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.
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»).
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.
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.
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.
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?
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
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
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.
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.
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.
Dove la incontri ogni giorno
Alcuni esempi di applicazioni dell'IA nei servizi di uso quotidiano:
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.
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.
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.
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.
Miti e realtà
Esaminiamo quattro affermazioni ricorrenti sull'IA e le ragioni per valutarle con cautela.
Per valutare un sistema di IA, parti dal compito: quali risultati produce, come li controlli e quali errori hanno conseguenze rilevanti?
Verifica finale
Dieci domande sui concetti di base. Rispondi a tutte, poi premi «Correggi». Puoi sempre riprovare.
Le parole chiave
Lezione interattiva · Cos'è l'Intelligenza Artificiale
Il tuo riscontro
Com’è andata questa lezione?
Dimmi cosa è chiaro e dove la spiegazione può migliorare.