Gli strumenti di sviluppo con AI integrata: come portano innovazione nel business

L’intelligenza artificiale può portare benefici in ogni organizzazione e in ogni comparto aziendale. Questo vale anche per il coding, grazie agli strumenti di sviluppo con AI integrata e a una variegata forma di supporti alla programmazione, tra i quali gli AI code generator dei quali abbiamo già parlato.

Ne abbiamo presi in esame otto, tenendo presente che questi strumenti possono tornare utili anche ai Data specialist, il cui bagaglio di conoscenze deve includere delle nozioni solide dei più diffusi linguaggi di programmazione.

L’uso degli strumenti di sviluppo con AI integrata è foriero di vantaggi che possono essere ottimizzati solo facendone un uso davvero consapevole.

Cosa sono gli strumenti di sviluppo con AI integrata

Sono software oppure piattaforme che forniscono assistenza agli sviluppatori lungo l’intero ciclo di creazione del codice consentendo loro di sfruttare le AI al fine di migliorarne precisione, velocità, efficienza e – in definitiva – la produttività.

Le caratteristiche che distinguono questi strumenti sono:

• L’analisi del contesto del progetto per personalizzare suggerimenti e soluzioni
• Il suggerimento di codice in tempo reale (auto completamento)
• Il supporto per il debugging, il refactoring e la documentazione la cui stesura, tipicamente, è automatizzata o comunque facilitata
• L’integrazione con gli IDE usati dagli sviluppatori

Queste funzionalità, pure non essendo le uniche, sono sufficienti per restituire l’immagine di soluzioni che affiancano i programmatori adeguandosi ai rispettivi stili e, più in generale, alle esigenze di ogni singolo progetto.

I vantaggi degli strumenti di sviluppo con AI integrata

La crescita delle AI e degli strumenti che ne derivano sta raggiungendo un livello inedito, come del resto è normale che sia quando una tecnologia supera una certa soglia di maturità.

Il contesto attuale è caratterizzato dalla ricerca spasmodica di vantaggi nell’uso di tali strumenti. Vantaggi che sono reali e misurabili ma che non hanno più ragione di essere elencati in modo certosino: le imprese che hanno una cultura digitale sanno che non possono prescindere dall’uso delle AI (siano queste native o augmented), le imprese che non hanno una cultura digitale, pure se ne comprendessero la portata, non potrebbero mai farne uso.

L’adozione delle AI non è più né questione di vantaggi propriamente detti né, tanto meno, di riduzione dei costi di gestione. I mercati, le esigenze dei clienti e le capacità della concorrenza sono così scattanti e cambiano in modo tanto repentino che non saperli leggere coincide con il rimanere un passo indietro.

Fare a meno delle AI è impossibile, sciorinare l’elenco dei vantaggi è inutile e non esaustivo, tanto più che gli atout sono veramente tali solo se le AI vengono usate in contesti adeguati e istruite con dataset aggiornati dal punto di vista qualitativo e quantitativo.

In ogni caso, anche a costo di essere ripetitivi, i vantaggi più spendibili sono:

• Aumento della produttività con conseguente riduzione dei costi
• Riduzione degli errori (e quindi dei costi)
• Maggiore scalabilità per rispondere alle esigenze del mercato (contenendo i costi).

Ad avere un peso specifico, sono le criticità che le AI si portano appresso. Queste sono di diverso ordine.

Gli svantaggi immediati e quelli meno immediati

Il primo svantaggi lo abbiamo sfiorato indirettamente sopra: l’affidabilità degli strumenti AI dipende dai dati on cui vengono addestrati e dalla capacità di chi li usa. Credere che l’AI sia una lampada da strofinare affinché un’entità indefinita soddisfi ogni desiderio non ha alcun senso.

