmi o gli algoritmi di Machine Learning sono parti di codice che consentono di esplorare, analizzare e trovare significato in set di dati complessi. Ogni algoritmo è un set finito di istruzioni dettagliate non ambigue che un computer può seguire per raggiungere un obiettivo specifico. L'obiettivo di un modello di Machine Learning è stabilire o individuare modelli che gli esseri umani possono usare per eseguire stime o classificare le informazioni. Un algoritmo può descrivere come controllare se un animale domestico è un gatto, un cane, un pesce, un uccello o una lucertola. Un algoritmo più complesso potrebbe descrivere come identificare una lingua scritta o parlata, analizzarne le parole, convertirle in una lingua diversa e quindi verificare la precisione della traduzione.

Scegliere una famiglia di algoritmi più adatta alle proprie attività. Valutare i diversi algoritmi all'interno della famiglia per trovare la soluzione appropriata per il carico di lavoro. Per altre informazioni, vedere Che cosa sono gli algoritmi di Machine Learning? nel dizionario Microsoft cloud computing.

Apprendimento automatico

Machine Learning è una tecnica di intelligenza artificiale che usa algoritmi per creare modelli predittivi. Questi algoritmi analizzano i campi dati e imparano dai modelli all'interno dei dati per generare modelli. I modelli possono quindi prendere stime o decisioni informate in base ai nuovi dati.

I modelli predittivi vengono convalidati in base ai dati noti, misurati dalle metriche delle prestazioni per scenari aziendali specifici e quindi modificati in base alle esigenze. Questo processo di apprendimento e convalida è detto training. Grazie alla ripetizione periodica del training, i modelli di Machine Learning migliorano nel tempo.

Nella progettazione del carico di lavoro è possibile usare l'apprendimento automatico se lo scenario include osservazioni precedenti che stimano in modo affidabile le situazioni future. Queste osservazioni potrebbero essere verità universali, come la visione artificiale che distingue un tipo di animale da un altro. Oppure queste osservazioni potrebbero essere specifiche per la situazione, ad esempio visione artificiale che rileva un potenziale errore di assemblaggio sulle linee di assemblaggio in base ai dati di richiesta di garanzia precedenti.

Per altre informazioni, vedere Che cos'è l'apprendimento automatico? nel dizionario Microsoft cloud computing.

Apprendimento Profondo (Deep Learning)

deep learning è un tipo di Machine Learning che può apprendere tramite la propria elaborazione dei dati. Come l'apprendimento automatico, usa anche algoritmi per analizzare i dati. Analizza tuttavia i dati usando reti neurali artificiali con molti input, output e livelli di elaborazione. Ogni livello può elaborare i dati in modo diverso. L'output di un livello diventa l'input per il successivo. Il Deep Learning usa questo processo per creare modelli più complessi rispetto a quelli che l'apprendimento automatico tradizionale può creare.

Il Deep Learning richiede un grande investimento per generare modelli esplorativi o altamente personalizzati. È possibile prendere in considerazione altre soluzioni in questo articolo prima di aggiungere deep learning al carico di lavoro.

Per altre informazioni, vedere Informazioni sull'apprendimento avanzato nel dizionario Microsoft cloud computing.

Intelligenza artificiale generativa

L'intelligenza artificiale generativa esegue il training di modelli per generare contenuto originale in base a molte forme di contenuto, tra cui linguaggio naturale, visione artificiale, audio o input di immagine. L'intelligenza artificiale generativa consente di descrivere un output desiderato in linguaggio quotidiano e il modello risponde creando testo, immagine e codice appropriati. Esempi di applicazioni di intelligenza artificiale generative includono Microsoft 365 Copilot e Microsoft Foundry.

  • Microsoft 365 Copilot è principalmente un'interfaccia utente che consente di scrivere codice, documenti e altro contenuto basato su testo. Si basa su modelli diffusi di OpenAI e Anthropic ed è integrato in un'ampia gamma di applicazioni e esperienze utente Microsoft.

  • Microsoft Foundry è una piattaforma di sviluppo distribuita come servizio (PaaS) che fornisce l'accesso all'hosting dell'agente e a un catalogo di modelli linguistici da OpenAI, Anthropic, Microsoft, xAI e altri provider. Per la disponibilità attuale dei modelli, consultare il catalogo dei modelli di Microsoft Foundry.

Modelli linguistici

I modelli linguistici sono un subset di intelligenza artificiale generativa che si concentrano sulle attività di elaborazione del linguaggio naturale, ad esempio la generazione di testo e l'analisi del sentiment. Questi modelli rappresentano il linguaggio naturale in base alla probabilità di parole o sequenze di parole che si verificano in un determinato contesto.

