Categoria: Intelligenza Artificiale

Introduzione

L’Intelligenza Artificiale (IA) è oggi uno dei temi più discussi in ogni  ambito. Quello che vedo però è che spesso si da per scontato che le persone (tutte le persone) capiscano al volo di cosa si sta parlando, le sigle, dei nomi, le terminologie tecniche, i contesti.

Per mia esperienza, non do mai nulla per scontato, soprattutto quando stiamo parlando di un qualcosa che è relativamente nuovo e che, soprattutto, si evolve in maniera estremante veloce. Di un qualcosa che è ancora nebuloso per molti, e non per ignoranza ma semplicemente per mancanza di tempo o di occasioni per approfondire.

Basti pensare alle decine di novità che sono uscite negli ultimi mesi per rendersene conto nel mondo dei modelli di IA, tra nuove piattaforme per immagini, video o modelli più piccoli con altissime prestazioni.

La domanda che mi sono fatto è come uno stampatore o un creativo può star dietro a tutto questo, soprattutto se siamo ogni giorno focalizzati sulla creazione di progetti grafici, sulla qualità e la resa dei colori, sulla configurazione delle stampanti e la qualità del risultato finale. Insomma, su ciò che ci fa crescere professionalmente e personalmente.

Però, l’IA oltre a essere un tumultuoso presente, è anche il prossimo futuro. È qui per restare e noi dobbiamo essere in grado di contestualizzare tutte le novità che arriveranno, sia come piattaforme separate sia se inserite nei nostri software grafici o di gestione progetti o clienti. Ci servirà altresì per capire eventuali proposte da fornitori e consulenti circa l’uso dei nostri dati per applicazioni di business che utilizzano l’IA.

Per questo ho preparato questo articolo che illustra, in maniera molto semplificata, ciò che ci serve sapere sull’IA e i suoi componenti, come si relazionano tra di loro e che connessioni hanno.

Se pensiamo all’IA, possiamo raffigurarla come una serie di sotto insiemi. L’IA infatti racchiude al suo interno discipline sempre più specifiche. Sfrutteremo questo esempio consci anche del fatto che semplificheremo alcuni concetti che però ognuno di noi può sempre approfondire personalmente.

Intelligenza Artificiale (IA)

Partiamo dall’inizio, cioè dal concetto di Intelligenza Artificiale. L’IA, come probabilmente abbiamo già intuito, è una disciplina dell’informatica che si occupa di creare sistemi in grado di simulare comportamenti umani, come prendere decisioni, suggerire soluzioni, riconoscere immagini o comprendere il linguaggio naturale. Lo scopo dell’IA è rendere le macchine capaci di eseguire compiti che normalmente richiederebbero l’intelligenza umana. L’IA è un grosso ombrello, che copre diverse altre cose, oppure, se volete, immaginatelo come la fisica classica che studiamo a scuola, che racchiude altre materie come la termodinamica, il magnetismo o la meccanica.

Differenza tra IA tradizionale e Machine Learning

Prima di esplorare il Machine Learning, che è il primo step all’interno dell’IA, è importante comprendere la differenza tra i sistemi tradizionali di IA che si utilizzavano in maniera pressochè unica prima dell’arrivo dell’IA generativa e quelli basati sul Machine Learning, cioè sistemi che imparano da soli.

Nei sistemi di IA tradizionali, detti anche condizionali, si utilizzano regole apunto condizionali ‘if-then’ (se accade questo, allora fai questo) dove ogni possibile scenario è pre-programmato da un esperto (infatti sono chiamati anche sistemi esperti). Questo approccio, che sfrutta la conoscenza e l’esperienza in un determinato campo (chiamato anche knowledge base) e fornisce soluzioni in base a una serie di risposte sequenziali. Sono sistemi che sono stati usati ad esempio nella diagnostica medica o in configuratori per la scelta di un prodotto o in procedure di manutenzione e identificazione guasti.

Il problema di questi sistemi è che per adattarsi a nuovi scenari necessitano ogni volta di essere rivisti e riprogrammati e per situazioni complesse con molte variabili, questo rappresenta un limite, date le risorse che tali attività necessitano senza comunque acquisire flessibilità. Da qui la necessità di trovare alternative più efficaci e che autonomamente possano gestire situazioni nuove o inaspettate.

