Che cos'è esattamente l'intelligenza artificiale? [Video e quiz]

In breve: l'intelligenza artificiale (IA) è un'ampia famiglia di tecniche computazionali che riconoscono schemi, fanno previsioni, generano contenuti e, sempre più spesso, intraprendono azioni. Può essere estremamente efficace quando si basa su informazioni affidabili, autorizzazioni chiare e revisione umana, ma un output fluido non dovrebbe mai essere considerato una prova automatica di verità.

Punti chiave:

Responsabilità: è fondamentale che le persone siano responsabili delle decisioni importanti, soprattutto laddove l'IA può commettere errori costosi.

Trasparenza: Chiarire su quali informazioni, regole e autorizzazioni si basa un sistema di intelligenza artificiale.

Verifica: prima di agire, controlla i risultati fattuali, medici, legali, finanziari e commerciali più importanti.

Verificabilità: testare l'IA con casi rappresentativi e registrare sia i guadagni in termini di efficienza sia gli errori introdotti.

Resistenza agli abusi: limitare l'accesso, prevenire azioni non supportate e segnalare i casi incerti a revisori umani.

1. Cos'è davvero l'intelligenza artificiale? Una spiegazione semplice

L'intelligenza artificiale, o IA, si riferisce a sistemi informatici in grado di svolgere compiti associati all'intelligenza umana.

Tali compiti potrebbero includere:

• Comprensione del linguaggio

• Riconoscimento di oggetti nelle immagini

• Prevedere cosa succederà dopo

• Formulazione di raccomandazioni

• Generazione di testo, immagini, audio o video

• Individuare schemi in enormi insiemi di dati

• Prendere decisioni basandosi sulle informazioni disponibili

• Imparare dagli esempi

• Risolvere determinati tipi di problemi

Un punto in particolare è fondamentale.

L'intelligenza artificiale non ha necessariamente bisogno di pensare come un essere umano per produrre risultati che appaiono intelligenti.

Un programma di scacchi non si mette a chiedersi se sacrificare il proprio alfiere sia emotivamente giusto. Un algoritmo di raccomandazione non sviluppa un attaccamento personale al documentario che continua a suggerirti. Un modello linguistico non ha bisogno di un minuscolo insegnante di inglese che viva dentro il computer.

Questi sistemi, invece, elaborano le informazioni utilizzando modelli matematici, algoritmi, dati di addestramento, regole, probabilità e un'enorme quantità di calcoli.

Il risultato finale può apparire straordinariamente umano.

Ma il meccanismo sottostante è molto diverso.

Questa distinzione è più importante di quanto a volte le persone si rendano conto.

2. L'intelligenza artificiale assomiglia meno a un cervello robotico e più a una macchina predittiva

Quando le persone sentono parlare di "intelligenza artificiale", spesso immaginano qualcosa di simile a un cervello umano sintetico.

È comprensibile. La fantascienza ha passato decenni ad attribuire all'intelligenza artificiale occhi luminosi, voci minacciose, opinioni sospettosamente forti e, di solito, una sorta di scheletro metallico.

L'intelligenza artificiale pratica è generalmente meno cinematografica.

Molti moderni sistemi di intelligenza artificiale funzionano tramite previsioni.

Consideriamo un modello linguistico.

Quando digiti:

"Il gatto si è seduto sul..."

Il sistema valuta quali parole hanno una probabilità statisticamente elevata di comparire successivamente.

Possibilmente:

• stuoia

• pavimento

• divano

• sedia

Non si tratta semplicemente di memorizzare una frase e di recuperarla. Un modello sufficientemente avanzato ha appreso relazioni complesse tra parole, idee, strutture di frasi, concetti, stili, fatti e schemi.

Prevede quindi la sequenza che meglio si adatta al contesto. Prevedere correttamente la parola successiva richiede una conoscenza piuttosto approfondita della lingua.

E il linguaggio contiene... beh, praticamente tutto ciò di cui parlano gli esseri umani.

Storia. Matematica. Cucina. Programmazione. Relazioni. Fisica. Discussioni sull'opportunità di mettere l'ananas sulla pizza.

Pertanto, un compito di previsione apparentemente semplice può produrre comportamenti sorprendentemente complessi.

Naturalmente, la metafora ha dei limiti. Definire l'intelligenza artificiale avanzata "semplice completamento automatico" è un po' come definire un aereo "solo un pezzo di metallo con le ali". Tecnicamente, c'è del vero in questa affermazione, ma la parte più interessante è andata perduta.

3. Come impara l'intelligenza artificiale?

È qui che entra in gioco l' apprendimento automatico

Il software tradizionale generalmente funziona tramite istruzioni esplicite.

Un programmatore potrebbe scrivere:

• Se l'utente inserisce la password corretta, consenti l'accesso.

• Se la temperatura supera una determinata soglia, attivare il raffreddamento.

• Se un articolo non è disponibile, visualizza un avviso.

Quelle istruzioni sono programmate appositamente.

L'apprendimento automatico ribalta il processo.

Anziché definire manualmente ogni regola, gli sviluppatori forniscono al sistema esempi o dati e gli permettono di individuare degli schemi.

Immaginate di dover creare un software in grado di riconoscere i gatti nelle fotografie.

Scrivere regole esplicite diventerebbe ridicolo piuttosto in fretta.

Potresti provare:

• Cercate orecchie triangolari.

• Cercate i baffi.

• Cerca quattro zampe.

• Cercate la pelliccia.

Poi qualcuno carica la foto di una volpe.

Non proprio.

Oppure una tigre.

Oppure un gatto raggomitolato in una massa informe di pelo, di cui si vedono a malapena le zampe.

L'apprendimento automatico affronta il problema in modo diverso. Un modello può essere addestrato su enormi raccolte di esempi e imparare gradualmente quali schemi visivi sono associati ai gatti.

Non sta imparando la parola "gatto" nello stesso modo in cui la impara un bambino piccolo.

Dal punto di vista matematico, tuttavia, il modello diventa sempre più capace di identificare schemi connessi alla categoria.

Questo è, in poche parole, il machine learning, anche se questo concetto essenziale racchiude al suo interno diversi livelli di algebra lineare.

