Come funziona l'intelligenza artificiale?

7 min di lettura

L'intelligenza artificiale (AI) è una tecnologia che simula l'intelligenza umana nello svolgimento dei compiti e può migliorare frequentemente se stessa sulla base delle informazioni che raccoglie [1]. In parole semplici, rendiamo le macchine capaci di pensare, apprendere e risolvere problemi in modo simile all'intelligenza umana.

Principi fondamentali del funzionamento dell'AI

L'intelligenza artificiale funziona utilizzando dati, algoritmi e modelli matematici per scoprire schemi e produrre previsioni, classificazioni, decisioni o nuovi contenuti [2]. Invece di programmare manualmente ogni possibile scenario, i moderni sistemi di AI possono apprendere i modelli dagli esempi [2].

L'idea di base consiste nel "addestrare" l'AI fornendole enormi quantità di informazioni o "dati", che essa analizza per trovare schemi e relazioni nascoste. Sulla base di questi schemi, costruisce un proprio "modello" interno, che poi utilizza per fare previsioni o prendere decisioni quando riceve informazioni nuove che non ha mai visto prima [3].

L'intelligenza artificiale addestra grandi modelli di base su enormi quantità di dati grezzi e non etichettati (testi, immagini, video), per formare una rete neurale composta da miliardi di parametri che rappresentano schemi e relazioni nei dati [4]. Un modello di base può essere utilizzato in molteplici applicazioni per fornire la risposta corretta e appropriata, regolando il formato desiderato dell'output tramite i prompt [4].

Differenza tra Machine Learning e Deep Learning

Il Machine Learning e il Deep Learning sono due campi strettamente correlati; si può dire che il Deep Learning sia una sottosezione avanzata del Machine Learning.

Machine Learning (Apprendimento Automatico)

È un insieme più ampio di tecniche che permettono ai sistemi di apprendere dai dati e prendere decisioni senza essere programmati esplicitamente per ogni compito. Al modello vengono forniti molti dati e spesso l'ingegnere umano deve "dire" al modello quali sono le caratteristiche importanti in questi dati, in un processo chiamato "feature engineering". Il modello utilizza algoritmi statistici per trovare schemi e relazioni.

Il Machine Learning può funzionare bene con set di dati più piccoli ed è utilizzato in applicazioni come i sistemi di raccomandazione, il rilevamento dello spam e la previsione dei prezzi delle case.

Deep Learning (Apprendimento Profondo)

È un tipo particolare di Machine Learning che utilizza le "reti neurali profonde", strutture ispirate al modo in cui funziona il cervello umano. Al modello vengono forniti direttamente dati grezzi senza la definizione delle caratteristiche, e la rete neurale profonda, composta da più strati, apprende automaticamente caratteristiche diverse e complesse dai dati.

Il Deep Learning richiede solitamente enormi quantità di dati e una notevole potenza di calcolo, ed eccelle in compiti complessi come il riconoscimento di immagini e suoni, l'elaborazione del linguaggio naturale e le auto a guida autonoma.

Come apprendono le reti neurali dai dati?

Le reti neurali apprendono in modo simile a come l'essere umano impara per tentativi ed errori, ma su scala più ampia e a una velocità estrema.

Fasi dell'apprendimento

1. Inizio casuale: All'inizio dell'addestramento, i "pesi" e i "bias" della rete sono completamente casuali, il che significa che inizialmente la rete non sa nulla e fornisce previsioni errate.

2. Feedforward (Predizione): I dati passano attraverso i livelli della rete neurale. Ogni "neurone" elabora gli input, li moltiplica per i propri pesi, aggiunge il bias e poi passa il risultato ai neuroni successivi. Alla fine, la rete produce una "predizione".

3. Calcolo dell'errore: Confrontiamo la predizione della rete con la risposta corretta e calcoliamo l'entità della "perdita" (Loss). Più la predizione è lontana dalla realtà, maggiore è l'errore.

4. Backpropagation (Propagazione all'indietro): Inviamo il segnale di errore all'indietro attraverso la rete, dall'ultimo livello ai livelli precedenti, per determinare quanto ogni peso abbia contribuito a tale errore.

5. Regolazione dei pesi: Sulla base della backpropagation, la rete regola i propri pesi e bias utilizzando algoritmi di ottimizzazione come la "Discesa del Gradiente" (Gradient Descent), con l'obiettivo di ridurre l'errore la volta successiva.

6. Iterazione: Questo processo si ripete migliaia o milioni di volte con dati diversi, finché i pesi non diventano più precisi e gli errori della rete diminuiscono gradualmente.

I Large Language Models e come generano il testo

I Large Language Models (LLMs) sono un tipo avanzato di modelli di deep learning, progettati specificamente per comprendere e generare il linguaggio umano. Sono definiti "large" (grandi) per la quantità di dati su cui vengono addestrati (che possono raggiungere trilioni di parole) e per il numero di parametri (Parameters) che contengono (miliardi o trilioni).

Meccanismo di generazione del testo

Il metodo fondamentale per generare il testo è la predizione della parola successiva (o "token") ripetutamente:

1. Input: Si inizia fornendo al modello un "prompt" o un "contesto".

2. Tokenizzazione: Il modello converte le parole in "token", che tratta come numeri.

3. Predizione del token successivo: Il modello elabora questi token attraverso la sua rete neurale e calcola la probabilità di ogni possibile token per determinare quale sia il successivo più logico.