Abbiamo citato l’IA tradizionale perché, pur se in maniera minore che in passato, i modelli condizionali si usano dove la quantità di dati non è alta, dove complessità è gestibile o dove vi sono limiti di costo sui progetti.

Machine Learning (ML)

All’interno dell’ombrello che rappresenta l’IA troviamo il Machine Learning. Il ML è una sotto-disciplina dell’IA che si focalizza su algoritmi e modelli che permettono alle macchine di ‘imparare’ dai dati. In altre parole, anziché programmare esplicitamente ogni passo, i sistemi di ML identificano schemi e fanno previsioni o decisioni basate su dati passati. Un esempio di questo funzionamento è una app di musica che suggerisce nuove canzoni basate sugli ascolti precedenti oppure previsioni del traffico basate sullo storico dei dati precedenti. Qui si stanno utilizzando tecniche di Machine Learning. Il ML è stato una rivoluzione nel suo ambito, soprattutto con l’adozione di reti neurali sempre più sofisticate, che ha segmentato ancor di più le applicazioni possibili come vedremo sotto.

Deep Learning (DL)

All’interno del Machine Learning, troviamo il Deep Learning, una verticalizzazione delle applicazioni di Machine Learning appunto. Il Deep Learning utilizza reti neurali artificiali molto sofisticate con diversi strati (da qui il nome Deep) strutture ispirate al cervello umano e rese tramite modelli matematici, per analizzare grandi quantità di dati e fare previsioni molto precise.

È il DL che, insieme ai dati disponibili e alla discesa dei costi di computazione dei dati stessi, ha reso possibili molte delle recenti innovazioni nell’IA, come il riconoscimento delle immagini o la comprensione del linguaggio naturale. Quando si carica una foto su un social network e il sistema riconosce automaticamente i volti nelle immagini, c’è il Deep Learning in azione.

AI Generativa

Un sottoinsieme del Deep Learning che ha guadagnato una grandissima popolarità è l’IA Generativa. Questa sotto branca dell’IA utilizza modelli di Deep Learning per creare nuovi contenuti, come immagini, testo, audio, video o codice, a partire da dati esistenti. L’AI Generativa non si limita a fare previsioni, ma è in grado di generare qualcosa di completamente nuovo in base ai comandi dell’utente, spesso forniti sotto forma di ‘prompt’ in linguaggio naturale. È nell’IA generativa che troviamo la maggior parte delel applicazioni che oggi sono così popolari, da ChatGPT a MidJourney, da Claude a Dall-E o Sora. I campi specifici in cui lavora includono:

– Generazione di testo – Creazione di articoli, storie o risposte a domande (es. ChatGPT o Gemini).
– Generazione di immagini – Creazione di immagini originali (appunto MidJourney, Leonardo, Dall-E, Adobe Firefly)
– Generazione di audio – Creazione di tracce musicali o sintesi vocale (es. Suno o Udio).
– Generazione di video – Creazione di brevi clip video a partire da descrizioni testuali (es. Sora, Runaway, HeyGen).
– Generazione di codice -Scrittura di codice sorgente in vari linguaggi di programmazione.

 

L’IA generativa utilizza architetture neurali molto sofisticate, come i Transformer, che si basano su diversi layer di software e che utilizzano migliaia di parametri al loro interno per fornire i risultati attesi.

La tendenza oggi è quella di avere modelli con milioni di parametri perché più alto è il numero, migliore è la resa e la performance del modello (a seconda di quello che si vuole fare ovviamente). Questi modelli sono addestrati su enormi quantità di dati in modo che possano poi identificare e ricreare pattern senza l’intervento umano, e si può dialogare con loro tramite prompt, ovverossia richieste in linguaggio naturale, come abbiamo visto nel precedente articolo.

È importante ricordare che, sebbene l’IA offra strumenti molto potenti, il ruolo della creatività umana e l’indirizzamento delle scelte creative in base alle esigenze del cliente rimane centrale e insostituibile. L’IA è un potenziatore di capacità creative e produttive, e non un mero sostituto della professionalità umana, che anzi, può sperimentare di più e meglio, in maniera veloce e a costi abbordabili.

