Vai al contenuto
← Intelligenza Artificiale · Lezione 1
Intelligenza Artificiale · Lezione interattiva

Cos'è l'Intelligenza
Artificiale

In questa lezione distinguiamo intelligenza artificiale, machine learning e deep learning. Vediamo come un modello apprende dagli esempi, quali compiti può svolgere e quali conclusioni possiamo trarre dai suoi risultati. I diagrammi aiutano a collegare termini ed esempi.

Le spiegazioni partono dalle definizioni. Non serve programmare; puoi esplorare i diagrammi interattivi.

1
Capitolo 1

Le origini e gli sviluppi recenti

L'intelligenza artificiale è il campo che cerca di far svolgere ai computer compiti che, se li facesse una persona, diremmo che richiedono «intelligenza»: capire il linguaggio, riconoscere un volto, guidare, decidere, creare.

Non è un'idea nuova. Nasce come disciplina negli anni '50: nel 1950 Alan Turing si chiede «le macchine possono pensare?», e nel 1956 il convegno di Dartmouth conia il termine artificial intelligence. Da allora il campo ha alternato entusiasmi e delusioni (i cosiddetti «inverni dell'IA»).

📘 Dati, calcolo e algoritmi

Gli sviluppi recenti dipendono dalla disponibilità di grandi quantità di dati (dal web e dagli smartphone), di potenza di calcolo (le schede grafiche/GPU) e dai progressi negli algoritmi, fra cui il deep learning. Nel 2022 ChatGPT ha contribuito alla diffusione dell'IA generativa, dopo decenni di ricerca.

2
Capitolo 2

Le matrioške: IA, ML, DL

Tre sigle che spesso si confondono. In realtà sono una dentro l'altra, come matrioške russe. Clicca ogni strato per scoprirlo.

👆 Clicca uno strato del diagramma per leggerne la descrizione.

In breve: ogni deep learning è machine learning, ogni machine learning è IA, ma non viceversa. Un vecchio programma di scacchi pieno di regole scritte a mano è IA, ma non machine learning. Un riconoscitore di gatti basato su una rete profonda usa deep learning, quindi anche ML e IA. Il compito da solo non identifica la tecnica: lo stesso problema si può affrontare con modelli diversi.

3
Capitolo 3

Due modi di «programmare»: regole vs esempi

La differenza chiave del machine learning si capisce con un esempio: come fai a insegnare a un computer a riconoscere un gatto in una foto?

Approccio classico

Scrivere le regole

Il programmatore scrive a mano istruzioni: «se ha due orecchie a punta, baffi, pelo…». Per riconoscere un gatto in tutte le possibili foto è difficile elencare regole ed eccezioni.

  • Adatto a operazioni con regole esplicite (una calcolatrice)
  • Difficile da applicare quando le regole sono poco definite
Machine Learning

Mostrare gli esempi

Dai al computer migliaia di foto etichettate «gatto» / «non gatto». Il modello cerca schemi utili a distinguere le classi. Le persone scelgono i dati, le etichette, la famiglia di modelli e il criterio con cui misurare gli errori.

  • Impara dai dati
  • Può apprendere relazioni difficili da descrivere con regole
📘 Che cos'è un «modello»

Il risultato dell'apprendimento si chiama modello: in pratica un grande insieme di numeri (i parametri) che, dato un input, produce un output. Addestrare = trovare i numeri giusti guardando gli esempi. Usare il modello = dargli un input nuovo e leggere la risposta. «Il modello» di ChatGPT, ad esempio, è un file di miliardi di questi numeri.

4
Capitolo 4

IA ristretta o generale?

I termini «ristretta», «generale» e «superintelligenza» si riferiscono all'ampiezza delle capacità attribuite a un sistema.

  • IA ristretta (o narrow): brava in un compito specifico (tradurre, giocare a scacchi, riconoscere volti, consigliare film). Il termine descrive sistemi progettati o valutati per capacità circoscritte.
  • IA generale (AGI): capacità generali di affrontare e trasferire conoscenze fra molti compiti. Non c'è una definizione operativa universalmente condivisa: una dichiarazione di AGI va letta chiedendo quali capacità, quali prove e quali limiti siano stati misurati.
  • Superintelligenza: capacità superiori a quelle umane in una gamma molto ampia di compiti. È un concetto discusso nella ricerca e negli scenari sul futuro, diverso dal superare una persona in un singolo test.
💡 E ChatGPT?

Gli assistenti possono affrontare molti compiti, ma la fluidità di una risposta non dimostra affidabilità, autonomia generale o coscienza. In questo corso valutiamo operazioni osservabili: quali dati ricevono, come producono un risultato e dove sbagliano. Le questioni sulla comprensione e sulla coscienza restano distinte e dibattute.

5
Capitolo 5

Dove la incontri ogni giorno

Alcuni esempi di applicazioni dell'IA nei servizi di uso quotidiano:

🎬
Raccomandazioni
Netflix, Spotify, YouTube
🗣️
Assistenti vocali
Siri, Alexa, Google
🌍
Traduzione
Google Translate, DeepL
📧
Anti-spam
Filtri della posta
📸
Foto
Volti, oggetti, ricerca
🗺️
Navigatori
Traffico e percorsi
💬
Chatbot
Assistenza, ChatGPT
💳
Antifrode
Pagamenti sospetti

Molte di queste applicazioni combinano modelli appresi, regole, ricerca e software tradizionale. Per capirle, chiediti quale componente impara dai dati e quale segue istruzioni progettate a mano.