Inoltre, le competenze necessarie per usare le AI in modo davvero proficuo superano le conoscenze delle Intelligenze artificiali stesse. Occorre una supervisione fatta da chi conosce la materia e sappia intervenire per correggere o migliorare ciò che le AI sbagliano o fanno in modo perfettibile.

Introdurre le AI in un’organizzazione non è come comprare un’automobile nuova che chiunque, con un po’ di adattamento, può guidare. Corrisponde di più all’acquisto di un bolide di Formula 1, la cui guida esige una forma mentis apposita e il cui volante deve essere in mano a chi sa scaricare a terra tutti i cavalli, perché farla viaggiare a un decimo delle sue capacità – oltre a rappresentare un costo ingiustificato – non aiuta a vincere i GP.

In altre parole, serve una governance dei modelli AI e, laddove possibile, una piena trasparenza algoritmica. Demandare alle AI la gestione dell’azienda e le decisioni del management senza un processo di supervisione e verifica equivale a perdere il controllo dell’azienda stessa.

Questi sono, in sintesi, i problemi che svettano alti e che le organizzazioni devono prendere in considerazione: per usare le AI ci vogliono talenti e le imprese che ne sono sprovvisti dovrebbero trarre conclusioni appropriate.

Come scegliere lo strumento giusto

Per scegliere uno strumento di sviluppo con AI integrata è vitale stilare un elenco di domande e di obiettivi con la partecipazione di tutte le unità aziendali coinvolte.

Qui proponiamo alcuni punti che, però, possono variare a seconda della realtà aziendale:

• Obiettivi aziendali: quali processi devono essere supportati (testing, debug,
• prototipazione…)? Lo strumento serve per ottimizzare software esistente o per creare nuovi progetti di sviluppo?
• Compatibilità: supporta i linguaggi e le librerie già in uso nell’azienda? È integrabile con gli IDE attuali?
• Qualità: ci sono benchmark indipendenti che dimostrano l’affidabilità di uno strumento e la sua capacità di generare codice sicuro e mantenibile?
• Governance: dove vengono conservati il codice e i dati? Come vengono garantite la conformità normativa e la proprietà intellettuale? (In altre parole: occorre la certezza che il codice generato dalle imprese non venga usato per addestrare lo strumento di sviluppo senza esplicite autorizzazioni)
• Sicurezza: lo strumento deve controllare eventuali vulnerabilità nel codice generato e, non di meno, deve rispondere agli standard di sicurezza. È un punto cardine che, se male soppesato, può avere conseguenze persino nefaste
• Trasparenza: per principio almeno, vanno preferiti gli strumenti che garantiscono la spiegabilità dei suggerimenti che forniscono
• Gestione versioni: lo strumento deve garantire la gestione delle versioni del codice prodotto e la tracciabilità delle modifiche che suggerisce
• Personalizzazione: a maggiore personalizzazione dei modelli corrisponde –in linea teorica – una maggiore elasticità dello strumento
• Scalabilità: l’organizzazione potrebbe dovere gestire carichi di lavoro crescenti includendo lo sviluppo contemporaneo di più progetti
• Manutenzione: i provider di norma comunicano una roadmap degli sviluppi futuri del servizio offerto, oltre a comunicare quali canali di supporto sono a disposizione dei rispettivi clienti. I tempi di risposta in caso di necessità tendono a essere cruciali
• Etica: il fornitore deve esplicitare le proprie politiche circa l’uso responsabile delle AI e il proprio impegno per la mitigazione dei bias

La questione dei costi

Il costo totale del possesso dello strumento (Total cost of ownership, TCO) è importante, ancorché non dovrebbe essere in cima ai criteri di scelta.

Oltre alle politiche di abbonamento o di licenza applicate dal fornitore, tipicamente basate sul costo per utente, per server o per progetto, ci sono dei costi indiretti per la formazione e per il supporto.

La curva di apprendimento all’uso di questi strumenti è variabile: in alcuni casi è particolarmente irta ma, in generale almeno, gli strumenti che offrono un livello di complessità elevato restituiscono anche risultati di qualità superiore.