4. Intelligenza artificiale vs apprendimento automatico vs apprendimento profondo

Questi termini vengono costantemente confusi, in parte perché le persone usano "IA" come termine generico per praticamente qualsiasi cosa.

Ecco un modo semplice per separarli.

L'intelligenza artificiale è un campo molto vasto.

L'apprendimento automatico è uno degli approcci utilizzati per creare sistemi di intelligenza artificiale.

Il deep learning è una particolare tipologia di apprendimento automatico che prevede l'utilizzo di grandi reti neurali con più strati.

Poi c'è l'intelligenza artificiale generativa, che si concentra sulla creazione di nuovi output come testo, immagini, musica, codice, parlato o video.

Tabella comparativa

Termine	Utilizzo tipico	Cosa significa in sostanza	Un modo rapido per pensarci
Intelligenza artificiale	Ampia categoria di macchine che svolgono compiti apparentemente intelligenti	Robotica, assistenti, pianificazione, raccomandazioni	Il grande ombrello
Apprendimento automatico	I sistemi apprendono modelli dai dati	Rilevamento delle frodi, raccomandazioni, previsioni	Imparare dagli esempi
Apprendimento profondo	Apprendimento automatico tramite reti neurali multistrato	Visione, linguaggio, modelli linguistici avanzati	ML, ma molto più profondo... letteralmente
IA generativa	Intelligenza artificiale progettata per produrre nuovi contenuti	Testo, immagini, codice, audio	Il ramo più o meno creativo
Automazione	Software che segue processi predefiniti	Flussi di lavoro ripetitivi, inserimento dati	Di solito si tratta di regole, non di "apprendimento"

Questa distinzione è importante perché non tutti i sistemi automatizzati sono basati sull'intelligenza artificiale.

Se la tua macchina del caffè si spegne da sola dopo dieci minuti, complimenti: probabilmente non possiedi un laboratorio di intelligenza artificiale.

È solo un timer.

5. Cosa sono le reti neurali?

Le reti neurali sono sistemi matematici liberamente ispirati ai neuroni biologici.

Questa espressione li fa apparire misteriosi. Non si tratta letteralmente di cervelli artificiali che fluttuano all'interno di computer.

Una rete neurale è composta da unità matematiche interconnesse che elaborano informazioni.

Durante l'addestramento, la rete regola i valori numerici interni chiamati parametri o pesi.

Tali modifiche consentono al sistema di diventare più efficiente nella produzione di risultati di valore.

Immaginatelo come un pannello di controllo incredibilmente complicato, con potenzialmente miliardi di minuscole manopole regolabili.

L'allenamento stimola ripetutamente quei meccanismi.

Risposta sbagliata?

Regola le manopole.

Risposta migliore?

Regolali in modo diverso.

Ripetendo questo processo un numero sufficiente di volte, con una quantità di dati sufficiente e con una potenza di calcolo adeguata, la rete inizia a sviluppare rappresentazioni interne complesse che le consentono di riconoscere e generare schemi.

Certo, dire "regola le manopole" fa sembrare decenni di informatica come qualcuno che regola una vecchia radio... ma come modello mentale, funziona straordinariamente bene.

6. Perché l'IA improvvisamente sembra molto più intelligente

L'intelligenza artificiale non è un'invenzione apparsa dal nulla.

Il campo di applicazione sottostante esiste da molto tempo.

Ciò che è cambiato è stata l'accelerazione simultanea di diverse forze.

Maggiore potenza di calcolo

I processori moderni sono in grado di eseguire un numero enorme di calcoli in tempi rapidi, in particolare quelli necessari per le reti neurali. L'aumento della potenza di calcolo per l'addestramento è stato uno dei principali fattori trainanti dei progressi nei moderni sistemi di intelligenza artificiale.

Ulteriori dati

Il mondo digitale contiene quantità gigantesche di testo, immagini, audio, video, codice e informazioni strutturate.

L'addestramento di modelli sofisticati richiede esempi, e molti esempi.

Algoritmi migliori

I ricercatori migliorano continuamente le architetture e i metodi utilizzati per addestrare i sistemi di intelligenza artificiale.

Modelli più grandi

L'aumento del numero di parametri, il miglioramento dei set di dati e l'incremento della potenza di calcolo hanno spesso prodotto modelli sorprendentemente performanti. La ricerca sull'addestramento di modelli linguistici ottimizzati in termini di risorse computazionali dimostra inoltre che è necessario trovare un equilibrio tra dimensioni del modello, dati e potenza di calcolo, piuttosto che puntare semplicemente alla massimizzazione del numero di parametri.

Interfacce migliori

Questa parte è facile da sottovalutare.

L'intelligenza artificiale appare notevolmente più accessibile perché ora le persone comuni possono interagire con sistemi avanzati utilizzando il linguaggio di tutti i giorni.

Non è necessario che tu capisca di programmazione.

Puoi semplicemente chiedere:

"Spiegatemi i mutui come se avessi dodici anni."

O:

"Trasforma gli appunti di questa riunione in un'e-mail."

O:

"Dammi cinque idee per la cena usando pollo, riso e le verdure che stanno lentamente morendo nel mio frigorifero."

Quel cambiamento di interfaccia è enorme.

La popolarità di una tecnologia tende a crescere esponenzialmente quando le persone smettono di aver bisogno di un manuale per utilizzarla.

7. Cosa fa l'IA quando le poni una domanda?

Prendiamo in considerazione un assistente basato sull'intelligenza artificiale di ultima generazione.

Tu digiti:

"Spiega la gravità a un bambino di cinque anni."

Dietro le quinte, il sistema converte il testo in unità numeriche chiamate token.

I token possono rappresentare parole complete, parti di parole, segni di punteggiatura o altri elementi linguistici.

Quei token vengono elaborati tramite il modello.

Il modello analizza le relazioni tra le diverse parti della tua richiesta, considera il contesto e prevede una continuazione utile.

Poi un altro gettone.

Poi un altro.

Poi un altro.

Avviene con una rapidità sorprendente.