LLM – Modelli di linguaggio di grandi dimensioni

Abbiamo visto che l’IA generativa è divisa per applicazioni. Quella del testo è basata su LLM ovvero ai Modelli di Linguaggio di Grandi Dimensioni, un tipo specifico di AI Generativa, dedicato principalmente alla gestione e processo del testo. Gli LLM, come GPT-4, sono modelli addestrati su enormi quantità di testo per comprendere e generare linguaggio naturale in modo fluente. Questi modelli possono scrivere articoli, rispondere a domande tradurre testi, post per social, idee per brainstorming, strategie marketing e di vendita e molto altro.

Gli LLM più famosi sono ChatGPT di OpenAI, Gemini di Google, Claude di Antrophic, Mistral, Perplexity, GroK di X, Copilot di Microsoft. Da tener presente che questi modelli oggi sono addestrati e possono lavorare non solo con il testo ma anche con immagini e codici di programmazione (nonché vari tipi di file come PDF Excel ecc.). Per questo sono detti multimodali oppure omnimodali. Ad esempio, ChatGPT include al suo interno Dall-E per la generazione di immagini.

Oggi però sta prendendo piede anche la possibilità di avere sistemi basati e addestrati sui propri dati, che non sono condivisi all’esterno ma sono proprietà dell’azienda. In questo caso parliamo di SLM o modelli di linguaggio più piccoli (Small Language Model), in cui girano principalmente dati aziendali, che possono venire dal CRM, dal CMS, dal nostro ERP aziendale o knowledge base su SharePoint o semplici file di uso interno (ad esempio file di prodotto o di servizi offerti). Questi modelli, pur essendo meno potenti dei LLM in termini di parametri, sono altamente efficienti e possono essere utilizzati in applicazioni dove le risorse computazionali sono limitate o non si vuole affidare i propri dati ad altri. Gli SLM stanno vedendo una grande crescita grazie alla loro capacità di essere implementati su dispositivi meno potenti e di fornire comunque prestazioni eccellenti in compiti specifici.
Un’altra cosa da sapere sugli LLM e SLM. Esistono modelli Open Source, cioè scaricabili e programmabili dagli utenti, come ad esempio Llama di Meta, e che crescono in base all’esperienza e alla condivisone degli utenti. Vi sono poi modelli Closed Source, come ChatGPT o Gemini che sono appunto chiusi dall’azienda che ne controlla il codice e l’addestramento.

Un esempio comune dell’uso di LLM è un chatbot avanzato che può lavorare su un database creato e gestito dall’azienda in modo da controllare le risposte e che può essere basato su tecnologia open o closed source.

DM – I modelli di diffusione

I modelli di diffusione (o diffusion model) sono architetture che servono per la riproduzione delle immagini, video ma anche audio. Sono estremamente importanti per chi fa grafica o creatività perché la maggior parte dei software di IA generativa per immagini utilizza questo modello. La creazione delle immagini avviene tramite una richiesta fatta in linguaggio naturale (prompt), proprio come negli LLM, su cui basano molte soluzioni in comune.

Il software, tramite delle operazioni particolari (chiamate diffusion e denoising), genera l’immagine richiesta. Si possono aggiungere parametri per riproduzioni particolari (es, tipo di macchina fotografica o focale) o lavorare su dettagli dell’immagine. Stable Diffusion, MidJourney, Imagen  o Adobe Firefly sono tutti software che usano i modelli di diffusione per la creazione d’immagini. Da ricordare che questi modelli sono ormai fondamentali per chiunque lavori nel campo della grafica o della stampa digitale, offrendo nuovi strumenti per esplorare e innovare soluzioni grafiche, creare mock-up e prototipi di applicazioni grafiche (ad esempio proposte di packaging o ambientazioni di grafiche da interno) e presentazioni accattivanti per la clientela in poco tempo.

Conclusione

L’Intelligenza Artificiale è un campo vasto e complesso, ma non per questo oscuor. Basta solo sapere che è composta da livelli che racchiudono concetti sempre più specifici e potenti, cime abbiamo visto sopra. Dall’IA generale fino agli LLM, ognuno di questi concetti gioca un ruolo fondamentale nel rendere le tecnologie moderne più intelligenti e capaci di aiutarci nei nostri compiti quotidiani.

