Cos'è l'approccio Model-as-a-Service?

Model-as-a-Service (MaaS) è un approccio alla distribuzione dei modelli di IA come risorse condivise, che consente agli utenti di un'organizzazione di accedere a tali modelli on demand. MaaS offre una base interamente predisposta per l'IA, attraverso endpoint delle API (interfaccia di programmazione delle applicazioni), che promuove un utilizzo scalabile ed efficiente dell'intelligenza artificiale, preservandone la riservatezza. 

Scarica la guida al MaaS

L’utilizzo dell'IA è sempre più diffuso, ma la maggior parte delle organizzazioni fatica ancora a sfruttare i modelli privati a uso aziendale. 

I modelli di intelligenza artificiale preaddestrati da sorgenti pubbliche come Hugging Face stanno diventando sempre più accessibili. Se si dispone dell'hardware giusto, come unità di elaborazione grafica (GPU) di grandi dimensioni, rendere operativi i modelli può sembrare quindi un obiettivo realistico. Ma ecco il problema: una volta che il modello è operativo, chi può utilizzarlo? E anche se fosse, chi può intervenire sulla scalabilità? 

Per fare in modo che un modello di IA privata sia scalabile, è necessario rendere una singola istanza del modello accessibile a più utenti e applicazioni contemporaneamente. In caso contrario, i modelli sono accessibili solo all'utente che li ha creati, dando luogo a inefficienze. 

È questo il contesto in cui si introduce MaaS. 

L'approccio Model-as-a-Service consente l'accesso ai modelli condivisi privatamente tra i team e le applicazioni di un'organizzazione, preservando il controllo sui dati. 

Come applicare l'IA in azienda. 

In fase di adozione dell'IA, è normale iniziare con strumenti e interfacce più semplici e intuitivi. Tuttavia, con l'aumentare dell'utilizzo, si passa dall’esecuzione di un paio di modelli all'applicazione dell'IA in modo scalabile. All'inizio in genere ci si limita ad alcuni modelli specifici in produzione, ma nel tempo probabilmente verranno eseguiti molti tipi di modelli diversi: linguistici, di immagine, audio e altro, spesso con più versioni e scenari di utilizzo.

Ciò significa passare da un approccio che prevede interventi interamente manuali, a una metodologia più articolata, in cui i modelli vengono gestiti in modo efficiente e coerente.

L'obiettivo dell'approccio Model-as-a-Service è gestire tutti questi passaggi in modo affidabile e scalabile.

Non sono necessari provider di IA pubblici per esplorare i modelli di IA, come la retrieval augmented generation (RAG), l’Agentic AI e gli assistenti di programmazione. I modelli di IA privati possono supportare questi strumenti senza compromettere la facilità di utilizzo per l'utente finale.

Model-as-a-Service è pensato per supportare l'uso di modelli linguistici di grandi dimensioni (LLM) disponibili apertamente come Mistral, Llama, DeepSeek e altri. Inoltre, non si limita ai modelli fondativi preaddestrati: MaaS è in grado di fornire modelli ottimizzati o persino modelli di IA predittiva sviluppati da zero, il tutto sulla stessa piattaforma completamente supportata. 

In una tipica implementazione MaaS, un team di ingegneria della piattaforma di IA o IT utilizza gli endpoint API per rendere i modelli di intelligenza artificiale disponibili ai clienti interni, come sviluppatori e utenti aziendali. In genere, gli ambienti MaaS si basano su piattaforme di IA nel cloud ibrido con gateway API per semplificare l'integrazione tra team e operazioni. I componenti chiave di MaaS includono i modelli, una piattaforma di IA scalabile, un sistema di orchestrazione dell'intelligenza artificiale e la gestione delle API. Tutti questi componenti mobili consentono a Model-as-a-Service di supportare una strategia di intelligenza artificiale scalabile. 