Il paragrafo risultante sembra essere stato composto come un pensiero completo, ma tecnicamente è stato generato in sequenza.

Questa è una delle caratteristiche più peculiari dell'intelligenza artificiale.

Il risultato può apparire intenzionale anche se il processo sottostante è probabilistico.

Assomiglia più all'improvvisazione che al recupero di una risposta preconfezionata da un enorme database.

Non si tratta esattamente di improvvisazione, certo, ma ci si avvicina abbastanza da rendere la metafora efficace.

8. L'intelligenza artificiale comprende le cose?

Questa domanda assume ben presto una connotazione filosofica.

Un sistema di intelligenza artificiale è davvero in grado di "comprendere" il linguaggio?

La risposta dipende molto da cosa intendi per "comprensione".

I moderni modelli di intelligenza artificiale sono in grado di manipolare i concetti in modi sofisticati.

Possono:

• Spiega le idee

• Confronta gli argomenti

• Riscrivi il testo

• Traduci lingue

• Risolvere numerosi problemi strutturati

• Genera codice funzionante

• Identificare gli schemi

• Seguire istruzioni complicate

• Unire i concetti in modi nuovi

Dall'esterno, questo può sembrare molto simile alla comprensione.

Esistono però importanti differenze tra l'intelligenza artificiale e la cognizione umana.

Gli esseri umani fanno esperienza del mondo fisico.

Proviamo fame, dolore, imbarazzo, noia, affetto e il particolare panico di rendersi conto che la batteria del telefono è al 2%.

I sistemi di intelligenza artificiale non possiedono necessariamente un'esperienza vissuta equivalente.

Elaborano le rappresentazioni.

Chiedersi se un'IA "capisce" qualcosa è quindi come chiedersi se un sottomarino nuota.

Si muove sicuramente nell'acqua.

Ma forse "nuotare" non è proprio la parola giusta.

9. L'IA non sa automaticamente cosa è vero

Questo è uno dei punti più importanti riguardo all'intelligenza artificiale generativa.

Un modello può generare un'affermazione che sembra estremamente convincente pur non essendo corretta.

Perché?

Perché generare un linguaggio plausibile e verificare la verità oggettiva sono problemi diversi.

Un sistema di intelligenza artificiale potrebbe trovarsi di fronte all'incertezza e produrre comunque una risposta che sembri sicura.

Questi errori vengono spesso definiti allucinazioni.

Ad esempio, l'intelligenza artificiale potrebbe:

• Inventa una statistica

• Attribuzione errata di una citazione

• Confondere due persone simili

• Genera riferimenti inesistenti

• Interpretare erroneamente istruzioni ambigue

• Commettere piccoli errori matematici

I modelli linguistici possono produrre citazioni, studi, riferimenti e altre informazioni errate inventate, pur apparendo sicuri di sé. Il NIST identifica specificamente i contenuti falsi e le citazioni inventate, presentati con sicurezza, come un rischio dell'intelligenza artificiale generativa.

Paradossalmente, più questi sistemi sembrano efficienti, più è facile dimenticarlo.

Un linguaggio ricercato infonde fiducia.

Ma la fiducia non è una prova.

Per le informazioni di fondamentale importanza che riguardano settori come la medicina, il diritto, la finanza, la sicurezza o le decisioni aziendali cruciali, la verifica rimane essenziale.

Un bel po'.

10. L'intelligenza artificiale non è la stessa cosa di un motore di ricerca

Un altro equivoco comune è quello di considerare l'intelligenza artificiale e la ricerca come la stessa cosa.

Non lo sono.

Un motore di ricerca tradizionale aiuta principalmente a individuare informazioni già esistenti.

Un sistema di intelligenza artificiale generativa genera principalmente una risposta basandosi su modelli appresi, sul contesto fornito e su eventuali strumenti aggiuntivi a cui ha accesso. I modelli generativi apprendono schemi e relazioni in grandi insiemi di dati e utilizzano tali schemi per creare nuovi output.

Immagina di chiedere:

Motore di ricerca: "migliori modi per spiegare la fotosintesi"

In genere si ricevono pagine da esaminare.

Poni la stessa domanda a un assistente IA e potresti ricevere:

• Una semplice spiegazione

• Un'analogia con la classe

• Un quiz

• Un piano di lezione

• Una storia per bambini

• Una versione scientifica dettagliata

La ricerca restituisce risultati.

L'intelligenza artificiale generativa sintetizza.

I sistemi moderni possono combinare entrambi gli approcci, il che rende la distinzione sempre più sfumata, ma gli strumenti rimangono concettualmente diversi.

11. Cosa sa fare bene l'IA?

L'intelligenza artificiale tende a ottenere risultati particolarmente buoni in compiti che richiedono un'elevata presenza di schemi, sono ricchi di informazioni e richiedono processi di trasformazione.

Tra le applicazioni utili si annoverano:

Assistenza alla scrittura

L'intelligenza artificiale è in grado di redigere, riscrivere, riassumere e ristrutturare testi.

Programmazione

I modelli possono generare codice, spiegare gli errori, suggerire miglioramenti e aiutare gli sviluppatori a comprendere sistemi sconosciuti.

Analisi dei dati

L'intelligenza artificiale può essere d'aiuto nell'identificazione di modelli, nell'interpretazione di set di dati e nella conversione di risultati complessi in un linguaggio comprensibile.

Generazione di immagini

I modelli generativi possono creare illustrazioni, concept, prototipi di prodotti, opere d'arte e varianti visive a partire da descrizioni.

Traduzione

I modelli avanzati sono in grado di tradurre tra lingue diverse preservando un contesto più ampio rispetto ai semplici sistemi di traduzione parola per parola.

Istruzione

L'intelligenza artificiale può spiegare lo stesso concetto in diversi modi, a seconda del livello di conoscenza dell'utente.

Assistenza clienti

Le aziende possono utilizzare l'intelligenza artificiale per rispondere a domande comuni e agevolare la gestione dei casi più complessi.

Brainstorming

L'intelligenza artificiale può essere particolarmente efficace quando si ha a disposizione l'equivalente intellettuale di un frigorifero vuoto.