All’atto di un progetto, di considerazioni d’acquisto di sistemi o dell’uso di determinate applicazioni, capire come esse si situano nel contesto dell’IA può essere senz’altro d’aiuto e dissipare confusione o dubbi o a discutere in maniera più consapevole con eventuali fornitori.

Come abbiamo detto, ogni specifico argomento può essere approfondito ma, come per guidare la macchina non dobbiamo essere necessariamente meccanici esperti, così per utilizzare l’IA i fondamentali possono essere già abbastanza per muoversi agevolmente tra terminologie e applicazioni.

Glossario

Intelligenza Artificiale (IA):
Una disciplina dell’informatica che si occupa di creare sistemi in grado di simulare comportamenti umani, come prendere decisioni, riconoscere immagini o comprendere il linguaggio naturale.

Machine Learning (ML):
Una sotto-disciplina dell’IA che si focalizza su algoritmi e modelli che permettono alle macchine di “imparare” dai dati. Piuttosto che essere programmati per ogni possibile scenario, i sistemi di ML identificano schemi e fanno previsioni basate su dati passati.

Deep Learning (DL):
Una specializzazione del Machine Learning che utilizza reti neurali artificiali molto sofisticate, ispirate al cervello umano, per analizzare grandi quantità di dati e fare previsioni molto precise. È alla base di molte delle recenti innovazioni nell’IA.

AI Generativa:
Una branca dell’IA che utilizza modelli di Deep Learning per creare nuovi contenuti, come immagini, testo, audio, video o codice, a partire da dati esistenti. Gli utenti interagiscono con questi sistemi utilizzando “prompt” in linguaggio naturale.

Modelli di Linguaggio di Grandi Dimensioni (LLM):
Modelli IA specializzati nella gestione e generazione di linguaggio naturale. Questi modelli, come GPT-4, sono addestrati su enormi quantità di testo e possono svolgere una varietà di compiti, dalla scrittura di articoli alla traduzione di testi.

Modelli di Linguaggio di Piccole Dimensioni (SLM):
Versioni più leggere e focalizzate dei LLM, che possono essere addestrate su dati specifici di un’azienda o su risorse limitate. Sono utili quando si desidera mantenere il controllo sui propri dati o quando le risorse computazionali sono limitate.

Modelli di Diffusione (Diffusion Models):
Architetture utilizzate principalmente per la generazione di immagini, video, e audio. Questi modelli funzionano tramite un processo di “diffusion” e “denoising” per creare contenuti visivi e sonori di alta qualità a partire da descrizioni testuali o altre informazioni di input.

Parlando di intelligenza artificiale e volendo scendere sul concreto, come possiamo oggi mettere le mani su questo formidabile strumento e cercare di fare cose che possono aiutarci nel nostro business di stampa digitale o di personalizzazione?

Ci sono due sfide relative all’AI oggi per chi stampa. La prima è capire come funziona. Ho accennato qualcosa nel mio precedente post e prometto di fare qualcosa di più dettagliato ma digeribile prossimamente.

L’altra sfida, di cui parliamo in questo articolo, è capire dove e come usarla nel nostro quotidiano.

L’intelligenza artificiale c’è già

Chiariamo una cosa. Ci sono software che noi usiamo che hanno già elementi di intelligenza artificiale.

Ad esempio, se utilizziamo software che monitorano le nostre periferiche, ci indicano le manutenzioni da effettuare, i consumi previsti o il nostro ritorno d’investimento (come, ad esempio, Roland DG Connect), parliamo di intelligenza artificiale predittiva.

A differenza di quella generativa, non crea alcunché di nuovo ma usando i dati che arrivano dalle periferiche o da altri sistemi, calcolano eventuali azioni future. Esattamente il task per cui sono stati creati.

Spostandoci verso la parte grafica invece, l’intelligenza artificiale generativa si sta invece piano piano integrando nei software di grafica, dalle suite Adobe o plug-in Corel, a software più commerciali come Canva o il nuovo Designer di Microsoft.

Probabilmente assisteremo a integrazioni future di modelli come MidJourney o DALL-E in altre piattaforme oppure le stesse evolveranno creando piattaforme alternative a quelle sopra menzionate.

