Che cos'è l'Intelligenza Artificiale?

La letteratura fantascientifica degli anni '40 ha contribuito fortemente a ispirare scienziati e ingegneri dell'epoca sul tema dell'intelligenza artificiale. Un ruolo cruciale lo ebbe lo scrittore americano Isaac Asimov, che nel libro Runaround del 1942 ideò le 3 leggi della robotica : 1) Non nuocere agli esseri umani, né permettere che siano danneggiati; 2) Obbedire

Il matematico britannico Alan Turing negli anni '50 fu il primo intellettuale a interrogarsi seriamente sull'intelligenza artificiale. "Possono pensare le macchine?" Al tempo esistevano solo 4 computer al mondo (Manchester Mark I, Cambridge EDSAC, ENIAC, BINAC). Il dibattito sull'intelligenza delle macchine era appena nato. La risposta a questa domanda risultò essere troppo complicata, in quanto

Il filosofo statunitense John Searle è stato il più importante antagonista di Alan Turing circa il pensiero filosofico sull'AI. Secondo Searle, le macchine possono sembrare intelligenti, ma non hanno né coscienza né comprensione reale. Per dimostrarlo ideò l'esempio della "camera cinese": La Chinese Room : Immagina una stanza chiusa. Dentro c'è una persona che conosce

Durante la Prima (1760 – 1840), Seconda (1870 – 1914) e Terza Rivoluzione Industriale (1970 – oggi), sono state inventate nuove tecnologie che hanno cambiato il modo di svolgere i compiti, aumentando produttività, innovazione ed entusiasmo per le possibilità offerte. Parliamo della macchina a vapore, le ferrovie e il carbone come combustibile fossile nella prima,

La legge di Amara afferma che le persone tendono a sovrastimare l'effetto di una tecnologia nel breve termine e a sottovalutarlo nel lungo termine Il ciclo dell'hype, invece, descrive che, quando si immette una nuova tecnologia sul mercato, questa segue cinque fasi: Le cinque fasi del ciclo dell’hype: 1) Innovation Trigger – nascita e prime

Il Machine Learning è solo uno dei possibili approcci per rendere una macchina intelligente, ad oggi il più indicato per ottenere la maggior parte dei risultati (output) desiderati. Tuttavia, non sempre è l'approccio più funzionale da usare, in quanto il Machine Learning richiede, oltre a competenze specifiche, anche grandi quantità di dati e calcolo computazionale.

Il Machine Learning ha rappresentato un vero e proprio momento di rottura rispetto ai metodi alternativi del passato, in quanto permette alle macchine di gestire dati mai visti prima. A differenza del passato, infatti, l’essere umano non deve necessariamente programmare la macchina con regole specifiche (es: Ruled-based Systems, ecc...) ma, dopo l’apprendimento vedi Modulo 4

In questo approccio l'uomo organizza i dati che consegna alla macchina, rendendo alla macchina più semplice il compito di collegare input (dati in ingresso) con output (risultati attesi), in quanto parte da dati già correttamente etichettati. Esistono due tipi di apprendimento supervisionato: 1) Classification Learning → La macchina deve generare un output categoriale. Esempio: Addestrare

In questo approccio, l'uomo non organizza i dati che consegna alla macchina, ma è la macchina a doverli analizzare e organizzare tra loro sulla base di similitudini (clustering). Per cui, a differenza dell'apprendimento supervisionato, la macchina impara dai soli input (quella che, nell'apprendimento supervisionato, viene definita Fase 1 - training set ), senza avere output

Con questo approccio la macchina impara sperimentando: 1) Prova delle azioni: La macchina prova a compiere un'azione nell'ambiente che la circonda (ad esempio, in un videogioco, prova a muoversi a destra); 2) Riceve dei feedback (positivo o negativo) dall'ambiente: Riceve una "ricompensa" o una "penalità" dall'ambiente, un segnale numerico che indica se l'azione è stata

Il Deep Learning consiste nell'utilizzo di reti neurali artificiali (ANNs), o neural nets , all'interno del Machine Learning per permettere alla macchina di apprendere ancora meglio dai dati Le ANNs sono software che s'ispirano al cervello umano, seppur in maniera semplificata. Nel cervello umano, i neuroni biologici ricevono segnali dai dendriti (input). Quando la somma

La rete neurale artificiale (ANN), come anticipato, permette alla macchina di imparare in maniera ancora più approfondita (Deep Learning) rispetto al Machine Learning "classico". Una rete neurale è composta da tre parti principali: Livello di Input : riceve i dati grezzi in ingresso (es. immagini, testi, numeri, ecc...) e li vettorializza; Livelli nascosti : elaborano

In questo approfondimento analizzeremo nel dettaglio la MLP (Multilayer Perceptron), ovvero un’architettura di Deep Learning semplice e che permette di capire la logica dietro a tutte le altre reti neurali artificiali, che vedremo brevemente alla fine. Teniamo conto che una macchina debba imparare attraverso dei dati utilizzando la rete neurale artificiale e, tra i dati

Il Deep Learning permette di ottenere risultati che i metodi classici di Machine Learning (Supervised Learning, Unsupervised Learning e Reinforcement Learning) faticano a raggiungere, soprattutto quando i dati sono molto grandi, complessi o non strutturati (immagini, audio, testo). In particolare il Deep Learning permette alla macchina di analizzare e generare output per cui non è

Grazie all’AI Generativa si è passati dal poter utilizzare i computer per classificare elementi, indovinare sequenze e applicare regole, ad utilizzarlo per generare da zero nuovi contenuti come testi, immagini, codice, suoni e video da zero di altissima qualità, senza essere esplicitamente programmati per farlo. L’Intelligenza Artificiale Generativa (Generative AI o GenAI ) è un