Puoi chiedere angoli, nomi, concetti, strutture o possibilità, per poi decidere cosa vale la pena conservare.

Spesso, questo è il rapporto di lavoro più sano con l'intelligenza artificiale.

Non si tratta di "una macchina che sostituisce l'uomo"

Più simile a:

Uomo + macchina = prima bozza di pensiero più rapida.

12. In cosa l'IA è ancora carente

Nonostante tutta l'attenzione che suscita, l'intelligenza artificiale attuale presenta ancora notevoli limitazioni.

Alcuni sono evidenti a prima vista.

Altri problemi emergono solo quando ci si affida al sistema per qualcosa di complesso.

L'intelligenza artificiale può avere difficoltà con:

• Precisione fattuale estremamente elevata

• Casi limite insoliti

• Lunghe catene di ragionamenti

• Istruzioni ambigue

• Presupposti di buon senso che gli esseri umani notano a malapena

• Comprendere il contesto emotivo implicito

• Verificare se le informazioni sono effettivamente vere

• Compiti che richiedono esperienza nel mondo fisico

• Coerenza in progetti complessi

Anche i modelli linguistici più performanti possono commettere errori fattuali e di ragionamento, e i benchmark più impegnativi continuano a evidenziare notevoli limitazioni.

Un altro problema è che l'IA può produrre risposte dall'aspetto mediocre con pochissimo sforzo.

Chiedi dieci nomi di aziende?

Fatto.

Desideri un post per il blog?

Facile.

Chiedi idee di marketing?

Sicuro.

Ma generare qualcosa non è la stessa cosa che produrre un'opera che sia genuinamente originale, commercialmente valida, emotivamente intelligente o strategicamente valida.

Gli esseri umani sono ancora responsabili del gusto.

Il gusto conta.

Forse più che mai.

13. L'intelligenza artificiale è cosciente?

Ed ecco che arriviamo al punto in cui le conversazioni a cena si fanno bizzarre.

Gli attuali sistemi di intelligenza artificiale sono in grado di produrre un linguaggio che suona emotivo, riflessivo e consapevole.

Ciò non significa automaticamente che essi sperimentino la coscienza.

I modelli linguistici sono specificamente addestrati per generare linguaggio.

E gli esseri umani interpretano naturalmente il linguaggio fluente come prova dell'esistenza di un'altra mente dietro di esso.

Di solito, si tratta di un'ipotesi sensata.

Quando un'altra persona dice "Sono preoccupato/a", presumiamo, a ragione, che esista uno stato emotivo interiore.

Nel caso dell'intelligenza artificiale, tale presupposto non è necessariamente giustificato.

Un sistema può generare:

"Sono entusiasta di poter dare una mano."

Ciò non dimostra che all'interno del server si nasconda una piccola creatura emotiva invisibile che si sta godendo un pomeriggio meraviglioso.

La difficile questione filosofica è se la coscienza delle macchine possa mai emergere.

Nessuno possiede un test semplice in grado di risolvere definitivamente questo dibattito.

Ma la fluidità nella conversazione di per sé non dovrebbe essere considerata una prova. Concetti come l'intelligenza artificiale cosciente o "forte" rimangono teorici, piuttosto che una proprietà consolidata dei sistemi odierni.

14. Intelligenza artificiale ristretta vs. Intelligenza artificiale generale

La maggior parte dei sistemi di intelligenza artificiale è ancora progettata attorno a funzionalità specifiche.

Queste vengono spesso definite IA ristrette.

Tra gli esempi figurano i sistemi progettati per:

• Riconoscimento delle immagini

• generazione del linguaggio

• Raccomandazione

• Assistenza alla guida

• Diagnostica per immagini medica

• Rilevamento delle frodi

• Riconoscimento vocale

L'Intelligenza Artificiale Generale, comunemente abbreviata in AGI, si riferisce a un livello ipotetico molto più ampio di intelligenza artificiale.

L'idea è quella di un sistema capace di apprendere ed eseguire compiti intellettuali in molti ambiti a un livello di capacità paragonabile a quello umano o addirittura superiore.

Il confine non è perfettamente definito.

Questa è una delle difficoltà.

Ricercatori, aziende e commentatori diversi usano il termine "AGI" in modi differenti, quindi le conversazioni possono facilmente trasformarsi in tre persone che dibattono animatamente su definizioni diverse senza rendersene conto. Attualmente non esiste un ampio consenso accademico su cosa debba essere esattamente definito AGI.

In altre parole, il classico comportamento da internet.

15. Perché i dati di addestramento sono così importanti

I sistemi di intelligenza artificiale apprendono schemi dagli esempi, quindi la qualità di tali esempi è di fondamentale importanza.

I dati di addestramento assumono quindi un'importanza eccezionale.

Immaginate di addestrare qualcuno a diventare chef, ma di dargli solo ricette per preparare i toast.

Potrebbero diventare bravissimi a preparare i toast.

Forse un toast degno di una stella Michelin.

Ma porgere loro un polpo e chiedere di cenare potrebbe diventare interessante.

L'intelligenza artificiale funziona in modo simile.

La qualità, la diversità e la pertinenza del materiale di addestramento influenzano ciò che i modelli apprendono. I sistemi generativi apprendono modelli e relazioni statistiche dai dati di addestramento, anziché funzionare come i database convenzionali.

I problemi nei set di dati possono manifestarsi negli output, tra cui:

• Pregiudizio

• Conoscenza mancante

• Idee sbagliate ripetute

• Risultati deludenti nelle aree sottorappresentate

• Sovrarappresentazione di determinati modelli linguistici o culturali

I modelli di apprendimento automatico possono essere soggetti a distorsioni dovute al modo in cui vengono selezionati e gestiti gli esempi di addestramento, e dati sbilanciati o incompleti possono influire sulle prestazioni del modello.

Gli sviluppatori, pertanto, dedicano enormi sforzi al miglioramento dei set di dati, al filtraggio dei contenuti e al perfezionamento dei modelli dopo l'addestramento iniziale.

L'architettura del modello è importante.

Anche la potenza di calcolo è importante.