6
Capitolo 6

I tre modi di imparare

Tre famiglie aiutano a orientarsi, distinguendo il tipo di segnale disponibile durante l'apprendimento. Le approfondiremo nelle prossime lezioni; per ora, un'anteprima.

🏷️

Supervisionato

Impara da esempi etichettati (foto + «gatto»). Prevede una categoria o un numero. Es. filtro anti-spam.

🔍

Non supervisionato

Riceve dati senza etichette e cerca schemi da solo: raggruppa cose simili. Es. segmentare i clienti di un negozio.

🎮

Per rinforzo

Impara per tentativi ed errori, ricevendo «premi». Es. un agente che impara una strategia in un videogioco o a controllare un robot.

📘 Apprendere dagli esempi

In questi casi il comportamento del modello viene adattato usando dati o esperienze, invece di scrivere una regola per ogni situazione. Il miglioramento va verificato sul compito previsto.

Dal testo agli esempi: auto-supervisione

Non tutte le etichette sono scritte da persone. Da «Il gatto dorme» ricaviamo una coppia: ingresso «Il gatto», obiettivo «dorme». Il testo fornisce il segnale con cui addestrare il modello. Questa auto-supervisione è alla base del preaddestramento di molti modelli del linguaggio; non significa imparare senza obiettivo.

7
Capitolo 7

Miti e realtà

Esaminiamo quattro affermazioni ricorrenti sull'IA e le ragioni per valutarle con cautela.

«Una risposta fluida prova che l'IA pensa come noi» mito▸
La conclusione non segue. Un testo convincente è un comportamento osservabile, non una prova di esperienza soggettiva. Possiamo studiare il calcolo del modello e verificarne le risposte senza dare per risolto il dibattito su comprensione e coscienza.
«L'IA è sempre obiettiva e neutrale» mito▸
Falso. Un modello impara dai dati che gli diamo: se i dati contengono pregiudizi (bias), il modello li eredita e può amplificarli. L'obiettività non è garantita: dipende dai dati e da chi li sceglie.
«L'IA non sbaglia mai» mito▸
Falso. L'IA sbaglia, e a volte inventa risposte plausibili ma sbagliate (le «allucinazioni»). Va sempre verificata, soprattutto su fatti, numeri e decisioni importanti.
«L'IA presto sostituirà tutti i lavori» mito▸
Semplificazione. L'IA automatizza compiti più che interi lavori, e ne crea di nuovi. Trasforma il modo di lavorare più di quanto lo cancelli, con tante incognite ancora aperte.

Per valutare un sistema di IA, parti dal compito: quali risultati produce, come li controlli e quali errori hanno conseguenze rilevanti?

8
Capitolo 8

Verifica finale

Dieci domande sui concetti di base. Rispondi a tutte, poi premi «Correggi». Puoi sempre riprovare.

1. L'intelligenza artificiale è…
L'IA è il campo che fa affrontare alle macchine compiti «intelligenti» (capire, riconoscere, decidere, creare).
2. Che rapporto c'è fra Machine Learning e Intelligenza Artificiale?
Le «matrioške»: Deep Learning ⊂ Machine Learning ⊂ Intelligenza Artificiale.
3. Il Deep Learning si basa su…
Il deep learning usa reti neurali con più livelli, come vedremo nelle lezioni dedicate.
4. Nel machine learning, chi «trova le regole»?
Il modello apprende schemi dagli esempi. Dati, obiettivo e procedura di valutazione restano scelte umane.
5. Un «modello» è…
Il modello è l'insieme di numeri appresi che trasforma un input in un output.
6. Un sistema che riconosce un tipo di difetto in fabbrica dimostra…
Una buona prestazione su un compito non dimostra capacità generali. Servono prove separate su dati e situazioni nuovi.
7. Per valutare una dichiarazione di AGI, la prima domanda utile è…
Le definizioni di AGI non sono univoche: occorre leggere criteri e risultati delle valutazioni.
8. L'apprendimento supervisionato usa…
Nel supervisionato ogni esempio ha la sua «etichetta» (es. foto → «gatto»).
9. L'apprendimento per rinforzo impara…
Per rinforzo: l'agente prova azioni e riceve ricompense, migliorando la strategia (giochi, robot).
10. Da una risposta molto fluida possiamo concludere che…
Fluidità, correttezza e coscienza sono questioni diverse. La prima non dimostra le altre.
★
Glossario

Le parole chiave

Intelligenza Artificiale (IA)
Far svolgere ai computer compiti «intelligenti».
Machine Learning (ML)
IA che impara dai dati invece di seguire regole scritte.
Deep Learning (DL)
ML basato su reti neurali profonde.
Modello
Il risultato dell'addestramento: i parametri appresi.
Dati / Dataset
Gli esempi da cui il modello impara.
Addestramento (training)
Il processo con cui il modello «impara» dai dati.
Rete neurale
Modello ispirato ai neuroni, fatto di unità collegate.
Etichetta (label)
La risposta giusta associata a un esempio.
Bias
Pregiudizio nei dati che il modello può ereditare.
LLM
Large Language Model: IA del linguaggio come GPT.
IA generativa
IA che crea contenuti nuovi (testo, immagini, audio).
Allucinazione
Risposta inventata, plausibile ma sbagliata.

Lezione interattiva · Cos'è l'Intelligenza Artificiale

Tengo corsi di programmazione, analisi dati e intelligenza artificiale per aziende ed enti di formazione, in aula e da remoto. Scopri come insegno e quali materiali uso a lezione.