Non da ultimo è opportuno tenere debito conto del tempo che il tool può fare risparmiare in relazione al rilascio del software.

Gli strumenti di sviluppo con AI integrata

Sono diversi e guardano a finalità diverse. Avvantaggiano gli sviluppatori ma anche chi lavora con i dati e, in alcuni casi, anche utenti e profili che non hanno una cultura dello sviluppo vera e propria.

Abbiamo selezionato otto strumenti dedicati a una platea variegata.

Certo, digito! Ecco una relazione dettagliata su GitHub Copilot, ideale come base per un articolo specialistico. Se vuoi, posso poi aiutarti ad adattarla allo stile della testata o arricchirla con infografiche e sezioni tematiche.

GitHub Copilot

Sviluppato da GitHub (di proprietà di Microsoft) in collaborazione con OpenAI, è uno strumento integrato nei principali ambienti di sviluppo come Visual Studio Code, Visual Studio, Neovim e JetBrains.

Copilot suggerisce codice in tempo reale, accelerando sia lo sviluppo sia favorendo la sperimentazione.

Il modello linguistico è addestrato su miliardi di righe di codice pubblico e dati testuali e questo fa in modo che possa:

• Comprendere il contesto del codice mentre viene scritto
• Generare funzioni, moduli e commenti
• Tradurre in codice dei prompt testuali
• Prestarsi al refactoring, ossia la ristrutturazione del codice per renderlo più pulito, modulare e facile da migliorare

Comprende il codice già scritto ma anche il linguaggio naturale, restituendo suggerimenti sotto forma di completamento automatico.

È compatibile con Python, JavaScript, TypeScript, Go, Ruby, C++, Java e altri linguaggi, oltre ai integrarsi con i più diffusi ambienti di sviluppo.

GitHub ha introdotto accorgimenti per limitare la possibilità che Copilot suggerisca codice identico a quello di un repository pubblico e offre controlli agli utenti per gestire queste situazioni.

GitHub Copilot è offerto tramite abbonamento mensile o annuale. Esistono tre piani diversi: Copilot Free, con diverse limitazioni, è offerto gratuitamente.

Copilot Individual ha un costo di 10 dollari al mese (8,56 euro) e dà accesso all’estensione AI per gli editor più diffusi. Copilot Pro, da 19 dollari al mese (16,27 euro), offre anche accessi al modello GPT-4 turbo.

Codeium

Piattaforma nata per supportare gli sviluppatori mediante il completamento automatico del codice e l’ottimizzazione del flusso di lavoro, ha dalla sua parte alcuni punti di forza, tra i quali spiccano:

• L’auto-completamento intelligente: suggerisce codice in tempo reale rimanendo aderente al contesto e si distingue nella scrittura di codice complesso
• Correzione e ottimizzazione: propone soluzioni agli errori di sintassi e ai bug più comuni, oltre a fornire suggerimenti per migliorare la leggibilità del codice
• Supporta oltre 40 IDE, più di 70 linguaggi di programmazione e i framework che operano con i linguaggi compatibili
• Apprendimento contestuale: il modello AI impara lo stile di programmazione dell’utente sulla scorta del codice che ha già scritto, fornendo così suggerimenti personalizzati e più mirati

Ci sono delle estensioni e delle API che consentono di integrare Codeium con IDE non supportati nativamente e le configurazioni avanzate, per quanto molto articolate, sono di facile implementazione.

Codeium non appare ideale per i grandi progetti ma è particolarmente indicato per piccoli team e singoli professionisti.

È gratuito e alcuni componenti sono Open source, lasciando alla community la possibilità di aumentarne la personalizzazione.

Le policy di riservatezza e di sicurezza escludono l’uso non autorizzato dei dati e del codice.