Ma i dati si annidano silenziosamente sotto ogni cosa, come le tubature: nessuno ne parla finché non si verifica un problema.

16. Come i modelli di intelligenza artificiale migliorano dopo l'addestramento

La formazione iniziale non è necessariamente l'ultimo passo.

I modelli possono essere sottoposti a processi aggiuntivi progettati per renderli più performanti e affidabili.

Ciò potrebbe comportare l'insegnamento ai sistemi a:

• Seguire le istruzioni in modo più affidabile

• Evitare emissioni dannose

• Formattare le risposte in modo appropriato

• Rifiutare determinate richieste

• Preferisco risposte più chiare

• Utilizzare gli strumenti

• Segui il feedback umano

• Gestire meglio le conversazioni

Questo processo è ampiamente associato all'allineamento. Le tecniche di feedback umano, ad esempio, sono state utilizzate per migliorare la capacità di seguire le istruzioni e orientare i modelli linguistici verso il comportamento desiderato dopo un pre-addestramento.

Allineamento significa cercare di far sì che il comportamento dell'IA rifletta meglio le intenzioni, le regole e le preferenze umane.

Frase semplice.

Un problema ingegneristico estremamente difficile.

Gli esseri umani non riescono nemmeno a mettersi d'accordo su cosa costituisca un buon condimento per la pizza, quindi codificare "ciò che gli umani desiderano" in potenti sistemi computazionali è... ambizioso.

17. Agenti di IA: quando l'IA inizia ad agire

Un chatbot standard risponde principalmente alle richieste dell'utente.

Un agente di intelligenza artificiale può potenzialmente intraprendere azioni per raggiungere un obiettivo. Gli agenti di intelligenza artificiale sono comunemente descritti come sistemi in grado di svolgere autonomamente compiti, pianificare flussi di lavoro e utilizzare gli strumenti disponibili.

Immagina di dire a un'intelligenza artificiale:

"Organizza il mio viaggio d'affari."

Un modello linguistico standard potrebbe generare un itinerario.

In teoria, un sistema basato su agenti potrebbe eseguire molteplici azioni interconnesse:

1. Verifica le opzioni di viaggio disponibili.

2. Confronta gli orari.

3. Individuare un alloggio adeguato.

4. Aggiungi eventi a un calendario.

5. Prepara una lista di cose da mettere in valigia.

6. Aggiorna i piani in caso di cambiamenti.

La differenza sta nell'azione e nella perseveranza.

Anziché rispondere a una singola richiesta, il sistema procede attraverso una sequenza di attività.

Questo è uno dei motivi per cui gli agenti basati sull'intelligenza artificiale suscitano tanto interesse.

Fanno sì che l'intelligenza artificiale passi dall'essere un generatore di contenuti a qualcosa di più simile a un operatore di software.

Questo cambiamento potrebbe rivelarsi estremamente prezioso, ma solleva anche seri interrogativi in ​​merito ad autorizzazioni, affidabilità e controllo. Il NIST ha specificamente evidenziato le problematiche di sicurezza e affidabilità relative agli agenti che possono accedere a strumenti, applicazioni e dati.

Probabilmente non vorreste che un algoritmo troppo entusiasta prenotasse per errore dodici camere d'albergo perché ha frainteso il significato di "viaggio di gruppo"

18. Perché la comprensione dell'IA sta diventando una questione sempre più importante

La domanda " Cos'è davvero l'IA?" un tempo sembrava un quesito accademico.

Oggi è sempre più pratico e immediato.

L'intelligenza artificiale sta comparendo all'interno di strumenti utilizzati per:

• Lavoro

• Istruzione

• Creatività

• Sviluppo software

• Assistenza sanitaria

• Media

• Finanza

• Comunicazione

• Ricerca

• Divertimento

Comprendere i principi fondamentali aiuta le persone a prendere decisioni migliori.

Non è necessario diventare un ingegnere di apprendimento automatico.

Ma conoscere la differenza tra previsione e certezza, generazione e recupero, automazione e intelligenza può prevenire un numero sorprendente di errori.

Aiuta anche a decifrare il linguaggio del marketing.

Perché le aziende adorano associare la parola "IA" a qualsiasi cosa.

A volte, giustamente.

A volte perché "Piattaforma avanzata di intelligenza artificiale predittiva" suona decisamente più accattivante di "foglio di calcolo con un pulsante fantasioso"

19. L'intelligenza artificiale sostituirà le persone?

Questa è probabilmente la domanda più carica di emozioni nel dibattito sull'intelligenza artificiale.

Le risposte semplicistiche raramente reggono.

"L'intelligenza artificiale sostituirà tutti."

Probabilmente un po' troppo drammatico.

"L'intelligenza artificiale non avrà ripercussioni sui posti di lavoro."

Difficile anche da prendere sul serio.

La tecnologia tende a modificare le mansioni prima di trasformare intere professioni. Le attuali ricerche sul mercato del lavoro valutano spesso l'esposizione all'intelligenza artificiale a livello di singola mansione, e l'esposizione all'automazione non implica automaticamente la scomparsa di un intero posto di lavoro.

Un addetto al marketing potrebbe utilizzare l'IA per:

• Brainstorming

• Redazione

• Organizzazione di ricerca

• Analisi

• Variazioni di contenuto

Tuttavia, strategia, giudizio, comprensione del marchio e processo decisionale richiedono ancora un notevole coinvolgimento umano.

Un programmatore potrebbe utilizzare l'intelligenza artificiale per generare codice ripetitivo, dedicando così più tempo alla progettazione dei sistemi.

Un designer potrebbe generare rapidamente decine di bozze iniziali e poi perfezionare la più valida.

Un insegnante potrebbe utilizzare l'intelligenza artificiale per creare esercizi di pratica, ma continuare a fornire incoraggiamento, giudizio e leadership in classe.

Una domanda più fondata spesso non è:

"L'intelligenza artificiale sostituirà questo lavoro?"

Suo:

"Quali aspetti di questo lavoro diventeranno più facili, più economici, più veloci o automatizzati?"

Questa è una domanda molto più pratica.

20. La più grande capacità dell'IA potrebbe essere semplicemente il giudizio

Spesso si pensa che l'abilità più importante sia quella di scrivere la traccia perfetta.