Queste piattaforme di AI generativa per immagini, chiamate anche Diffusion Models, lavorano partendo dalle richieste dell’utente e creando immagini secondo il prompt che è stato utilizzato (potete far sempre riferimento al mio articolo precedente per saperne un po’ di più sui prompt).

Il livello di qualità delle immagini è incredibile e sono perfette per presentazioni, mock-up o per il web. A livello di stampa, la risoluzione è ancora insufficiente, cosa che dipende principalmente dalle risorse e relativi costi che la generazione di tali immagini impegna.

L’altro lato dell’intelligenza artificiale generativa che m’interessa trattare in questo articolo invece è quello relativo agli LLM, large language model, modelli di AI generativa che lavorano con il linguaggio naturale come ChatGPT, Gemini o Claude.

Questo tipo di IA è immediatamente applicabile nel nostro business giornaliero, ed è veramente una questione di metterci le mani per cominciare a capire come funziona e cosa se ne può trarre.

Mani in pasta

Faccio riferimento a ChatGPT, ma le stesse osservazioni valgono per gli altri modelli LLM che utilizzeremo.

Innanzitutto, raccomando l’acquisto delle versioni a pagamento, per potenza e capacità di risposta. Potete anche divertirvi con le versioni free ma il numero di parametri (regolazioni e aggiustamenti con cui il modello è ottimizzati) è molto più alto e performante. Il costo mensile è accessibilissimo (parliamo di una media di 20 dollari al mese) e ci eviterà di trarre i nostri giudizi utilizzando versioni meno performanti.

Configurazione

Alla creazione dell’account, potrete subito configurare ChatGPT dicendoli chi siete, cosa fate e quali sono i vostri obiettivi. In questo modo, eviterete di dover ripetere le vostre esigenze a ogni prompt mentre ChatGPT saprà esattamente chi siete, come parlarvi e cosa volete ottenere. Nel menu delle impostazioni, definirete:

• Quello che volete che ChatGPT sappia di voi per adeguare le sue risposte (ruolo, lavoro, missione aziendale, obiettivi, traguardi, sfide);
• Come volete che ChatGPT vi risponda (professionale, amichevole, ruolo che deve assumere, come chiamarvi, se dare opinioni o essere creativo nelle risposte

Qui c’è un esempio a riguardo.

Nella prima casella potreste scrivere qualcosa tipo “Sono Giovanni, proprietario di un’azienda di stampa digitale. Produco grafica pubblicitaria, oggetti promozionali, abbigliamento personalizzato, grafiche per veicoli, per interni e segnaletica. Lavoro in Lombardia, nord Italia. Il mio obiettivo è essere sempre all’avanguardia nella proposizione dei miei prodotti alla clientela, cercare nuovi mercati inerenti alla stampa digitale, coltivare relazioni con colleghi, clienti ed esperti nel settore. Ho 8 dipendenti e io sono responsabile delle decisioni finali su acquisti e prezzi”

Nella seconda casella invece, potreste dire a ChatGPT “Scrivi le tue risposte in maniera informale ma professionale. Sii sempre chiaro e preciso. Usa liste ed elenchi numerati. Comportati come un esperto di stampa digitale di piccolo, medio e grande formato, con tanti anni di esperienza e conoscenza di trend e applicazioni grafiche. Mostrami le sorgenti dei dati quando occorre. Puoi rivolgerti a me chiamandomi Giovanni. Offri prospettive differenti, non fermarti allo standard”

Questi due piccoli e non esaustivi esempi ci aiuteranno nel configurare il nostro modello. A meno che non lo vogliate, ricordatevi anche di disattivare la condivisione dei vostri dati, che altrimenti verranno usati da OpenAI per l’addestramento dei suoi modelli (impostazioni, controllo dei dati).

Usare l’IA generativa nel nostro business di stampa

Come applicare la IA generativa nel nostro quotidiano?

Un mito da sfatare è quello che l’IA rende tutto più semplice ed è applicabile ovunque. Queste due cose sono vere, se identifichiamo il processo a cui applicarla (e lo vedremo a breve). Se ci mettete più tempo nello scrivere un prompt che per ottenere una risposta, allora sarà meglio riconsiderare se non conviene usare gli approcci standard.