Tabnine

Tra gli strumenti che abbiamo provato, Tabnine è a nostro avviso un vero e proprio copilota intelligente.

Nato per supportare gli sviluppatori lungo tutto il ciclo di vita del codice, sfoggia una sorprendente capacità di adattamento allo stile dei singoli o dei gruppi di sviluppo.

Grazie a modelli AI proprietari, offre suggerimenti contestuali in tempo reale in più di 80 linguaggi di programmazione, tra i quali Python, JavaScript, Java, C++, Go e TypeScript.

La chat integrata permette di interagire in linguaggio naturale per generare codice ma anche per ottenere informazioni relative a porzioni di codice già scritte. Le funzioni vengono documentate automaticamente e tutto ciò giova alla fluidità del lavoro e, in definitiva, alla produttività.

Tabnine offre degli agenti AI specializzati in compiti specifici, tra i quali:

• Revisione del codice secondo gli standard dell’organizzazione
• Correzione automatica degli errori
• Spiegazione del codice
• Generazione di test
• Generazione di documentazione

Inoltre, Tabnine esplicita di non conservare i dati degli utenti e offre diversi tipi di installazione. Si può usare on-premise, via Cloud privato oppure in modalità Software-as-a-Service (SaaS).

I prezzi partono dai 9 euro al mese per professionisti (7,70 euro) fino ai 39 euro mensili per le imprese (33,37 euro).

La versione gratuita, almeno a nostro avviso, è adatta solo a singoli impegnati nello sviluppo di codice semplice che necessitano un numero molto limitato di suggerimenti.

Hugging Face

Hugging Face presta il nome a una piattaforma collaborativa e a un’azienda che ha cambiato radicalmente il modo in cui ricercatori, organizzazioni e sviluppatori lavorano con le AI.

Una community Open source e una piattaforma che è un coltellino svizzero. Permette infatti di ospitare e condividere modelli AI pre-addestrati ma anche di collaborare su applicazioni e usare librerie avanzate.

Hugging Face veste anche i panni della piattaforma di sviluppo per Intelligenza artificiale che offre strumenti concreti per integrare modelli AI nelle applicazioni più disparate. Vederla come un repository di modelli è limitativo, è un ambiente tra i più completi per testare, sviluppare e distribuire soluzioni basate sul Machine learning.

Gli strumenti principali per lo sviluppo coadiuvano, tra gli altri:

• La collaborazione su applicazioni e dataset
• La sperimentazione di modelli di Natural language processing (NLP)
• L’uso di librerie Python avanzate tra le quali transformer, tokenizer e safetensor (un formato di file usato per salvare modelli AI in modo sicuro e progettato per evitare esecuzioni di codice malevolo).

Queste peculiarità rientrano in un contesto più ampio che include funzionalità per:

• Addestrare modelli
• Importare modelli pre-addestrati
• Usare le API per il dispiego dei modelli in ambienti di produzione
• La collaborazione di gruppi di lavoro mediante accessi controllati e log che favoriscono l’audit
• Il monitoraggio dei modelli e dei set di dati

Hugging Face promuove una visione etica e inclusiva delle AI e, in aggiunta, la community di riferimento è molto attiva e funge anche da guardiano sensibile ai temi della cybersecurity e della privacy.

DataRobot

Si tratta di uno strumento di sviluppo con AI integrata che automatizza il ciclo di vita dei modelli di Machine learning, ed è pensato per analisti, data scientist e aziende che vogliono produrre servizi AI senza scrivere decine di migliaia di righe di codice.

L’Automated Machine Learning (AutoML) si presta allo sviluppo, alla governance e alla distribuzione di soluzioni AI che, nel caso specifico di DataRobot, sono alla portata anche di quelle organizzazioni al cui interno non ci sono competenze di Data science particolarmente spiccate.

La piattaforma è disponibile in modalità SaaS gestita, cloud privato, oppure infrastruttura self-managed.