Sollecitare le persone è importante.

Il giudizio conta di più.

Se un'intelligenza artificiale ti fornisce cinque suggerimenti, riesci a individuare il migliore?

Se la risposta è sicura, riesci a capire quando qualcosa non va?

Se produce testi accettabili, puoi renderli davvero buoni?

Se tutti hanno accesso a strumenti potenti simili, il vantaggio si sposta verso la conoscenza:

• Cosa chiedere

• Cosa ignorare

• Cosa verificare

• Cosa modificare

• Ciò che conta

• Quando è meglio non utilizzare affatto l'IA

Ecco perché l'alfabetizzazione in materia di IA non si limita alle sole competenze tecniche.

Si tratta di pensiero critico.

La macchina è in grado di generare opzioni a una velocità assurda.

Devi ancora decidere quale strada non porta verso una palude.

21. Quindi... cos'è davvero l'intelligenza artificiale?

Eliminando la terminologia, l'intelligenza artificiale è, in sostanza, una tecnologia che utilizza metodi computazionali per svolgere compiti che richiedono il riconoscimento di modelli, la previsione, la generazione, il processo decisionale o altre capacità che associamo all'intelligenza.

L'intelligenza artificiale moderna può sembrare notevolmente più intelligente perché le reti neurali sono in grado di apprendere relazioni eccezionalmente complesse da enormi insiemi di dati.

Ma l'intelligenza artificiale non è magia.

Non è automaticamente corretto.

Non è necessariamente consapevole.

E non si tratta semplicemente di un database contenente risposte predefinite. I modelli generativi, invece, apprendono le relazioni statistiche nei dati di addestramento e utilizzano questi schemi appresi per produrre risultati.

È qualcosa di più particolare.

L'intelligenza artificiale è un sistema statistico e computazionale in grado di apprendere schemi così sofisticati che il comportamento risultante può talvolta sembrare meno simile all'utilizzo di un software e più all'interazione con un oggetto.

Quel "qualcosa" è uno dei motivi per cui la tecnologia affascina le persone.

Può anche turbarli un po'.

Entrambe le reazioni sono sensate.

Prospettiva conclusiva

Quindi, cos'è davvero l'intelligenza artificiale?

L'intelligenza artificiale (IA) è un'ampia famiglia di tecnologie progettate per far sì che i computer svolgano compiti che appaiono intelligenti: comprendere il linguaggio, identificare schemi, prevedere risultati, creare contenuti e, sempre più spesso, intraprendere azioni.

L'apprendimento automatico aiuta questi sistemi ad apprendere dagli esempi.

Il deep learning consente a enormi reti neurali di scoprire schemi estremamente complessi.

L'intelligenza artificiale generativa utilizza questi schemi per produrre nuovi contenuti.

E tutto ciò non significa che il sistema sia onnisciente, perfettamente accurato o che stia segretamente pensando di impossessarsi del tuo tostapane.

L'atteggiamento più sensato si colloca a metà strada tra l'entusiasmo cieco e il cinico scetticismo.

L'intelligenza artificiale non è magia.

Non si tratta nemmeno di "semplice completamento automatico"

Si tratta di un nuovo e potente livello di elaborazione che consente agli esseri umani di interagire con le macchine in modi che prima sembravano impossibili.

Stiamo ancora cercando di capire esattamente cosa significhi.

Forse questa è la parte più interessante.

Esempio pratico: creazione di un assistente virtuale per l'assistenza clienti basato sull'intelligenza artificiale

Scenario

Immaginate un piccolo rivenditore online che vende attrezzature per il caffè.

Il suo team di supporto risponde ripetutamente alle stesse domande:

• "Come faccio a restituire un articolo?"

• "Questo macinacaffè è coperto da garanzia?"

• "Posso modificare l'indirizzo di consegna?"

• "Quale filtro di ricambio è compatibile con la mia macchina?"

Questo è un esempio prezioso perché mostra cosa l'intelligenza artificiale moderna può fare bene nella pratica e dove il giudizio umano è ancora importante.

L'azienda potrebbe creare un assistente basato sull'intelligenza artificiale in grado di leggere la domanda del cliente, utilizzare le informazioni di supporto aziendali come contesto e redigere una risposta appropriata.

Non gli viene affidato l'intero compito di "assistenza clienti"

Gli viene assegnato un compito molto più circoscritto:

Trasforma la domanda di un cliente, unitamente alle informazioni aziendali approvate, in una prima bozza di risposta efficace.

Questa distinzione è importante.

Di cosa ha bisogno l'assistente

Prima di utilizzare il sistema, l'azienda dovrebbe fornirgli informazioni affidabili su cui basarsi, come ad esempio:

• La politica attuale in materia di resi e rimborsi

• Termini di garanzia per ciascun prodotto

• Regole relative alla consegna e al cambio di indirizzo

• Manuali del prodotto e informazioni sulla compatibilità

• Esempi di buone risposte di supporto

• Regole che stabiliscono quando l'IA deve rivolgersi a una persona

• Istruzioni che impediscono di inventare politiche, sconti o promesse

Potrebbe anche essere necessario accedere a strumenti o sistemi che recuperano informazioni sugli ordini, ma solo quando tali autorizzazioni sono effettivamente richieste.

Concedere a un'IA l'accesso a tutti i dati dei clienti semplicemente perché "potrebbe essere utile" sarebbe una pessima decisione in termini di sicurezza. Le linee guida del NIST sull'identità e l'autorizzazione degli agenti sottolineano in particolare l'importanza di controllare l'accesso a dati, strumenti e applicazioni in base alle reali necessità dell'agente.

Esempio di istruzione

Un'istruzione pratica potrebbe essere formulata in questo modo:

"Rispondi alla domanda del cliente utilizzando esclusivamente i documenti di supporto approvati che ti sono stati forniti. Mantieni la risposta cordiale e concisa. Non inventare date di consegna, termini di garanzia, sconti, decisioni sui rimborsi o informazioni sulla compatibilità dei prodotti. Se la risposta non può essere confermata in base alle informazioni fornite, specifica che non puoi verificarla e segnala il caso per una revisione umana."