Guarda una demo di MaaS 

Una soluzione MaaS completa semplifica l'integrazione dell'intelligenza artificiale, consente di risparmiare tempo e denaro e di mantenere il controllo sulla strategia di IA. MaaS presenta diverse qualità: 

Accessibile e scalabile. Le organizzazioni spesso creano un'IA privata per mantenere il controllo sulle proprie strategie di intelligenza artificiale, ma se è di difficile utilizzo, nessuno finisce per adottarla. Affinché sia efficace, l’IA privata deve essere intuitiva quanto i servizi pubblici (come OpenAI, OpenRouter o Gemini). MaaS dovrebbe essere accessibile a coloro che non sono esperti di intelligenza artificiale, in modo che si possa adattare in base alle esigenze. Inoltre, deve integrarsi con le attività quotidiane ed essere scalabile in tutte le operazioni dell'organizzazione.

Tracciabile e regolabile. È fondamentale tenere traccia di chi utilizza Model-as-a-Service, in che misura e perché per rendicontarne il consumo (showback) o addebitare l'utilizzo (chargeback). Se non è possibile eseguire questo monitoraggio, è difficile gestire i costi, la capacità o l'equità tra i team. 

Trasparente e sicuro. Per trarre il massimo vantaggio dal modello di IA privato, è fondamentale disporre di dati aziendali univoci, ma anche adottare regole rigorose che regolamentino l’invio di tali dati. MaaS consente di personalizzare questo modello e di mantenere il pieno controllo sui dati. La trasparenza dei modelli è essenziale, pertanto occorre prestare attenzione ai cosiddetti modelli "black box" (a scatola nera): L'esplicabilità e la tracciabilità aiutano a comprendere il modello di IA, a migliorare l'efficienza e a mantenere procedure etiche per l'IA.

Come aumentare il valore dell'IA con MaaS

Large Language Model-as-a-Service (LLMaaS) è un tipo di MaaS specializzato nelle funzionalità dei modelli linguistici di grandi dimensioni (LLM), come l'elaborazione di linguaggi complessi.  

Gli LLM sono modelli di deep learning progettati per elaborare grandi quantità di dati al fine di comprendere e comunicare in varie lingue e sono utilizzati per l'IA generativa e, comunemente, per la creazione di chatbot. Ma sono anche alla base della maggior parte degli scenari di utilizzo dell'intelligenza artificiale odierni, come la RAG, l’Agentic AI e gli assistenti di programmazione. 

Rispetto a LLMaaS, MaaS è più indipendente dalla tecnologia e in grado di adattarsi più facilmente rispetto a nuovi tipi di modelli e alla loro evoluzione. Questa flessibilità aiuta a mantenere stabili le funzioni di model serving e di accesso, anche quando i modelli cambiano. 

Scopri altri scenari di utilizzo dell'IA generativa 

Adottare MaaS, in sostanza, significa avere il controllo delle risorse. Aiuta i team che non dispongono del budget o delle competenze di IA necessari a creare, addestrare e fornire i propri modelli alle proprie condizioni.

La gestione dell'infrastruttura e delle GPU può essere costosa, ma diventando un provider di IA privato è possibile evitare la complessità dei servizi di IA frammentati e tenere sotto controllo i costi dell'infrastruttura.

I vantaggi specifici di MaaS includono:

• Time to value più rapido. MaaS consente ai team di sviluppare applicazioni e risolvere problemi aziendali anziché gestire l'infrastruttura alla base, il che accelera il deployment e le iniziative di innovazione.
• Efficienza e riduzione dei costi. Con un'infrastruttura di IA centralizzata, la tua organizzazione può beneficiare di un'unica sorgente, anziché dover utilizzare molti servizi di intelligenza artificiale diversi. In questo modo si evitano sprechi di energie, spese eccessive e risorse disorganizzate.
• Migliore gestione del tempo. La gestione delle GPU richiede professionisti competenti e addestrati, nonché un certo budget. Con MaaS, il tuo team di IA può concentrarsi su responsabilità come la gestione e la distribuzione dei modelli, anziché su attività ripetitive e dispendiose in termini di tempo.
• Privacy e sicurezza. Disponendo di un provider di intelligenza artificiale privato, puoi eseguire il self-hosting dei tuoi modelli di IA per evitare l'utilizzo di infrastrutture rivolte al pubblico. Quando i dati non sono esposti a terze parti, è più facile proteggerli e gestirli con i criteri di sicurezza esistenti. 

Scopri altri modi per velocizzare gli LLM in modo scalabile con Mixture of Experts

Puoi utilizzare la soluzione MaaS predefinita di un provider o crearne una personalizzata. Un team della tua azienda può sviluppare una soluzione MaaS interna da distribuire e rendere operativa. 