DataRobot trova applicazione nella finanza, nella sanità, nella manifattura e nelle telecomunicazioni.

Infatti, rende più semplice lo sviluppo di applicazioni per la previsione del rischio e il rilevamento delle frodi, ma anche per l’analisi dei trattamenti e le diagnosi mediche. Ciò vale anche per la manutenzione predittiva e il controllo della qualità. L’uso trasversale di DataRobot ne fa un ottimo assistente in qualsiasi tipo di organizzazione.

Le interfacce mediante le quali gli utenti possono interagire con DataRobot vanno al di là della classica interfaccia grafica, usata per i test, la distribuzione e il monitoraggio.

Il client Python e le API Rest si prestano allo sviluppo e all’automazione, spingendosi più in là delle opzioni offerte dall’interfaccia grafica.

C’è poi la funzionalità No-code AI Apps che permette di creare applicazioni senza scrivere codice.

Va da sé che DataRobot guarda alle organizzazioni medio-grandi che producono servizi di valore. Il costo, che segue diverse logiche di prezzo, viene calcolato in migliaia di dollari mensili e varia anche a seconda della potenza di calcolo e della quantità di dati elaborati. Le funzionalità base prevedono un costo per utente di 2.500 dollari al mese (2.140 euro circa).

IBM Watson Studio

Una piattaforma che è ormai un riferimento per le imprese e per i Data scientist. Uno strumento per la creazione, la gestione e distribuzione di modelli AI e di Machine learning, pensata per data scientist, sviluppatori e analisti.

È parte del più ampio conglomerato IBM Cloud Pak for Data e fa leva su strumenti Open source e tecnologie IBM.

Oltre alle funzioni di collaborazione, i Notebook integrati offrono supporto per Jupyter, Zeppelin e altri.

L’interfaccia Visual modeling consente di interagire con modelli predittivi e di Deep learning in modalità drag and drop.

Un’altra funzionalità di spessore è la distribuzione dei modelli via API Rest che facilitano l’integrazione con applicazioni e sistemi in uso all’organizzazione.

Inoltre, con l’AutoAI è possibile la piena automazione di cicli di Machine learning e, quindi, dalla preparazione dei dati fino al tuning.

IBM Watson Studio dispone di diversi strumenti per il monitoraggio e la governance. Non di meno, la crittografia dei dati, la gestione capillare degli accessi e degli utenti e i log aumentano il livello di sicurezza.

È progettato per il multicloud. Infatti, oltre al cloud di IBM, funziona con AWA, Azure e Google Cloud. Supporta diversi framework, linguaggi di programmazione, librerie visuali e si integra con altre piattaforme IBM. Tutto ciò lascia emergere la propria natura incentrata sui progetti.

È una suite di strumenti che abbraccia molti settori e molti compiti, tra questi:

• La sanità: analisi, diagnosi e trattamenti
• La finanza: rilevamento frodi, algoritmi per il trading e analisi del rischio del credito
• L’energia: previsione consumi e gestione delle reti intelligenti
• La manifattura (IioT): ottimizzazione cicli di produzione, manutenzione predittiva e, più in generale, la gestione e l’analisi dei dati dei sensori
• Il marketing: sistemi di raccomandazione, segmentazione dei clienti

Non di meno, proprio per la sua vocazione ai dati e all’analisi scientifica, IBM Watson Studio è un riferimento negli ambiti accademici.

Le opzioni di pricing sono sfaccettate. Al prezzo di 99 dollari al mese (84,87 euro) si acquistano 50 ore di capacità computazionale, la versione Desktop che prevede l’uso locale e capacità limitate di modellazione ha un prezzo di 199 dollari al mese (170,60 euro).

La versione Cloud Enterprise, che include 5.000 ore di capacità computazionale, ha un costo di 6.000 dollari mensili (5.140 euro). La versione on-premise ha dei prezzi che vengono comunicati su richiesta.

