Cos'è un modello multimodale e cosa sa vedere e sentire
I primi modelli linguistici leggevano e scrivevano solo testo. I modelli multimodali possono guardare una foto, leggere un grafico, ascoltare un audio e rispondere a domande su questi materiali, o produrre a loro volta immagini e voce.
Per un'azienda vuol dire poter fare domande su ciò che oggi è "chiuso" in foto e scansioni: un modulo compilato, la foto di un guasto, lo screenshot di un errore, la planimetria di un locale.
Un esempio in una PMI
Un servizio di assistenza per caldaie chiede ai clienti di mandare una foto del display con il codice di errore. Un modello multimodale legge il codice, lo confronta con il manuale e suggerisce se basta un riavvio o serve il tecnico, con la foto allegata al ticket.
Gli errori più comuni
- Dare per scontato che legga correttamente dettagli piccoli o foto sfocate.
- Usarlo per misure precise su immagini: stima, non misura.
- Mandare foto con dati personali o di terzi senza pensare a dove finiscono.
Perché ti interessa
Molte informazioni di un'azienda non sono testo: foto di prodotti difettosi, schemi tecnici, bolle firmate, cartelli in magazzino. Un modello multimodale permette di lavorarci senza prima ricopiarle. Prima di affidargli un processo, però, va provato con immagini scattate nelle condizioni reali: luce scarsa, angoli storti, telefoni non nuovi.
Tutte le parole dell'AI spiegate semplici sono nel glossario.
Domande frequenti
ChatGPT e Claude sono multimodali?
Le versioni recenti accettano immagini e documenti oltre al testo, e alcune gestiscono anche la voce.
Serve un modello multimodale per leggere i PDF?
Per i PDF con testo vero no. Per scansioni, foto e documenti con grafici e tabelle aiuta molto.
Un modello multimodale capisce i video?
Alcuni sì, analizzando una serie di fotogrammi e l'audio. Per ora è più affidabile su video brevi e su domande precise, come cosa compare in una certa scena.
Da leggere dopo
Cos'è l'OCR e come l'AI legge fatture e documenti
L'OCR (riconoscimento ottico dei caratteri) è la tecnologia che trasforma il testo contenuto in un'immagine o in un PDF scansionato in testo vero, che si può copiare, cercare ed elaborare.
GlossarioCos'è l'AI generativa e cosa sa fare per un'azienda
L'AI generativa è l'insieme dei sistemi di intelligenza artificiale che producono contenuti nuovi, come testi, immagini, audio, video o codice, a partire da una richiesta.
GlossarioCos'è un LLM, il modello dietro ChatGPT, Claude e Gemini
Quasi ogni strumento AI che ti propongono ne usa uno. Spesso è lo stesso, rivenduto a prezzi diversi.
GlossarioCos'è un modello frontier, e quando non serve pagarlo
Sono i modelli più potenti sul mercato. Per molti lavori di una PMI sono anche i più sprecati.
Vuoi capire cosa serve davvero alla tua azienda, senza gergo? Parliamone.
Testi e grafica realizzati con il supporto dell'AI. Metodo e contenuti sono di AIR.