Per anni, l’intelligenza artificiale nel mondo aziendale ha seguito un percorso laborioso, spesso riservato a team di data scientist specializzati. Ogni nuova esigenza predittiva—che si trattasse di prevedere ritardi nelle consegne, stimare il rischio di insolvenza di un cliente o ottimizzare le scorte—richiedeva la creazione di un modello di machine learning su misura. Un processo frammentato, costoso e che poteva estendersi per settimane o mesi, noto per la sua dipendenza da un fine-tuning intensivo e specifico per ogni compito.
Oggi, il panorama dell’AI sta vivendo un cambiamento fondamentale che promette di rendere questa prassi un ricordo del passato. Al centro di questa trasformazione si trova SAP-RPT-1 (Relational Pre-trained Transformer), un modello di fondazione relazionale che l’azienda tedesca ha lanciato come risposta diretta alle esigenze di business basate su dati strutturati.
Mentre gran parte dell’attenzione mediatica si concentra sui Large Language Model (LLM) come GPT-4 o Gemini, che eccellono nella generazione di testo e nella comprensione del linguaggio non strutturato, SAP ha identificato una lacuna cruciale: le aziende operano principalmente su dati strutturati. I libri mastri finanziari, i registri della catena di approvvigionamento, le tabelle dei clienti: l’economia globale si regge su queste informazioni relazionali, organizzate in righe e colonne. I modelli LLM tradizionali, pur potenti, faticano quando si tratta di fare matematica complessa o di fare previsioni accurate basate sulla logica intrinseca di un database aziendale.
L’RPT-1 nasce proprio per colmare questo divario. Si tratta di un modello di fondazione interamente progettato per essere “table-native”, ovvero pre-addestrato su una quantità immensa di dati relazionali di business. Questa caratteristica gli conferisce una comprensione profonda e innata del contesto aziendale, delle relazioni tra le tabelle e del significato semantico di colonne e valori.
Il vantaggio rivoluzionario dell’RPT-1 risiede nella sua capacità di eseguire una vasta gamma di attività predittive aziendali senza richiedere un addestramento specifico per ogni singolo compito. Questa è l’essenza del concetto di “AI pronta all’uso”. Invece di dover investire tempo e risorse per affinare il modello per, ad esempio, la classificazione binaria di un rischio di ritardo, il modello RPT-1 sfrutta l’In-Context Learning applicato ai dati relazionali.
In termini pratici, l’AI è già pre-caricata con l’intelligenza necessaria per affrontare scenari aziendali comuni. Questo significa che le organizzazioni possono implementare rapidamente soluzioni di intelligenza artificiale per previsioni standard, come la probabilità di completamento di un ordine di vendita o l’identificazione di opportunità di vendita, trasformando radicalmente i tempi di implementazione.
Questo passaggio segna una vera e propria rottura con l’approccio tradizionale, che vedeva ogni funzione predittiva come un’entità isolata e richiedeva un team di specialisti per la sua gestione e manutenzione costante. Con un unico motore AI universale in grado di comprendere e processare i dati tabellari, la necessità di un fine-tuning dispendioso e frammentato svanisce per molti dei casi d’uso più frequenti.
L’impatto di RPT-1 va oltre la mera efficienza tecnologica; si estende alla democratizzazione dell’apprendimento automatico. Se un modello pre-addestrato funziona immediatamente per scenari di business standard, non è più indispensabile avere un costoso team interno di data scientist per ottenere semplici, ma cruciali, previsioni. L’AI predittiva diventa così accessibile a un numero maggiore di organizzazioni, accelerando il loro percorso verso la trasformazione digitale.
L’RPT-1 si inserisce nella più ampia strategia di SAP che mira a fornire agli sviluppatori strumenti aperti e potenti all’interno della sua AI Foundation. Disponibile sia all’interno dell’hub di generative AI di SAP che come modello open-weight sulla piattaforma Hugging Face, RPT-1 non è solo una singola innovazione, ma il capostipite di una nuova famiglia di modelli relazionali che l’azienda intende espandere. Questo modello non segna la fine definitiva del machine learning, specialmente per i casi d’uso estremamente specifici e proprietari di un’organizzazione, ma stabilisce una nuova base di intelligenza aziendale: una fondazione che rende le previsioni standard immediate, efficaci e, soprattutto, pronte all’uso.