I ricercatori usano modelli linguistici convenzionali in impostazioni supervisionate a scopo di ricerca. Questi modelli vengono sottoposti a training su set di dati di testo ben etichettati per attività specifiche. I modelli linguistici con training preliminare offrono un modo semplice per iniziare a usare l'intelligenza artificiale. Sono più ampiamente usati negli ultimi anni. Questi modelli vengono sottoposti a training su raccolte di testo su larga scala da Internet tramite reti neurali di Deep Learning. Ottimizzarli in set di dati più piccoli per attività specifiche.

Il numero di parametri o pesi determina le dimensioni di un modello linguistico. I parametri influenzano il modo in cui il modello elabora i dati di input e genera un output. Durante il training, il modello regola i pesi per ridurre al minimo la differenza tra le stime e i dati effettivi. Questo processo illustra come il modello apprende i parametri. Maggiore è il numero di parametri di un modello, più complesso ed espressivo è. Ma è anche più oneroso dal punto di vista computazionale addestrare e utilizzare.

I modelli linguistici di piccole dimensioni hanno in genere meno di 10 miliardi di parametri e i modelli linguistici di grandi dimensioni hanno più di 10 miliardi di parametri. Ad esempio, la famiglia di modelli Microsoft Phi include modelli di piccole dimensioni progettati per l'efficienza e l'efficacia dei costi e la famiglia continua ad espandersi con nuove varianti per ragionamento,multidimensionale e altre attività. Per i nomi, le dimensioni e le funzionalità dei modelli correnti, vedere il catalogo dei modelli Foundry.

Copiloti

Microsoft 365 Copilot si integra con un'ampia gamma di applicazioni e esperienze utente Microsoft. Si basa su un'architettura aperta in cui gli sviluppatori non Microsoft possono creare plug-in personalizzati per estendere o personalizzare l'esperienza utente usando Microsoft 365 Copilot. Gli sviluppatori partner possono anche creare i propri agenti usando la stessa architettura aperta.

Per ulteriori informazioni, vedi le seguenti risorse:

Generazione aumentata dal recupero

La generazione di recupero aumentata (RAG) è un modello di architettura che aumenta le funzionalità di un modello linguistico, ad esempio ChatGPT, sottoposto a training solo sui dati pubblici. Usare questo modello per aggiungere un sistema di recupero che fornisca dati di base pertinenti nel contesto con la richiesta dell'utente. Un sistema di recupero delle informazioni fornisce il controllo sui dati di base usati da un modello linguistico quando formula una risposta. L'architettura RAG consente di definire l'ambito dell'intelligenza artificiale generativa ai contenuti originati da documenti, immagini e altri formati di dati vettorializzati. Rag non è limitato all'archiviazione di ricerca vettoriale. RAG supporta qualsiasi tecnologia di archivio dati.

Per altre informazioni, vedere Progettare e sviluppare una soluzione RAG e Scegliere un servizio di Azure per la ricerca vettoriale. Usa le knowledge base di Foundry IQ come dati di grounding per gli agenti Microsoft Foundry, con un approccio chiavi in mano a RAG.

Ingegneria del contesto

La progettazione del contesto è la pratica di progettazione di come selezionare, definire l'ambito e il contesto della struttura, ad esempio documenti recuperati, cronologia conversazioni, output degli strumenti, istruzioni di sistema e dati aziendali, in modo che un modello di intelligenza artificiale possa produrre output affidabili e pertinenti. RAG affronta il recupero dei dati con ancoraggio alle fonti, mentre l’ingegneria del contesto è la disciplina architetturale più ampia che governa l’input che il modello riceve e la forma in cui tale input viene fornito.

Nelle architetture di intelligenza artificiale moderne, in particolare nelle soluzioni di intelligenza artificiale basate su agenti e generative, il contesto è un elemento di progettazione fondamentale. I modelli hanno conoscenze predefinite limitate e nessuna conoscenza intrinseca dei dati o dei flussi di lavoro specifici dell'azienda. Le architetture efficaci includono pipeline di recupero delle informazioni, archivi di memoria, integrazioni con strumenti, meccanismi di controllo e gestione dei prompt per fornire il contesto giusto al momento giusto. Senza la progettazione intenzionale del contesto, le architetture sono soggette a errori, risposte non aggiornati e esposizione imprevista dei dati sensibili.

