L'Intelligenza Artificiale Generativa spiegata in modo (molto) semplice

30 Novembre 2022: OpenAI presenta al mondo il suo LLM, ChatGPT! Uno dei primi grandi esempi di massa di Intelligenza Artificiale Generativa.
Ma, esattamente, che cos’è la Generative AI?
Per capirlo, facciamo qualche passo indietro e distinguiamo i due approcci fondamentali dell’Intelligenza Artificiale:
- l’IA basata su regole (Rule-Based AI)
- l’IA basata sull’apprendimento (Learning-Based AI)
1. IA basata su regole (Rule-Based AI)
Immaginiamo uno dei rover esplorativi su Marte. Cosa succede quando si trova davanti a un ostacolo imprevisto?
Molto semplice: gli sviluppatori hanno impostato a monte una serie di regole chiare da applicare ogni volta che si verifica una novità:
“Se trovi un ostacolo, arretra di due metri, curva verso destra e prosegui dritto.”
È esattamente la medesima regola che segue il robot aspirapolvere nei nostri appartamenti.
L’aspetto fondamentale è che né il rover su Marte né il robot aspirapolvere sono stati preventivamente informati della planimetria esatta della casa o della superficie marziana. Devono quindi adattarsi e memorizzare la posizione dell’ostacolo per evitare di scontrarsi nuovamente.
Con l’IA basata su regole forniamo noi i criteri logici all’algoritmo: il modello si adatta a un input nuovo applicando tali regole predefinite e deduce un’informazione utile per il futuro. Questo è stato per decenni il fondamento classico dei motori di gioco per scacchi o dama.
2. IA basata sull’apprendimento (Machine Learning)
Cosa accadrebbe se invece di dare all’algoritmo le regole già pronte, gli dessimo l’incarico di… creare da sé le regole estraendole da una mole sterminata di dati?
Ebbene, questo è il funzionamento essenziale di un algoritmo di Machine Learning (spiegato in parole molto, molto semplici).
Lasciamo che sia la macchina a individuare autonomamente le connessioni, i pattern statistici e le correlazioni tra le informazioni fornite, così da essere pronta a classificare correttamente i successivi input che non ha mai visto prima.
Dati di training, test e apprendimento supervisionato
Come è facile intuire, questo approccio implica che:
- i dati di addestramento (training data) debbano essere accuratissimi e rappresentativi;
- sia necessario disporre di un insieme di dati di test (testing data) per convalidare che le regole dedotte siano effettivamente corrette.
Quando il sistema fa tutto da solo senza intervento umano, parliamo di apprendimento non supervisionato (unsupervised learning).
Quando invece interveniamo attivamente per guidare il processo e correggere eventuali deduzioni errate, parliamo di apprendimento supervisionato (supervised learning).
Il salto verso il Deep Learning
Quando i compiti diventano particolarmente complessi, il Machine Learning compie un salto evolutivo verso il Deep Learning (apprendimento profondo) attraverso reti neurali artificiali a più strati.
Per visualizzare la differenza con un esempio concreto:
- Con un algoritmo di Machine Learning tradizionale, il modello è in grado di riconoscere in una fotografia se è presente una persona o una pianta;
- Con algoritmi di Deep Learning, il modello è in grado di analizzare la medesima foto e interpretare quali emozioni quella persona stia provando.
Si tratta di un livello di complessità, astrazione e profondità completamente differente.
3. L’Intelligenza Artificiale Generativa (GenAI)
Quando un modello di Deep Learning viene impiegato per creare nuovi contenuti originali (testi, immagini, audio, codice o video), siamo in presenza di un Modello di Intelligenza Artificiale Generativa!
È davvero così lineare. I Large Language Model (LLM) come GPT o Claude rappresentano la manifestazione linguistica più avanzata dei modelli di IA Generativa.
Limiti intrinseci e allucinazioni
Ne consegue che i modelli generativi ereditano gli stessi limiti e le medesime criticità del Machine Learning e del Deep Learning da cui derivano:
Se i dati di addestramento contengono errori, bias o imprecisioni, il modello genererà allucinazioni (il termine tecnico con cui si identificano gli errori fattuali o le invenzioni plausibili generate dall’IA).
In conclusione
L’IA Generativa non è magia: è statistica computazionale avanzata basata su reti neurali profonde addestrate su volumi giganteschi di dati.
Ed è tutto qui. Spiegato in modo molto, molto semplice!

Scritto da Ernesto Amato
Executive Leader e Fractional Chief AI Officer. Supporto Consigli di Amministrazione e team di Direzione nella definizione e nell'adozione di strategie di AI Governance e Change Management sostenibile.