4. Selezione: Il modello non sceglie sempre la parola più probabile. Esistono diverse tecniche:

• Selezione Greedy: Sceglie sempre il token con la probabilità più alta.
• Campionamento (Sampling): Sceglie casualmente in base alle probabilità.
• Temperatura (Temperature): Controlla il grado di casualità; una temperatura bassa rende il modello più cauto, una alta lo rende più creativo.

5. Iterazione: Una volta scelto il token successivo, questo viene aggiunto alla sequenza e il processo si ripete per predire il token seguente.

6. Arresto: Il processo continua fino al raggiungimento di un segno di punteggiatura che indica la fine o di un token speciale di stop.

Il modello riceve valutazioni da esseri umani circa l'accuratezza o l'appropriatezza degli output, il che aiuta a migliorare le prestazioni del modello e a orientarlo verso risultati migliori attraverso l'apprendimento per rinforzo da feedback umano (RLHF) [4].

Limiti e rischi dell'Intelligenza Artificiale

Limiti Fondamentali

• Non possiede coscienza o comprensione reale: Non comprende il mondo nello stesso modo degli esseri umani e non possiede sentimenti o autocoscienza.
• Dipende interamente dai dati: La sua qualità riflette la qualità e la quantità dei dati di addestramento.
• Mancanza di buon senso: Potrebbe avere difficoltà a dedurre cose ovvie per un essere umano.
• Difficoltà nel gestire situazioni nuove: Eccelle in compiti simili ai dati di addestramento.
• Problema della "Scatola Nera" (Black Box): Difficoltà nel comprendere perché il modello abbia preso una determinata decisione.

Rischi di Allucinazione (Hallucination)

L'allucinazione si verifica quando l'IA genera informazioni che sembrano logiche ma sono completamente errate o non supportate dai fatti. Ciò accade a causa di:

• Addestramento probabilistico: Il modello predice la parola successiva basandosi sulle statistiche; la parola linguisticamente più probabile potrebbe non essere fattualmente corretta.
• Pressione a generare una risposta: Il modello è progettato per produrre testo, quindi potrebbe preferire "inventare" una risposta piuttosto che ammettere di non conoscere la soluzione.
• Dati incoerenti: Apprendimento di contraddizioni presenti nei dati di addestramento.

Rischi di Bias (Pregiudizio)

Il bias si manifesta quando i modelli mostrano pregiudizi ingiusti verso determinati gruppi, e deriva principalmente da:

• Bias nei dati di addestramento: se i dati riflettono i pregiudizi della società o non sono sufficientemente rappresentativi
• Bias nel design dell'algoritmo: derivante da come vengono definiti i criteri
• Bias nell'interazione umana: l'apprendimento di pregiudizi attraverso le interazioni con gli utenti

Impatto futuro sul lavoro e sull'istruzione

Lavoro

• Automazione dei compiti routinari: i sistemi di intelligenza artificiale sostituiranno gli esseri umani nei compiti ripetitivi e basati su regole
• Creazione di nuovi posti di lavoro: l'emergere di figure professionali come ingegneri dell'IA, specialisti di etica e prompt engineer
• Trasformazione e potenziamento del lavoro: l'IA diventerà uno strumento di supporto che aumenta la produttività, con l'uomo che lavora "con" l'IA
• Domanda di nuove competenze: pensiero critico, creatività, intelligenza emotiva e collaborazione

Istruzione

• Cambio dei programmi di studio: integrazione della scienza dei dati, dell'apprendimento automatico e dell'etica dell'IA
• Apprendimento personalizzato: analisi delle prestazioni degli studenti e fornitura di materiali personalizzati in base alle loro esigenze individuali
• Focus sulle competenze umane uniche: creatività, pensiero critico e collaborazione
• Apprendimento permanente (Lifelong Learning): necessità di un apprendimento continuo e di riqualificazione delle competenze
• Aumento dell'accessibilità: strumenti di traduzione, sintesi vocale e adattamento dei materiali

Conclusione

L'intelligenza artificiale è un software che impara dai dati per eseguire compiti che normalmente richiedono l'intelligenza umana, come la comprensione del linguaggio, il riconoscimento delle immagini, la traduzione e la previsione [3]. Funziona attraverso tre passaggi fondamentali: raccolta di numerosi esempi, addestramento di un modello matematico che modifica milioni di parametri interni per ridurre l'errore, e infine l'applicazione su nuovi dati mai visti prima [3].

Nonostante le sue enormi capacità, l'IA rimane uno strumento potente ma imperfetto. Comprendere i suoi limiti, in particolare i rischi di allucinazione e bias, è fondamentale per utilizzarla in modo responsabile. I ricercatori lavorano costantemente per affrontare questi problemi e migliorare la trasparenza, l'equità e l'affidabilità dei sistemi di IA.

Il futuro non sarà dell'IA come sostituto dell'uomo, ma di coloro che sapranno collaborare con essa, possedendo competenze umane uniche come creatività, pensiero critico e intelligenza emotiva, insieme alla capacità di apprendere continuamente e adattarsi a cambiamenti rapidi.