Architettura basata su agente

Un agente di intelligenza artificiale è un sistema che usa un modello linguistico per decidere quali azioni eseguire, quali strumenti chiamare e come sequenziare i passaggi per completare un'attività. A differenza di un'integrazione di intelligenza artificiale standard in cui il codice dell'applicazione controlla il flusso di lavoro, un agente determina in modo autonomo i propri percorsi di esecuzione. Questa autonomia rende gli agenti adatti per attività complesse e multistep che richiedono processi decisionali dinamici.

L'architettura multi-agente consente di suddividere i problemi complessi in agenti specializzati che coordinano per produrre una soluzione. Per coordinare più agenti in scenari di intelligenza artificiale complessi, vedere Modelli di orchestrazione dell'agente di intelligenza artificiale.

Azure offre due strumenti complementari per la creazione di architetture basate su agenti:

  • Microsoft Agent Framework è un SDK code-first per la compilazione di agenti e flussi di lavoro multi-agente. Fornisce il modello di programmazione per definire il comportamento dell'agente, l'integrazione degli strumenti e la logica di orchestrazione.

  • Foundry Agent Service ospita agenti definiti dall'utente. Questi agenti si connettono a un modello di base nel catalogo dei modelli di intelligenza artificiale e, facoltativamente, alle proprie API o archivi conoscenze personalizzati. È possibile definire questi agenti in modo dichiarativo o Microsoft Foundry può inserirli in contenitori e ospitarli.

Strumenti di fonderia

Foundry Tools sono modelli di intelligenza artificiale predefiniti e personalizzabili, nonché API che aggiungono funzionalità intelligenti alle applicazioni. I casi d'uso includono l'elaborazione del linguaggio naturale, la ricerca, la traduzione, il parlato, la visione e il processo decisionale. Usare gli strumenti Foundry per aggiungere intelligenza artificiale alle applicazioni senza compilare ed eseguire il training di modelli personalizzati.

Per ulteriori informazioni, vedi Scegli una tecnologia di Foundry Tools.

Modelli linguistici di intelligenza artificiale

Azure fornisce l'accesso ai modelli linguistici tramite più servizi e opzioni di distribuzione. Per una spiegazione di base dei modelli linguistici e del relativo funzionamento, vedere Modelli linguistici. Questa sezione illustra i modelli disponibili in Azure e i fattori architetturali che influenzano la selezione e l'hosting dei modelli.

  • Azure OpenAI fornisce l'accesso api gestito ai modelli OpenAI, tra cui le mini famiglie o3, o4-mini, GPT-4.1, GPT-4o e GPT-4o. Questi modelli supportano la generazione di contenuti, il riepilogo, il ragionamento, la comprensione delle immagini, la ricerca semantica e la traduzione da linguaggio naturale a codice. Azure OpenAI gestisce l'hosting, il ridimensionamento e il filtro del contenuto. Supporta l'integrazione della rete virtuale e l'autenticazione Microsoft Entra ID.

    Per la disponibilità attuale dei modelli per area geografica, consulta modelli Azure OpenAI.

  • Foundry Models offre un catalogo di più di 1.900 modelli di Microsoft, OpenAI, DeepSeek, Meta, Hugging Face e altri provider. Il catalogo include modelli di base, modelli di ragionamento, modelli linguistici di piccole dimensioni, modelli multilingue e modelli specifici del dominio. È possibile confrontare, valutare, ottimizzare e distribuire i modelli direttamente dal catalogo.

  • I modelli Phi sono modelli linguistici di piccole dimensioni che Microsoft offerte. I modelli linguistici di piccole dimensioni sono meno a elevato utilizzo di calcolo rispetto ai modelli di grandi dimensioni e possono essere più efficienti, interpretabili e convenienti per le attività di destinazione. A seconda delle dimensioni del modello, è possibile ospitare modelli linguistici di piccole dimensioni all'interno del processo o sulle stesse risorse di calcolo del client, riducendo la latenza e semplificando l'architettura.

Considerazioni sulla selezione del modello

Quando si seleziona un modello linguistico per il carico di lavoro, considerare i fattori architetturali seguenti:

  • Topologia di hosting. Azure offre endpoint API gestiti, distribuzioni di modelli serverless, distribuzioni di calcolo gestite e self-hosting basato su contenitori. La scelta influisce sulla latenza, sui costi, sulla residenza dei dati e sulla responsabilità operativa.

  • Dimensioni del modello rispetto ai costi e alla latenza. I modelli più grandi offrono in genere funzionalità più ampie, ma richiedono più calcolo e comportano costi più elevati. I modelli più piccoli possono essere più efficienti per le attività incentrate.

  • Privacy dei dati. Valuta se puoi inviare i tuoi dati a un'API ospitata oppure se requisiti normativi o organizzativi richiedono un'inferenza ospitata internamente.

