L'intelligenza artificiale è una tecnologia complessa e in continua evoluzione, il che ne rende difficile la comprensione ai non addetti ai lavori. Per cercare di spiegarne la struttura, il funzionamento e lo sviluppo, i ricercatori e gli ingegneri di tutto il mondo utilizzano un gergo tecnico fatto di parole e sigle di cui non sempre è chiaro il significato. Proprio per questo, per aiutarvi a capire nel profondo una delle innovazioni che sta cambiando il mondo, abbiamo deciso di raccogliere qui alcuni dei termini più emblematici del mondo dell'AI e con il supporto di Stefano Epifani - Presidente della Fondazione per la Sostenibilità Digitale - spiegare in maniera chiara e precisa cosa significano davvero.AddestramentoSeppur mutuato da un contesto che ha poco a che fare con quello della tecnologia, il termine addestramento definisce il processo che consente all'intelligenza artificiale di imparare dai dati con cui viene alimentata e generare risultati utili. In poche parole, è l'addestramento a dare forma all'AI, consentendole di auto-apprendere e adattare le conoscenze acquisite all'obiettivo da raggiungere, che si tratti di identificare il soggetto di un'immagine o scrivere una poesia. Quasi tutte le intelligenze artificiali necessitano un addestramento. Un'AI programmata per seguire istruzioni predefinite manualmente, come un qualunque chatbot di base, ne richiede uno molto semplice, mentre solo un software a regole fisse non ha bisogno di una formazione specifica, il che si traduce in funzionalità più limitate.AgiCon la sigla Agi, acronimo di Artificial general intelligence - o Intelligenza artificiale generale -, si intende un'AI capace di svolgere qualunque compito al pari di un essere umano. Parliamo, quindi, di un'intelligenza che può affrontare compiti molto diversi, che è in grado di apprendere, comprendere, ragionare e adattare le sue conoscenze a situazioni diverse tra loro senza imitare il cervello umano in modo diretto. Secondo quanto dichiarato da Sam Altman, amministratore delegato di OpenAI, l'Agi è da intendere come “l'equivalente di un individuo di medie capacità che si potrebbe assumere come collega”. Lo statuto della compagnia, invece, definisce l'intelligenza artificiale generale come l'insieme di “sistemi altamente autonomi che superano gli esseri umani nella maggior parte dei lavori di utilità economica”. Ancora diversa la definizione di Google Deepmind, che ritiene che l'Agi sia “un'intelligenza artificiale capace almeno quanto gli esseri umani nella maggior parte dei compiti cognitivi”. Definizioni simili tra loro, che differiscono per qualche dettaglio che ci conferma che lo stato dei lavori nel settore è ancora in avanzamento.Agente AICome prima cosa, cerchiamo di dare una definizione semplice ed esaustiva: gli agenti AI sono programmi che agiscono da soli, basandosi su modelli di piccole o grandi dimensioni in grado di eseguire azioni in modo quasi del tutto indipendente. In sostanza, fanno un passo avanti - e neppure piccolo - rispetto alla “semplice” risposta che ci forniscono i chatbot con cui abbiamo preso l’abitudine di conversare negli ultimi mesi. Compagnie come Google, Microsoft e OpenAI stanno lavorando per insegnare ai loro agenti AI a lavorare con le Api dei dispositivi degli utenti. Questo significa che, idealmente, potranno premere pulsanti, prendere decisioni, monitorare autonomamente i canali e inviare richieste. “Sono d'accordo che il futuro sono gli agenti -ha dichiarato Alexander Kvamme, amministratore delegato di Echo AI, una società che sviluppa agenti che analizzano le conversazioni tra aziende e clienti al fine di migliorare la loro esperienza -. L’industria ne parla da anni, ma non ha ancora reso questo progetto realizzabile”. D’altronde, garantire il funzionamento di un modello tanto evoluto non è certo semplice, considerando che deve prendere dozzine o centinaia di decisioni in modo indipendente, il che è alquanto difficile da automatizzare.Per saperne di più: Che cosa sappiamo degli agenti AI di cui tutti parlanoAI generativaLe intelligenze artificiali generative possono generare testo, immagini, musica o altri tipi di dati (anche tipi di cose digitali che gli esseri umani non sono in grado di capire, tantomeno