L’adozione della Generative AI nel retail si sta dimostrando una leva concreta per accelerare processi, ottimizzare costi e garantire coerenza di brand nella produzione di contenuti. A testimoniarlo è stata la presentazione di Francesco Battaglieri, senior solution engineer AI & ML di Snowflake, durante l’Artificial Intelligence Talk organizzato dall’Osservatorio Artificial Intelligence del Politecnico di Milano. Nel suo intervento, Battaglieri ha illustrato sfide e opportunità legate allo sviluppo di progetti di intelligenza artificiale generativa, portando l’esempio di un retailer del lusso italiano che ha sperimentato soluzioni per automatizzare la creazione di descrizioni prodotto.
Indice degli argomenti:
Quanto tempo serve per sviluppare un MVP di Generative AI
Il primo punto sollevato da Battaglieri riguarda i tempi di sviluppo di un Minimum Viable Product (MVP) in ambito generativo. Alla domanda su quanto possa servire per costruire un prototipo basato su modelli linguistici di grandi dimensioni, la risposta non è univoca. Come ha spiegato, se si chiede direttamente a diversi Large Language Model, «OpenAI propone almeno una settimana, mentre Gemini di Google indica fino a tre settimane».
Queste stime variano in base all’approccio adottato. Chi decide di sviluppare tutto in-house deve fare i conti con problematiche legate alle infrastrutture, come l’approvvigionamento di GPU e la rapida obsolescenza dell’hardware. Chi invece preferisce affidarsi a servizi cloud esterni si scontra spesso con questioni di compliance e sicurezza legate allo spostamento dei dati.
Due approcci possibili: in-house o cloud
Le strade seguite dalle aziende sono quindi essenzialmente due.
Da un lato c’è chi sceglie di dotarsi di infrastrutture interne, affrontando direttamente i rischi legati ai costi e alla scarsità di hardware.
Dall’altro lato ci sono i progetti che si basano su chiamate a servizi esterni offerti dai principali cloud provider. Questa seconda via semplifica alcuni passaggi, ma non elimina del tutto le complessità, soprattutto in termini di governance del dato e di gestione della sicurezza.
Battaglieri ha sottolineato come entrambe le opzioni presentino ostacoli che spesso allungano i tempi di sviluppo rispetto alle stime fornite dai modelli. Proprio per questo motivo, Snowflake ha sviluppato un approccio che consente di ridurre drasticamente i tempi di realizzazione di un MVP.
Il caso del retailer del lusso italiano
Il cuore dell’intervento ha riguardato il racconto di un caso concreto. Un retailer del lusso italiano si è rivolto alla piattaforma con l’esigenza di generare contenuti a partire da dati non strutturati. Tra questi vi erano immagini, output tridimensionali dei prodotti e una serie di metadati descrittivi. L’obiettivo era creare descrizioni di prodotto coerenti con l’identità del marchio e allo stesso tempo sufficientemente variabili da evitare ripetizioni, un aspetto particolarmente importante per il settore moda e lusso.
La soluzione proposta è stata sviluppata in circa 25 minuti. Battaglieri ha spiegato che il team ha fatto ricorso a un approccio definito AI SQL, che consente di combinare la potenza dei modelli generativi con la sintassi del linguaggio SQL, familiare a gran parte dei professionisti del settore. «Abbiamo mostrato al retailer che poteva formulare un MVP focalizzandosi solo sulle istruzioni da dare al modello, senza doversi occupare della gestione dell’infrastruttura» ha raccontato.
Grazie a questa impostazione, è stato possibile inserire nei prompt non soltanto indicazioni generiche, ma anche regole precise legate alla Voice of brand, cioè lo stile comunicativo riconosciuto e distintivo del marchio. I dati disponibili hanno consentito inoltre di introdurre elementi di variabilità che hanno reso le descrizioni generate più adatte a valorizzare le differenze tra i prodotti.
Prompt engineering e brand identity
Un aspetto particolarmente rilevante riguarda il modo in cui è stato gestito il prompt engineering. Battaglieri ha spiegato che un prompt troppo semplice porta i modelli a restituire descrizioni simili tra loro, indipendentemente dal prodotto. Per questo motivo è stato necessario arricchire le istruzioni, tenendo conto sia della voce del brand sia dei dati specifici relativi a ogni articolo. L’approccio ha permesso di ottenere descrizioni più efficaci, coerenti con l’identità aziendale e in grado di differenziare l’offerta.
Questo elemento appare centrale soprattutto in un settore come quello del lusso, dove la comunicazione è parte integrante del valore del prodotto. L’automazione, in questo caso, non si è limitata a ridurre i tempi di produzione dei contenuti, ma ha contribuito a rafforzare la coerenza dell’esperienza del consumatore.
La questione dei costi e della governance
Durante la sessione, il pubblico ha posto una domanda diretta sul tema dei costi. Quali strumenti ha a disposizione un’azienda per governare la spesa in progetti di questo tipo? Battaglieri ha chiarito che l’approccio seguito da Snowflake si basa su un modello pay-per-use. «Si paga su quello che si consuma» ha affermato, precisando che il calcolo avviene in base al numero di token utilizzati dai modelli linguistici. Il controllo è centralizzato attraverso un’unica interfaccia, che permette alle aziende di monitorare in tempo reale le risorse impiegate.
Secondo Battaglieri, questa modalità consente non solo di semplificare la gestione, ma anche di avere un costo finale chiaro e proporzionato all’effettivo utilizzo. Un elemento significativo, considerando che uno dei timori più diffusi tra le aziende riguarda proprio l’imprevedibilità dei costi di progetti legati alla Generative AI nel retail e in altri settori.
Verso un’adozione consapevole
L’esperienza del retailer del lusso italiano evidenzia come l’adozione della Generative AI nel retail non sia soltanto una questione tecnologica, ma coinvolga scelte strategiche legate ai tempi di sviluppo, alla governance dei costi e alla tutela dell’identità del brand. Il caso presentato da Battaglieri durante l’evento del Politecnico di Milano offre uno spunto concreto per comprendere quali siano oggi i vantaggi e le criticità che le aziende devono affrontare quando decidono di integrare soluzioni di intelligenza artificiale generativa nei propri processi.