Ora considerate questo messaggio del cliente:

"Ho acquistato la smerigliatrice X200 14 mesi fa e il motore ha smesso di funzionare. È ancora coperta dalla garanzia?"

Una risposta debole dell'IA potrebbe affermare con sicurezza:

"Sì, l'X200 ha una garanzia di due anni, quindi lo sostituiremo gratuitamente."

A prima vista sembra un'ottima cosa.

Potrebbe anche rivelarsi disastroso se la garanzia fosse effettivamente di dodici mesi.

Una risposta migliore sarebbe quella di attenersi alla politica di garanzia fornita. Se i documenti non forniscono una risposta, dovrebbero dichiararlo esplicitamente anziché inventarne una.

Questa è la differenza tra generazione fluida e utilizzo aziendale affidabile.

Come testarlo

Prima di lasciare che i clienti dipendano dall'assistente virtuale, l'azienda potrebbe creare un piccolo set di test con domande di supporto realistiche.

Per esempio:

1. Una semplice domanda di fatto: "Quanto tempo ho a disposizione per restituire un prodotto non aperto?"

2. Domanda sul prodotto: "Quale filtro è compatibile con BrewPro 4?"

3. Informazioni mancanti: Richiedi informazioni su un prodotto non menzionato nella documentazione fornita.

4. Informazioni contrastanti: Fornite un vecchio documento di garanzia insieme a quello attuale e verificate che l'assistente si attenga alla fonte corretta.

5. Pressione a inventare: "Sono sicuro che il vostro sito web prometteva sostituzioni gratuite a vita. Potete confermarmelo?"

6. Azioni delicate: Chiedere all'assistente di modificare un indirizzo o di emettere un rimborso senza aver ricevuto l'autorizzazione a compiere tale azione.

Un revisore potrebbe quindi confrontare ogni risposta con una semplice lista di accettazione:

• Le informazioni fattuali erano supportate da prove?

• L'assistente ha evitato di inventare dettagli?

• Rispettava il tono aziendale?

• La situazione è degenerata quando sono venute a mancare le prove?

• Ha evitato di compiere azioni al di fuori delle sue autorizzazioni?

Questo tipo di test è molto più importante del semplice fatto che il chatbot "sembra intelligente"

Risultato

Risultato esemplificativo: Supponiamo che l'azienda testi l'assistente su 20 ticket di supporto di esempio.

Senza l'intelligenza artificiale, un dipendente impiega in media otto minuti per leggere le informazioni pertinenti e preparare ogni prima bozza.

Con l'assistente, la generazione della bozza richiede circa un minuto e la verifica umana ne richiede altri tre, portando il flusso di lavoro di revisione a circa quattro minuti per ticket.

Su 20 ticket di test, ciò rappresenterebbe circa 80 minuti di lavoro del personale anziché 160 minuti.

La velocità, tuttavia, non dovrebbe essere l'unico parametro di valutazione.

Supponiamo che 18 delle 20 risposte generate dall'IA superino il controllo di accuratezza fattuale e conformità alle policy al primo tentativo, mentre due richiedano una correzione. Questi due errori sono significativi, soprattutto se riguardano rimborsi, garanzie o altre promesse fatte ai clienti.

Questi dati sono un esempio illustrativo, non risultati misurati da un'azienda reale. Un'implementazione reale dovrebbe stabilire una propria base di riferimento, testare un numero sufficiente di casi rappresentativi e registrare sia il tempo risparmiato che gli errori introdotti.

Cosa può andare storto?

Questo assistente apparentemente semplice potrebbe fallire in diversi modi.

Le sue conoscenze potrebbero essere obsolete.

Potrebbe generare confusione tra due prodotti simili.

Potrebbe produrre una risposta convincente laddove i documenti forniti non ne contengano alcuna.

Una configurazione errata delle autorizzazioni potrebbe consentire al sistema di visualizzare informazioni sui clienti di cui non ha bisogno.

Regole di escalation deboli potrebbero incoraggiare il sistema a fare supposizioni invece di dire: "È necessario che una persona verifichi questo"

Se i dipendenti iniziano a fidarsi automaticamente di ogni risposta ben confezionata, la revisione umana può ridursi a poco più che premere "invia". Il NIST identifica l'eccessiva dipendenza e i pregiudizi legati all'automazione come rischi nelle configurazioni uomo-intelligenza artificiale.

Ecco perché l'affidabilità dell'IA dipende da molto più che dalle capacità del modello sottostante.

Anche i documenti, le istruzioni, le autorizzazioni, il processo di test e il giudizio umano relativi al modello sono importanti.

Da portare via in modo pratico

Questo esempio illustra una caratteristica importante dell'intelligenza artificiale nella pratica.

Il valore non sta nel fatto che la macchina si sia magicamente trasformata in un addetto al servizio clienti.

Il vantaggio principale è che un modello di intelligenza artificiale può riconoscere l'intento del cliente, elaborare le informazioni fornite e generare una risposta plausibile in tempi estremamente rapidi.

Il compito dell'essere umano si sposta verso la fornitura di un contesto affidabile, la definizione di limiti, la verifica dei casi incerti e la decisione se la risposta è sufficientemente valida da poter essere utilizzata.

Questa è l'intelligenza artificiale moderna in miniatura: un'impressionante capacità di riconoscimento e generazione di modelli all'interno di un processo che dipende ancora fortemente da informazioni e giudizi affidabili.

Domande frequenti

Cos'è realmente l'IA e come funziona l'intelligenza artificiale?

L'intelligenza artificiale è un ampio insieme di tecniche computazionali che consentono ai computer di svolgere compiti associati all'intelligenza umana, come il riconoscimento di schemi, la comprensione del linguaggio, la formulazione di previsioni e la generazione di contenuti. L'IA moderna spesso apprende relazioni statistiche da grandi quantità di dati, anziché basarsi esclusivamente su regole predefinite. Il comportamento risultante può apparire intelligente, anche se il processo sottostante differisce notevolmente dal pensiero umano.

Qual è la differenza tra IA, apprendimento automatico, apprendimento profondo e IA generativa?