generare) ma la cosa importante è che il loro prodotto non è una copia esatta, anche se mantiene tuttavia una forte coerenza con le altre creazioni di quel tipo. […] Oggi una AI generativa che crea un disegno ad acquerello lo fa sulla base di un prompt che definisce un soggetto, ed è capace di "inventarsi" il modo di mettere assieme l'opera, pescando nella logica e negli esempi che fanno parte del suo addestramento. Non produce una copia esatta, bensì qualcosa "alla maniera" di un acquerello definito dal prompt iniziale. Tuttavia, questo pone vari problemi: dalla effettiva originalità dell'opera prodotta alla titolarità del diritto d'autore, sino all'eventuale plagio o uso di materiale coperto da copyright utilizzato nell'addestramento.Per saperne di più: Che differenza c'è fra intelligenza artificiale generativa e generale?AllucinazioneLe allucinazioni umane sono un'esperienza sensoriale che una persona avverte come reale, ma che non ha una base oggettiva nel mondo esterno. Spesso legate a disfunzioni cognitive possono essere causate da diverse condizioni mediche, come la schizofrenia o l'uso di sostanze psicotrope. Ma nel caso delle AI, non esistono cervelli biologici, solo algoritmi e modelli di apprendimento, quindi perché parlare di allucinazioni?Il termine viene usato per indicare quando l’intelligenza artificiale inventa o distorce una risposta perché non trova dati corretti. In altre parole, una AI piuttosto che non rispondere - e non generare un output – fornisce dati frutto di elaborazioni statistiche sbagliate, e quindi si “allucina”: inventa, distorce, crea ex novo realtà di tutti i tipi, perché una risposta anche allucinata te la deve dare. Possono verificarsi per diversi motivi, principalmente legati al modo in cui le macchine elaborano e interpretano i dati.Per saperne di più: Anche l'intelligenza artificiale può avere le allucinazioniBiasCon il termine bias si intendono i pregiudizi dei modelli AI, mutuati dai dati di addestramenti o da una non corretta progettazione degli algoritmi, che portano a risultati imprecisi o discriminatori. Se un modello viene addestrato con dati che contengono informazioni distorte o pregiudiziose, questo non farà altro che amplificarle nel momento in cui le rielabora per fornire una risposta agli utenti. Una questione tutt'altro che da sottovalutare, considerando le pericolose ripercussioni in termini legali e discriminatori che può avere sul funzionamento dei modelli. Proprio per questo, per ridurre i bias dell'AI, gli sviluppatori stanno mettendo in campo strategie di lavoro che prevedono l'uso di dataset diversificati, l'impiego di vincoli di equità e il coinvolgimento della supervisione umana per assicurarsi che i modelli non acquisiscano pregiudizi.Chain of thought (Catena del pensiero)A una domanda semplice, come “Quale animale è più feroce: una tigre o un gatto?”, un essere umano può rispondere in pochissimi secondi, quasi senza pensarci. Di fronte a problemi più complessi, invece, può avere bisogno di un ragionamento per elaborare una risposta. E così anche l'intelligenza artificiale che, in un contesto come quello della logica o della programmazione, può ricorrere a un ragionamento a catena di pensieri per “scomporre” la risoluzione di un problema complesso in passaggi intermedi più semplici, al fine di migliorare la qualità del risultato finale.DatasetUn dataset è una raccolta strutturata di dati - siano essi numeri, immagini, testi o audio -, utilizzata per l'addestramento dei modelli AI. Più nel dettaglio, i dataset sono considerati fondamentali nella fase di formazione perché consentono di insegnare all'intelligenza artificiale come svolgere uno o più compiti, quali riconoscere un oggetto all'interno di un'immagine, tradurre una lingua straniera o elaborare la previsione di tendenze future sulla base di dati del passato.Proprio per questo, più il dataset utilizzato in fase di addestramento è ampio e variegato, e maggiori saranno le capacità acquisite dal modello: un'AI formata su un dataset limitato, per esempio, può incappare nell'overfitting, ossia ottenere buone prestazioni sui dati di addestramento, ma pessime su tutti quelli che le sono sconosciuti. Al tempo stesso, però, le grandi raccolte