Il mio suggerimento, nella fase inziale, è quella di usare ChatGPT (o altri modelli), il più possibile. Rispondere a una mail, fare una ricerca, chiedere delle idee, analizzare un foglio Excel. Questo ci renderà il tutto più intuitivo, facendoci padroneggiare meglio lo strumento.

I prompt dovranno sempre seguire una struttura per funzionare bene, che di solito è la seguente:

• Dare contesto, dire all’IA chi deve impersonare;
• Definire il compito che deve eseguire, il task;
• Dare le istruzioni su come farlo e come riprodurlo (tono, approccio, sentiment);
• Definire l’audience a cui il risultato “parlerà”
• Il formato di uscita (lingua, lunghezza);
• Se occorre, definire dei limiti (non dire x o y);
• Dare degli esempi per meglio guidare l’IA nelel rispose (questa tecnica si chiama few-shot prompting)

Aggiungo che si può sempre chiedere al modello di rivedere il prompt e di suggerire eventuali integrazioni d’informazioni mancanti. Lo si può fare addirittura 3 o 4 volte dicendo alla macchina di leggere ciò che produce e migliorarsi progressivamente generando prompt sempre più accurati. Dedicheremo ai prompt un prossimo articolo. Nel frattempo, potete anche esplorare raccoglitori di prompt da usare per ogni svariata occasione.

Applicazioni pratiche per lo stampatore

Prendiamo ora ad esempio alcune circostanze dove usare ChatGPT per aiutarci nel nostro business quotidiano. Usiamo l’interior decoration come esempio, ponendoci nel ruolo di chi vuole approcciare questo business. Potete sostituire interior decoration con qualsiasi altro mercato ovviamente (merchandising, t-shirt, grafica veicolare ecc.). Da qui, proviamo a sviluppare dei prompt che ci aiuteranno ad impostare la nostra strategia.

Analizzare un mercato

Quindi, il nostro obiettivo è di entrare nel mercato della decorazione d’interni, sia per il retail, che per arredamento. Vogliamo conoscere quindi di più questo mercato e confrontare ciò che già spaiiamo di esso. Potremmo iniziare chiedendo a ChatGPT:

“Sei un esperto di stampa digitale per la decorazione d’interni con oltre 20 anni di esperienza nel settore. Il tuo compito è valutare la dimensione del mercato, il trend di crescita, le applicazioni più richieste. La tua valutazione deve servirmi per impostare il mio business e programmare il mio investimento. A questo link www.esempio.com, trovi un’attività che sta già proponendo questo servizio. Cita sempre le sorgenti dei report che usi per le tue ststistiche. Prima di procedere, leggi i prompt e verifica se hai tutte le informazioni necessarie. Proponimi un eventuale miglioramento prima di eseguire il prompt”

A seconda della risposta, potremmo chieder a ChatGPT di approfondire alcuni aspetti o di esplicarne meglio altri. Vi consiglio di salvare questo progetto come un PDF in modo poi da riproporlo a ChatGPT per successive richieste.

Creare le nostre Buyer Personas

A chi ci rivolgiamo? Fatto quanto sopra, potremmo anche chiedere la seguente informazione extra “Descrivi le buyer persona per questo mercato e dividile per influencer (architetti e designer) e utenti (negozi, spazi pubblici, case private). Crea una tabella dove per ogni persona riporti una breve descrizione, le esigenze, i benefici e i punti critici. A questi link trovi alcune attività come le mie. Utilizza i siti per arricchire le tue personas. Prima di procedere, leggi i prompt e verifica se hai tutte le informazioni necessarie. Proponimi un eventuale miglioramento prima di eseguire il prompt”.

Se continuate nella stessa finestra, il prompt di cui sopra potrebbe essere sufficiente. Potete allegare il PDF con il piano sviluppato per reinforzare ulteriormente il prompt. Se lo fate da una nuova finestra, sarà obbligatorio caricare il PDF insieme al prompt per meglio guidare la macchina.

Queste personas potranno essere salvate in un documento a parte oppure (consigliato) inserite nel PDF di cui sopra, in modo da lavorare con un unico documento.