  • Ottimizzazione e progettazione dei prompt. Stabilisci se il prompt engineering e il RAG sono sufficienti per il tuo caso d'uso o se il fine-tuning di un modello sui tuoi dati offre risultati sensibilmente migliori.

  • Accuratezza e distorsione. Convalidare gli output del modello in base ai requisiti del dominio. Considera strategie di filtraggio dei contenuti, grounding e valutazione per gestire la qualità dell'output.

Piattaforme e strumenti di sviluppo di intelligenza artificiale

Le piattaforme e gli strumenti di sviluppo di intelligenza artificiale seguenti consentono di creare, distribuire e gestire modelli di Machine Learning e intelligenza artificiale.

Azure Machine Learning (Apprendimento Automatico di Azure)

Azure Machine Learning è un servizio di Machine Learning per la creazione e la distribuzione di modelli. Azure Machine Learning fornisce interfacce Web e SDK per eseguire il training e la distribuzione di modelli e pipeline di Machine Learning su larga scala. Usare queste funzionalità con framework Python open source come PyTorch, TensorFlow e scikit-learn.

Per ulteriori informazioni, vedi le seguenti risorse:

Machine Learning automatizzato

Machine Learning automatizzato (AutoML) è il processo di automazione delle attività iterative e dispendiose in termini di tempo dello sviluppo di modelli di Machine Learning. AutoML consente a data scientist, analisti e sviluppatori di creare modelli di Machine Learning con scalabilità elevata, efficienza e produttività, mantenendo al contempo la qualità del modello.

Per ulteriori informazioni, vedi le seguenti risorse:

MLflow

Azure Machine Learning aree di lavoro sono compatibili con MLflow, il che significa che un'area di lavoro Azure Machine Learning funziona allo stesso modo di un server MLflow. Questa compatibilità offre i vantaggi seguenti:

  • Azure Machine Learning non ospita istanze del server MLflow, ma può usare direttamente le API MLflow.

  • Usare un'area di lavoro di Azure Machine Learning come server di rilevamento per qualsiasi codice MLflow, indipendentemente dal fatto che venga eseguito in Azure Machine Learning. È necessario configurare MLflow in modo che punti all'area di lavoro in cui deve verificarsi il rilevamento.

  • Eseguire routine di training che usano MLflow in Azure Machine Learning senza apportare modifiche.

Per altre informazioni, vedere MLflow e Azure Machine Learning e MLflow.

Strumenti di intelligenza artificiale generativi

  • Microsoft Foundry offre una piattaforma che consente di sperimentare, sviluppare e distribuire in modo responsabile app e API di intelligenza artificiale generative. Usare il portale Foundry per trovare gli strumenti Foundry, i modelli di base, un playground e le risorse per ottimizzare, valutare e distribuire i modelli di intelligenza artificiale e gli agenti di intelligenza artificiale.

    Foundry Agent Service ospita agenti definiti dall'utente. Questi agenti si connettono a un modello di base nel catalogo dei modelli di intelligenza artificiale e, facoltativamente, alle proprie API o archivi conoscenze personalizzati. Definite questi agenti in modo dichiarativo oppure lasciate che Microsoft Foundry crei i relativi contenitori e li ospiti.

  • Microsoft Copilot Studio estende Microsoft 365 Copilot. Creare agenti personalizzati per scenari interni ed esterni. Usa un'area di creazione per progettare, testare e pubblicare agenti. Creare conversazioni abilitate per l'intelligenza artificiale generative, fornire un maggiore controllo delle risposte per gli agenti esistenti e accelerare la produttività usando flussi di lavoro automatizzati.

Strumenti di intelligenza artificiale predefiniti

Gli strumenti foundry sono modelli di intelligenza artificiale predefiniti e personalizzabili e API destinate a scenari specifici, ad esempio riconoscimento vocale, traduzione, comprensione della lingua, intelligenza dei documenti, visione e sicurezza dei contenuti. Usarli quando il carico di lavoro necessita di una funzionalità di intelligenza artificiale ben definita e non è necessario progettare, eseguire il training o ospitare manualmente un modello.

Per un elenco dei servizi disponibili organizzati per funzionalità, vedere Scegliere una tecnologia di servizi di intelligenza artificiale.

Contributori

Microsoft gestisce questo articolo. I seguenti collaboratori hanno scritto questo articolo.

Autore principale:

David Hernández Díez | Senior Solution Engineer

Per visualizzare i profili LinkedIn non pubblici, accedere a LinkedIn.

Passaggi successivi

Per continuare a conoscere l'intelligenza artificiale su Azure, esplorare le risorse seguenti:

  • Last updated on