di dati sollevano preoccupazioni sulla privacy e sul copyright, perché potrebbero includere informazioni sensibili o contenere opere creative utilizzate senza il consenso degli autori.Deep learningIl deep learning è un sottoinsieme del machine learning che usa reti neurali profonde a più livelli per individuare correlazioni complesse rispetto ai sistemi basati su algoritmi più semplici. Questo significa che i modelli AI ad apprendimento profondo sono in grado di identificare da soli le caratteristiche importanti dei dati, anziché richiederne la definizione da parte di ingegneri umani: pertanto, imparano dagli errori e, attraverso un processo di ripetizione e adattamento, migliorano i propri risultati. Come è facile intuire, però, il sistema richiede un addestramento più lungo e molta potenza di calcolo, il che non sempre si rivela un punto di forza per gli sviluppatori.DistillazioneLa distillazione permette di trasferire la conoscenza di un modello linguistico di grandi dimensioni (ribattezzato “insegnante”) a uno più piccolo (lo “studente”), mantenendo prestazioni simili ma con minori costi computazionali. Il modello più piccolo impara osservando le risposte del modello più grande invece che dai soli dati grezzi, apprendendo così più rapidamente anche schemi complessi.Per saperne di più: Distillazione, l'intelligenza artificiale è diventata così economica da essere un problema per l'OccidenteFine-tuningAncora un termine che ha a che fare con la formazione dell'intelligenza artificiale. Con fine-tuning, infatti, si intende l'addestramento aggiuntivo di un modello AI, finalizzato a ottimizzarne le prestazioni per un'attività o un'area di competenza specifica su cui già è stato addestrato in passato. In sostanza, si tratta di una sorta di ri-addestramento attraverso nuovi dati specializzate, in modo che l'AI possa affinare le sue abilità in un preciso settore di interesse.LlmLa sigla Llm è senza dubbio una tra le più utilizzate quando si parla di intelligenza artificiale. Ma cosa significa davvero? I Large language models - o Modelli linguistici di grandi dimensioni - non sono altro che i modelli AI che sottendono al funzionamento dei chatbot più famosi e utilizzati del momento, come ChatGpt, Claude, Gemini di Google, AI Llama di Meta o Copilot di Microsoft. Più nello specifico, e per dirla con termini tecnici, gli Llms sono sono reti neurali profonde composte da miliardi di parametri numerici che apprendono le relazioni tra parole e frasi da libri, articoli e altre fonti, e creano poi una mappa rappresentativa del linguaggio in modo da poter rispondere alle domande degli utenti elaborando grandi quantità di testi.Machine learningCon il termine machine learning - o apprendimento automatico - si indica la capacità di un computer, di un software o di una macchina di apprendere dai dati e migliorare conseguentemente le proprie prestazioni nello svolgimento dei compiti, senza ricevere istruzioni dettagliate da seguire passo dopo passo. Alla base dell'apprendimento automatico, infatti, c'è l'idea che le macchine possano “imparare” individuando modelli nei dati: più set di dati gli vengono forniti e più queste diventano in grado di svolgere un compito complesso come il riconoscimento delle immagini, l'elaborazione del linguaggio naturale e l'analisi predittiva. Sottoponendo l'AI a migliaia di immagini di cani e gatti durante la fase di addestramento, per esempio, questa imparerà a identificare le caratteristiche uniche di ciascun animale, e poi a classificare le foto di cani e gatti con estrema precisione, senza la necessità di dover ricevere ogni volta informazioni specifiche.Più nel dettaglio, è possibile distinguere tra le diverse tipologie di machine learning:supervised machine learning, o apprendimento automatico supervisionato. Un processo che prevede l'addestramento di un modello su un set di dati etichettati, in cui i dati di input sono abbinati all'output correttounsupervised machine learning, o apprendimento automatico non supervisionato. Un procedimento che non impiega dati etichettati, ma spinge il modello a trovare schemi o relazioni nascoste all'interno dei dati senza alcuna guida specifica da parte delle etichettereinforcement learning, o apprendimento