Brainstorming con i colleghi sul nuovo mercato

Ora, volendo discutere questa cosa interamente e volendo tirare fuori altre idee dai nostri collaboratori potremmo chiedere a ChatGPT “Crea una struttura di brainstorming basata sulla seguente domanda – Come entrare nel mercato dell’interior decoration con la stampa digitale – usa approcci creativi e suggerisci idee per posizionare l’azienda e i nostri prodotti stampati. La struttura deve includere analisi di mercato, strategia di posizionamento, idee per proporre i nostri prodotti ed eventuali strategie di marketing e vendita. Utilizzeremo i risultati per una discussione interna. Usa il PDF in allegato come base di lavoro. Prima di procedere, leggi i prompt e verifica se hai tutte le informazioni necessarie. Proponimi un eventuale miglioramento prima di eseguire il prompt”.

Creare una pagina web per l’interior decoration

Da qui potremmo ora chiedere “In base a quanto discusso finora, crea una struttura di pagina web dove pubblicizzare il nostro servizio per l’interior decoration, basata sulle personas X, Y e Z, dove evidenzi i pro di utilizzare la stampa digitale e la qualità del nostro servizio. Inserisci slogan e testi con tono professionale ma amichevole e aggiungi una call- to-action per le conversioni. Individua le keyword usate da queste personas e aggiungile nel testo della pagina. Usa il PDF in allegato come base di lavoro. Prima di procedere, leggi i prompt e verifica se hai tutte le informazioni necessarie. Proponimi un eventuale miglioramento prima di eseguire il prompt”

Articoli blog per la nostra promozione

Se abbiamo un blog e delle pagine social, potremo chiedere al nostro modello

“Sei un esperto di stampa digitale per la decorazione d’interni con oltre 20 anni di esperienza nel settore. Prepara tre articoli per il nostro blog che parlano dei vantaggi dell’uso della decorazione digitale per gli interni. Nel primo articolo concentrati sulle applicazioni nel mondo retail. Nel secondo su come la creatività di architetti e designer può essere amplificata con la stampa digitale, nel terzo sulla decorazione di muri con carte da parati personalizzate o wall graphics. Evidenzia i benefici e come i punti critici delel varie personas vengono risolte dalle soluzioni che proponiamo. Per ogni articolo inserisci le keyword più usate. Ecco alcuni esempi di pagine simili sviluppate dalla concorrenza – www.abc.com, www.def.com, www.ghi.com – Sii creativo ma mantieni un tono amichevole ma professionale e concludi sempre invitando al contatto con la nostra azienda. Usa il PDF in allegato come base di lavoro. Prima di procedere, leggi i prompt e verifica se hai tutte le informazioni necessarie. Proponimi un eventuale miglioramento prima di eseguire il prompt”

Post per social

Fatto questo, gli chiederemo di creare 5 post per i nostri canali social “Sei un esperto di stampa digitale per la decorazione d’interni con oltre 20 anni di esperienza nel settore. Crea 5 post sulla stampa digitale per la decorazione d’interni per Facebook, Instagram e LinkedIn. Usa i toni tipici per ogni social. Utilizza la descrizione delle personas in allegato per meglio intercettare le audience. Usa il PDF in allegato come base di lavoro. Prima di procedere, leggi i prompt e verifica se hai tutte le informazioni necessarie. Proponimi un eventuale miglioramento prima di eseguire il prompt”.

Potremmo allegare i blog creati per dare più contesto al modello (sempre in formato PDF).

Per concludere

Questo è un piccolo e non esasutivo esempio di come una piattaforma come ChatGPT può aiutarci nell’ottimizzare il lavoro ed avere del materiale che può essere finalizzato in tempi brevi, rispettando le nostre esigenze e il pubblico a cui ci rivolgiamo. Questo materiale può essere usato internamente, se gestiamo personalmente i canali di comunicazione o dato a un’agenzia esterna come brief.

Non date tutto per scontato. Ricordo che quello che un modello LLM crea deve essere sottoposto al vostro vaglio e arricchito o corretto dalla vostra esperienza sul campo. Chiedete le sorgenti al modello quando occorre e verificate personalmente i risultati. Non accontentatevi della prima risposta ma reiterate il prompt, se occorre.

ChatGPT (o chi per lui) mette la manovalanza ma il tocco di professionalità che rende il tutto vero e fa trasparire la competenza, potete aggiungerlo solo voi.