Peltarion

La democratizzazione delle AI in quanto tale è possibile anche grazie agli strumenti low-code o no-code, ossia quelli che esentano gli utenti dall’avere avanzate competenze di programmazione.

Peltarion rientra in questa categoria e, a partire dal 2022, è confluita nei prodotti di Activision Blizzard che l’ha acquisita per una cifra vicina ai 150 milioni di dollari.

Le funzionalità principali della piattaforma hanno una gittata tanto lunga da coprire tutte le esigenze di un’organizzazione che lavora con i dati e sviluppa applicazioni AI.

La funzione No-code AI modeling consente di costruire modelli via interfaccia grafica senza dovere scrivere codice.

Mette a disposizione dei modelli pre-addestrati che, oltre al Natural language processing, consentono il riconoscimento di immagini, la sentiment analysis e una varietà di analisi predittive.

L’addestramento e l’ottimizzazione dei modelli avvengono in modo automatico ed è possibile gestire accessi e ruoli degli utenti, al fine di garantire la più basilare delle profilassi per la tutela della riservatezza e della sicurezza.

Le API favoriscono l’integrazione con sistemi e piattaforme già in uso nelle organizzazioni e, grazie alle funzionalità di visual programming, i flussi AI sono gestiti in modalità drag and drop e quindi alla portata di chiunque.

Il piano Free, riservato agli scopi non commerciali, consente l’uso di 10 ore di GPU e 20 GB di storage, sufficienti a prendere le misure con la piattaforma.

La versione Plus dà accesso a modelli avanzati e ha un costo di 58 dollari al mese (49,75 euro), mentre la versione Pro che offre risorse scalabili e il supporto premium, ha un prezzo di 585 dollari, ossia 501 euro.

Infine, i costi della versione Enterprise vengono comunicati su richiesta e prevedono soluzioni tagliate su misura.

Zams

Già noto con il nome di Obviously.AI, è uno strumento di sviluppo con AI integrata che permette di creare modelli predittivi senza scrivere codice e partendo database ma anche da file CSV, opzione questa che ne rende possibile l’uso anche a utenti quasi del tutto digiuni di concetti tecnici.

Guarda soprattutto alle piccole realtà aziendali o a gruppi contenuti di sviluppatori, analisti e marketer.

Le funzionalità principali includono il modulo No-code model builder che consente di creare modelli predittivi mediante interfaccia grafica.

AutoML provvede alla scelta autonoma degli algoritmi e all’ottimizzazione dei parametri. Particolarmente interessante e facile da usare è la funzione Instant web apps, che consente la distribuzione dei modelli via link, senza la necessità di sviluppo o di creazione di pacchetti da installare.

Il piano Free consente 1.200 previsioni e mette a disposizione modelli base. Con il piano Limited Access, al costo di 300 dollari al mese (258 euro), le previsioni crescono fino a 12mila e si accede anche alle API Rest e al supporto tecnico dedicato.

Pagando i 999 dollari del piano Full Access (850 euro circa) si può usufruire di modelli illimitati per 5 utenti, 120mila previsioni e si può contare sulla collaborazione di un data scientist messo a disposizione da Zams.

Veloce e semplice da usare, non è adatto a progetti di ampio respiro ma consente a piccole realtà aziendali di creare servizi e prodotti in modo lineare e rapido.

Il futuro degli strumenti di sviluppo con AI integrata

Per quanto siano capaci e affidabili, questi strumenti sono da considerare in uno stato embrionale rispetto a ciò che possono potenzialmente fare.

Oltre a essere sempre più performanti, in futuro prevederanno una più capillare integrazione nei sistemi ERP, CRM e negli ambienti DevOps, ossia sistemi in cui sviluppo e operazioni aziendali collaborano per creare software e modelli più rapidamente.

Questo a vantaggio di tutte le realtà aziendali, a prescindere dalla loro grandezza e dal comparto di riferimento.