per rinforzo. Si tratta di un processo in cui un agente impara interagendo con l'ambiente e ricevendo un feedback sotto forma di premi o penalità. In questo modo, infatti, mira a massimizzare la sua ricompensa cumulativa imparando dalle esperienze passate e ottimizzando le sue azioni.Pre-trainingCome è facile intuire dalla denominazione, il pre-training è un processo che consiste nell'addestrare un modello AI su un set di dati generici, prima di essere formato per un compito specifico.Prompt engineeringIl prompt engineering non è altro che la capacità di elaborare domande o istruzioni - conosciute nel settore come “prompt” - per i sistemi di intelligenza artificiale con l'obiettivo di ottenere risposte il più possibile valide e precise. Saper formulare una richiesta per un modello AI, infatti, è fondamentale per ottenere risultati ottimali: una domanda troppo vaga e colloquiale, del tipo “Cosa ne pensi…?”, potrebbe generare una risposta inconsistente, poco utile alle vostre esigenze. Al contrario, una richiesta posta al modello in modo corretto ed esaustivo vi permetterà di ottenere proprio quello di cui avete bisogno.Rete neuraleIn generale – molto in generale – quando parliamo di intelligenza artificiale ci riferiamo quasi sempre a una serie di tecnologie basate sul cosiddetto apprendimento automatico, o machine learning, che a sua volta utilizza una struttura chiamata rete neurale artificiale, che si ispira al funzionamento di un cervello naturale, pur essendo un modello matematico. Con il machine learning i computer non riescono a pensare, ma sono in grado di imitare, e talvolta superare, le abilità umane di memoria e apprendimento: a differenza degli algoritmi e dei software “tradizionali”, che ricevono dei dati, li elaborano usando delle regole fisse e strutturate e infine ne producono altri in risposta, quelli basati sull’apprendimento automatico imparano per esempi e per imitazioni, il che permette loro di affrontare e risolvere problemi troppo vaghi, generici o complicati per essere strutturati in una lista di informazioni.È la differenza che c’è, per esempio, tra la ricetta per preparare un dolce, che prevede dosi e procedimenti ben definiti, da eseguire secondo una sequenza precisa, e il problema di riconoscere che l’animale ritratto in una foto sia proprio un cane, e non un gatto e un coniglio: in questo caso non esistono indicazioni precise, eppure riusciamo a riconoscere il cane perché abbiamo visto migliaia di cani, tutti diversi tra loro e riconducibili all’archetipo-cane. In gergo tecnico diremmo che stiamo riconoscendo un pattern, ed è proprio questo che fa una rete neurale.Per saperne di più: Come funzionano le reti neurali artificiali alla base delle AI, premiate con il Nobel 2024 per la fisicaSuperintellingenza artificialeNel caso l'AI superi la nostra capacità generale di "pensare", si parla di Asi (Artificial super intelligence), cioè di una intelligenza artificiale generale con capacità cognitive superiori a quelle degli esseri umani. Quindi, dopo l'intelligenza artificiale ristretta (che gli anglosassoni chiamano Ani, dall'acronimo Artificial narrow intelligence) e dopo quella generale (Agi), nella teoria informatica c'è spazio anche per l'Asi, Artificial super intelligence, l'AI più intelligence degli esseri umani. Se l'Agi ancora non è stata raggiunta, l'Asi è completamente di là da venire. Tuttavia, dal momento che l'accelerazione nello sviluppo dell'intelligenza artificiale non è lineare, e che potrebbe venir ulteriormente potenziato dall'uso della stessa AI per progettare nuovi metodi e algoritmi di intelligenza artificiale, la distanza tra l'Agi e l'Asi potrebbe essere molto più breve di quella che ci separa dall'Agi stessa.Per saperne di più: Che differenza c'è fra intelligenza artificiale generativa e generale?TokenQuando si parla di modelli di elaborazione del linguaggio naturale (Nlp) - ossia in grado di riconoscere, comprendere e generare testo e parlato -, il termine token viene utilizzato per definire proprio quell'unità di testo utilizzata dall'AI per comprendere e generare il linguaggio. Può trattarsi, quindi, di parole, caratteri o segni di punteggiatura, a seconda di come viene scomposto il testo sottoposto al modello.