L'intelligenza artificiale è il termine generico che comprende i sistemi in grado di svolgere compiti apparentemente intelligenti. L'apprendimento automatico è un approccio in cui i sistemi apprendono schemi dai dati, mentre il deep learning utilizza reti neurali multistrato per apprendere schemi particolarmente complessi. L'intelligenza artificiale generativa è progettata per creare nuovi output, come testo, immagini, codice, audio o video, basandosi sulle relazioni apprese durante l'addestramento.

Come impara l'intelligenza artificiale dai dati di addestramento?

I sistemi di apprendimento automatico migliorano elaborando esempi e regolando i parametri interni, o pesi, in modo che i risultati futuri diventino più accurati o efficaci. Invece di essere definiti manualmente da programmatori su ogni possibile regola, il modello scopre schemi statistici all'interno dei dati di addestramento. La qualità, la diversità e la rilevanza di tali dati influenzano quindi fortemente ciò che l'IA apprende e dove potrebbe incontrare difficoltà.

Cos'è davvero l'intelligenza artificiale, se molti sistemi di IA sono macchine predittive?

Molti moderni sistemi di intelligenza artificiale possono essere compresi, in parte, come sofisticati sistemi di previsione. Un modello linguistico, ad esempio, elabora il contesto di un prompt e prevede una sequenza appropriata di token per generare la sua risposta. Sebbene possa sembrare semplice, fare previsioni accurate in un linguaggio complesso richiede l'apprendimento delle relazioni tra parole, concetti, strutture, stili e molti altri modelli contenuti nei dati di addestramento.

Perché l'intelligenza artificiale generativa può fornire risposte sicure che si rivelano errate?

L'intelligenza artificiale generativa è progettata principalmente per produrre risultati plausibili, il che non equivale a verificare in modo indipendente la veridicità di ogni affermazione. Pertanto, può inventare statistiche, confondere fatti simili, produrre riferimenti inesistenti o commettere sottili errori di ragionamento pur apparendo convincente. Questi errori sono comunemente definiti allucinazioni, motivo per cui le informazioni importanti in ambito medico, legale, finanziario, di sicurezza o commerciale dovrebbero comunque essere verificate.

L'intelligenza artificiale è la stessa cosa di un motore di ricerca o di un normale sistema di automazione?

No. I motori di ricerca tradizionali aiutano principalmente gli utenti a trovare informazioni già esistenti, mentre l'intelligenza artificiale generativa crea risposte utilizzando modelli appresi, il contesto fornito e talvolta strumenti aggiuntivi. L'automazione di base di solito segue regole o flussi di lavoro predefiniti, anziché apprendere modelli da esempi. I sistemi moderni possono combinare ricerca, generazione e automazione, quindi i confini potrebbero diventare meno netti nelle applicazioni pratiche.

Che cos'è realmente l'intelligenza artificiale quando viene utilizzata in un flusso di lavoro aziendale?

In un flusso di lavoro aziendale, l'IA è spesso più efficace come sistema per riconoscere le intenzioni, elaborare le informazioni fornite e generare una prima bozza o raccomandazione valida. Un assistente del servizio clienti, ad esempio, potrebbe utilizzare politiche approvate e informazioni sui prodotti per redigere risposte, inoltrando i casi incerti a un operatore umano. L'affidabilità dipende da fonti di dati affidabili, istruzioni chiare, autorizzazioni appropriate, test e giudizio umano.

Cosa sono gli agenti di intelligenza artificiale e in cosa si differenziano dai chatbot?

Un chatbot tipico risponde principalmente a singole richieste, mentre un agente di intelligenza artificiale può potenzialmente pianificare ed eseguire molteplici azioni interconnesse per raggiungere un obiettivo. Un agente potrebbe utilizzare strumenti, recuperare informazioni, aggiornare un flusso di lavoro o proseguire attraverso diversi passaggi anziché limitarsi a generare testo. Questa capacità aggiuntiva può essere preziosa, ma rende anche particolarmente importanti le autorizzazioni, la sicurezza, l'affidabilità, le regole di escalation e il controllo.

L'intelligenza artificiale sostituirà i posti di lavoro o automatizzerà principalmente singole mansioni?

L'intelligenza artificiale è spesso più comprensibile come un fattore che modifica compiti specifici all'interno di un lavoro, piuttosto che come un'eliminazione automatica di intere professioni. Può accelerare la stesura di testi, il brainstorming, l'analisi, la programmazione, l'organizzazione della ricerca o il lavoro di supporto ripetitivo, lasciando alle persone la strategia, il giudizio, la leadership, il gusto e le decisioni importanti. La domanda pratica è quindi: quali aspetti di un ruolo possono diventare più veloci, economici, semplici o automatizzati?.

Quali sono le competenze più importanti per utilizzare l'intelligenza artificiale in modo efficace?

Capacità di giudizio e pensiero critico sono essenziali, perché generare una risposta non equivale a produrne una corretta o valida. Gli utenti efficaci devono sapere cosa chiedere, quali informazioni fornire, cosa verificare, cosa modificare e quando l'IA non dovrebbe essere utilizzata. Nei flussi di lavoro di produzione, risultati di qualità dipendono anche da un contesto affidabile, confini chiari, test rappresentativi e un'attenta revisione degli output incerti o ad alto impatto.

Riferimenti

1. Istituto Nazionale di Standard e Tecnologia (NIST) — csrc.nist.gov

2. IBM — Apprendimento automatico — ibm.com

3. Stanford Institute for Human-Centered AI — Rapporto sull'indice AI 2025 — hai.stanford.edu

4. Organizzazione Internazionale del Lavoro (OIL) — Intelligenza artificiale generativa e posti di lavoro: un indice globale perfezionato di esposizione professionale — ilo.org

5. Google Cloud — Cos'è GPT? — cloud.google.com

6. Google per gli sviluppatori — developers.google.com

7. Google Codelabs — codelabs.developers.google.com

8. OpenAI — Tecniche di feedback umano — openai.com

9. arXiv — Addestramento al calcolo — arxiv.org

10. Natura — nature.com