La roadmap sull'intelligenza artificiale per gli operatori: dai prompt ai motori di previsione - Presentata da 4 Elements Hospitality

La maggior parte degli operatori del settore delle attrazioni si colloca in uno dei due schieramenti: o l’IA è qualcosa che non hanno ancora sperimentato, oppure la utilizzano quotidianamente e si chiedono in silenzio se abbiano costruito su fondamenta instabili o su fondamenta destinate a durare nel tempo. Questa sessione è pensata per entrambi.

Inizieremo con la storia dell’IA, che ha origini più remote di quanto la maggior parte delle persone creda: decenni di progressi graduali, seguiti da un’improvvisa irruzione nella vita quotidiana. È proprio questo andamento il motivo per cui il ritmo non sta rallentando in questo momento

Poi la mappa degli strumenti per livello: Livello principiante: sapere quale strumento aprire il lunedì mattina per quale attività. Utenti avanzati: cogliere quell’aspetto che la maggior parte delle persone tralascia, ovvero il panorama dei modelli stesso: modelli linguistici, modelli di ragionamento, modelli di visione, modelli vocali e modelli di previsione. Ciascuno risolve un problema diverso, e l’errore più comune e costoso in questo settore è indirizzare un chatbot verso un problema di matematica.

Passiamo ora all’analisi di un progetto reale. La chef Nicole illustra un sistema di previsione basato sull’IA e di procedure operative standard (SOP) che ha guidato un team di sviluppo a realizzare per un’attività nel settore della ristorazione. Una previsione accurata fa la differenza tra indovinare un ordine e la preparazione e conoscerli con certezza. Questa sessione mostra un modello di previsione che svolge questo lavoro in un’attività reale, dando alla direzione più tempo per prendersi cura del proprio personale.

I partecipanti torneranno a casa con una mappa di selezione dei modelli, un framework per i prompt e un quadro realistico di ciò che comporta effettivamente l’implementazione

Obiettivi formativi:

1. Identificare ciò che va oltre i chatbot, inclusi i modelli di visione, i modelli di embedding e i modelli di previsione, e riconoscere quale problema operativo risolve ciascuno di essi.

2. Applicare un framework di prompt ripetibile al lavoro quotidiano, in modo che l’output risulti utilizzabile fin da subito, senza doverlo riscrivere.

3. Delineare cosa serve per trasformare l’IA da strumento di uso occasionale a sistema operativo, compresi i dati da cui dipende, i punti in cui l’intervento umano rimane parte integrante del processo e i punti di controllo che garantiscono l’affidabilità dei risultati.