Si definisce "Modello AI" il risultato dell'apprendimento della macchina dai dati tramite Machine Learning (che sia supervisionato, non supervisionato o per rinforzo). Il Modello AI diventa complesso e in grado di produrre AI Generativa solo con il Deep Learning, dove i tanti strati nascosti e i numerosi nodi permettono una migliore comprensione dei dati rispetto

Un Agent AI è un software che mette in contatto l’essere umano con un Modello AI. Gli Agent AI permettono all'essere umano di utilizzare i Modelli AI per compiti specifici (Chat, Creazione immagini, Sviluppo Software, specifiche funzionalità verticali per il business aziendale, ecc…). Lo fanno gestendo: Funzionalità, Parametri e Prompt. Funzionalità: sono tutte le attività

In questo approfondimento entreremo nel pratico, ovvero analizzeremo i passaggi operativi che si devono compiere per realizzare un Modello AI: 1) Scelta dell'IDE L'IDE è un software che raccoglie in un unico programma tutti gli strumenti utili per scrivere, modificare, testare e gestire il codice di un'applicazione. I più famosi sono Visual Studio Code ,

Il prompt è un testo che trasmette un'istruzione o una domanda al Modello AI, al fine di ottenere un output. Più il prompt è ottimizzato per il Modello AI, migliore sarà l'output generato dal Modello. Esempio: se volessi sapere quali sono le città con il maggior numero di residenti in Europa, potrei richiedere al Modello:

Il fine-tuning consiste nel prendere un Modello pre-addestrato (pre-trained) su un vastissimo dataset generale e 'affinarlo' per uno scopo specifico, addestrandolo ulteriormente su un dataset più piccolo e specializzato. Un Modello fine-tuned su un compito specifico quasi sempre batte un Modello generico o un Modello addestrato da zero su un piccolo dataset. Sfrutta la saggezza

È possibile ottenere il fine-tuning anche grazie al Reinforcement Learning from Human Feedback ( RLHF ), ovvero le persone valutano le risposte del Modello, dando un punteggio (o rank) sulle migliori risposte. Il Modello impara a prevedere quale risposta sarebbe valutata meglio dagli esseri umani ( Reward Model ) tramite un algoritmo di reinforcement learning

L’etica è la branca della filosofia che studia i principi e i valori morali, distinguendo tra comportamento giusto e sbagliato, buone e cattive azioni, ecc... con l’obiettivo di guidare le decisioni morali. Il tema etico è estremamente sensibile in ambito AI e si divide in: • Ethical AI : sistemi AI che rispettano principi etici

L'algorithmic bias si verifica quando un algoritmo produce risultati distorti a causa dei pregiudizi presenti nei dati di training. I bias della macchina possono derivare da pregiudizi umani presenti nei dati e anche dai confirmation bias , ovvero quando un essere umano attribuisce più peso a informazioni che confermano le proprie convinzioni, influenzando dunque la

Come abbiamo visto precedentemente, l' Explainable AI rappresenta un AI in cui la decisione della macchina può essere compresa e spiegata. Uno dei problemi principali dell'AI Generativa è infatti quello di non poter comprendere la logica dietro una decisione. La natura stocastica di questi nuovi Modelli di AI generativa, infatti, non aiuta, essendo l'output prodotto

Ogni nuova tecnologia porta opportunità ma anche rischi. Questi rischi richiedono necessariamente regolamentazioni per prevenire danni diretti o indiretti a cose o persone. La regolamentazione nasce per garantire sicurezza e fiducia nell’adozione della tecnologia. Il primo regolamento completo approvato in ambito intelligenza artificiale è stato l’ Artificial Intelligence Act , approvato dall'Unione Europea nell'agosto del

I limiti di un Modello AI non dipendono solamente dalla qualità dei dati, ma anche dalla capacità di calcolo computazionale delle macchine. A loro volta influenzato dalla complessità del problema di riferimento. Il Polynomial time o P è l'insieme dei problemi che un computer può risolvere in un tempo “polinomiale”, ovvero influenzato solamente dalla grandezza

Il Nondeterministic Polynomial time o NP è l'insieme dei problemi per cui, data una soluzione, un computer può verificare in tempo polinomiale se è corretta. Tuttavia trovare la soluzione ottimale partendo dal problema potrebbe richiedere un tempo esponenziale. Esempio: immaginiamo che un computer debba trovare la combinazione vincente di una cassaforte con 4 cifre (ciascuna

Oltre ai limiti computazionali, esistono anche i limiti dei dati. Abbiamo precedentemente analizzato i limiti qualitativi, con gli Algoritmich bias, ma non è l'unico limite dei dati. Esiste anche un limite di tipo quantitativo. Infatti la quantità di dati richiesta per ottenere un output valido dipende dal numero di variabili che vogliamo analizzare. Più variabili

Dopo aver letto tutti gli approfondimenti di questo sito sarai in grado di capire se un Modello AI è troppo costoso rispetto alle esigenze professionali, quali sono i limiti dell'AI, cos'è un Agent AI e come poterlo sfruttare, cos'è un RAG, cos'è il fine-tuning, la differenza tra software open source e chiuso, la questione privacy,

Come abbiamo visto, l'AI ti permette di risolvere facilmente tutti i problemi di tipo P , quantomeno quelli che non richiedono l'elaborazione di importanti output o l'analisi di grandi quantità di input. Per prima cosa bisognerebbe capire quali sono tutte quelle attività time consuming e a basso valore aggiunto che occupano parte delle nostre giornate,