Creare un servizio di modello che soddisfi le tue esigenze è importante, ma è solo il primo di molti aspetti di cui tenere conto quando si sviluppa un modello in autonomia. Esistono altri fattori da prendere in considerazione prima di iniziare: 

• Processi di raccolta dei dati: in che modo puoi assicurarti che i dati di addestramento siano di alta qualità? Come puoi proteggere i tuoi dati privati?
• Gestione delle risorse: chi sarà responsabile della creazione, dello sviluppo e della gestione di MaaS e GPU?
• Infrastruttura affidabile: la tua infrastruttura è sufficientemente affidabile da supportare un nuovo modello di IA? Disponi delle risorse necessarie per trarre vantaggio dal modello, una volta creato? 

Rispondere a queste domande prima di iniziare aiuta a prepararsi e garantire l’efficacia dell’iniziativa. 

Quando conviene utilizzare MaaS nella tua azienda?

L'IA sovrana rappresenta il passaggio dal noleggio alla proprietà dell'IA. Significa avere il pieno controllo della tecnologia, mantenere i dati on premise e assicurare che i sistemi di IA rispecchino i propri valori e i requisiti legali. 

Con l'approccio MaaS, eventuali modifiche al modello o l'interruzione dell'accesso da parte del provider sono completamente fuori dal tuo controllo. L'IA sovrana consiste proprio nel passare dalla dipendenza dal servizio altrui al possesso del proprio.

Nel percorso verso l'IA sovrana, è importante comprendere lo spettro della sovranità per capire a che punto ci si trova ora e quali sono i passi da compiere successivamente:

• Sovranità zero: la maggior parte delle aziende inizia da qui, utilizzando l'approccio MaaS. Stai utilizzando un modello che non conosci del tutto e invii i dati in elaborazione oltre confine; in questo scenario, sei solo un inquilino: se il tuo provider stacca la spina, l'IA non funziona più.

• Sovranità parziale: si tratta di una via di mezzo in cui si utilizzano modelli a pesi aperti e ospitati su un'infrastruttura regionale. Sai come modellare la conoscenza dei modelli e possedere il codice. In questo scenario, utilizzi probabilmente chip NVIDIA o provider cloud situati in altri Paesi; ti affidi, dunque, a un hardware esterno.

• Sovranità completa: la tua IA è sviluppata in territorio nazionale e su hardware di tua proprietà. viene addestrata su dati locali e funziona utilizzando risorse energetiche nazionali. 

Scopri di più sull'IA sovrana

MaaS è uno strumento estremamente utile che consente di accedere ai modelli più facilmente. Tuttavia, in assenza di un'inferenza efficace, MaaS ti dà accesso solo ai modelli che non fanno ciò di cui hai bisogno.

L'inferenza è alla base dell'IA generativa. Tuttavia, quando i modelli richiedono più dati e più memoria, l'hardware e gli acceleratori faticano a tenere il passo. E quando servono modelli di grandi dimensioni per l'esecuzione di strategie di livello aziendale, le cose possono complicarsi. Ecco perché l'hardware e il software che supportano le tue funzionalità di inferenza dell'IA aziendale possono determinare il successo o il fallimento della tua strategia di IA.

La fiducia nelle tue capacità di inferenza ti consentirà di investire in strumenti e sistemi utili come MaaS, che possono rendere tale inferenza ancora più efficace. 

L'importanza dell'inferenza IA

Red Hat® AI è progettato per un'inferenza rapida, flessibile ed efficiente tramite un server basato su vLLM. Collega in modo affidabile i modelli ai dati per unificare la personalizzazione e lo sviluppo di agenti specializzati su un'unica piattaforma. Realizzati su una base open source, i nostri prodotti offrono il pieno controllo dei flussi di lavoro end-to-end dell'IA, in modo scalabile. 

Red Hat AI Portfolio include Red Hat AI Enterprise, una piattaforma per il deployment, la gestione e la scalabilità dell'inferenza IA, i flussi di lavoro Agentic AI e le applicazioni basate sull'IA su qualsiasi infrastruttura.

Scopri Red Hat AI