Cos’è l’IA?
Impara a conoscere l’IA
Scopri come trarne il meglio, garantendo un uso responsabile.
L’intelligenza artificiale (AI) è una disciplina che consente alle macchine di imitare il comportamento umano.
L’Intelligenza Artificiale Generale (AGI) si riferisce alla capacità di una macchina di eseguire compiti che solo gli esseri umani sono in grado di svolgere.
Le capacità attuali dell’IA possono essere virtualmente posizionate lungo quella che viene definita la “frontiera tecnologica frastagliata”.
L’IA e l’IA generativa stanno cambiando il modo in cui le persone imparano, lavorano e vivono, presentando nuove opportunità, ma anche grandi sfide.
Le capacità dell’IA di produrre output simili a quelli umani in diversi compiti sono migliorate rapidamente, soprattutto dopo il rilascio dell’IA generativa, una categoria di tecnologie di apprendimento automatico in grado di produrre nuovi contenuti multimediali sulla base di modelli di dati esistenti.
Nozioni di base sull'IA
Programmi in grado di identificare schemi o prendere decisioni sulla base di un insieme di dati inediti. Si basano su algoritmi e grandi insiemi di dati che consentono di analizzare pattern e risolvere problemi complessi.
Alimentano l’intelligenza artificiale. Se si fornisce ad un modello di IA un insieme di coppie testo-immagine, il modello svilupperà la capacità di riconoscere o generare immagini a partire da input testuali. Se si dà in pasto a un modello di IA musica esistente, questo imparerà a generare musica. L’espressione “Sei ciò che mangi” coglie perfettamente l’importanza dei dati come elemento costitutivo dell’IA.
Risorse computazionali e potenza di elaborazione necessarie per addestrare, sviluppare ed eseguire modelli di intelligenza artificiale. Queste risorse comprendono unità di elaborazione centrale (CPU), unità di elaborazione grafica (GPU) e hardware specializzato come le unità di elaborazione tensoriale (TPU).
Alcune definizioni
L’intelligenza artificiale è un campo tecnico-scientifico dedicato ai sistemi ingegnerizzati che generano output come contenuti, previsioni, raccomandazioni o decisioni per un determinato insieme di obiettivi definiti dell’utente [ISO/IEC 22989;2022]
Un sottoinsieme di IA che utilizza algoritmi capaci di apprendere informazioni e riconoscere modelli a partire da insiemi di dati, al fine di prendere decisioni migliori.
Il machine learning può essere supervisionato, se per l’apprendimento utilizza set di dati etichettati, o non supervisionato, se in grado di rintracciare modelli all’interno di set di dati non etichettati.
Sottoinsieme avanzato del Machine Learning che sfrutta le reti neurali per apprendere da grandi quantità di dati. Le reti neurali consentono ai sistemi di apprendere in modo autonomo pattern nascosti in un insieme di dati e di costruire regole decisionali più efficienti.
Tra le applicazioni più diffuse del deep learning, troviamo la computer vision e l’elaborazione del linguaggio naturale (NLP).
Sottoinsieme di IA che utilizza modelli generativi per produrre testo, immagini, video o nuovi dati in altri formati. Questi modelli apprendono gli schemi e le strutture alla base dei dati di addestramento e li utilizzano per produrre nuovi dati basati sull’input, che spesso si presenta sotto forma di richieste in linguaggio naturale.
Le capacità dell’IA
Le capacità dell’IA coprono un insieme di “lavori della conoscenza” che è in continua espansione, ma non risulta omogeneo; questo fenomeno è stato rappresentato dalla cosiddetta “frontiera tecnologica frastagliata”: una linea “virtuale” che si sposta nel tempo con il progredire della tecnologia e che separa task “all’interno della frontiera” da quelli “al di fuori della frontiera”.
La logica è quella di distinguere ciò che si trova all’interno di questa frontiera mobile, cioè i compiti in cui le tecnologie dell’IA possono integrare o addirittura superare la performance umana, da ciò che si trova al di fuori della frontiera, dove i risultati prodotti dalle tecnologie dell’IA possono essere imprecisi, meno utili o degradare le prestazioni umane.
Gli utenti che riescono ad intuire dove si trova in un dato momento questa frontiera ottengono grandi vantaggi in termini di produttività: in quanto comprendono per quali task l’interazione con l’IA, migliora le proprie prestazioni, e quando invece è meno opportuno utilizzare queste tecnologie.
IA Generativa
Due scoperte hanno segnato la storia dell’IA generativa: il Transformer e il relativo meccanismo di attenzione.
Gli strumenti di IA generativa sono macchine input-output. L’input è dato dall’utente e con la nuova IA multimodale può assumere diversi formati (testo, immagine, video, audio, codice).
L’output è diverso a seconda dello strumento specifico e può essere anch’esso testo, immagine, video, audio, codice.
La maggior parte degli LLM ha un elemento di casualità che permette loro di restituire risultati leggermente diversi ogni volta che viene posta una stessa domanda.
Inoltre, il loro funzionamento può essere regolato in base al parametro della “temperatura”, che rappresenta l’accuratezza nel generare le nuove informazioni, rispetto ai dati di addestramento/input.
Prompting
I sistemi di intelligenza artificiale generativa producono output in base alla qualità del prompt e la progettazione dei prompt ne migliora la capacità di gestire efficacemente varie richieste.
Gli elementi di un buon prompt:
Persona: chiedi allo strumento di interpretare un ruolo.
Obiettivo: definisci cosa vuoi che l’IA faccia.
Pubblico: specifica a chi è destinato il risultato del prompt.
Contesto: indica ciò che lo strumento deve sapere.
Limiti: definisci specifiche condizioni o limiti da considerare.
Suggerimento: ripeti le tue richieste e partecipa a una vera e propria conversazione, cercando di individuare le criticità nelle richieste già effettuate, e creando diversi prompt che possano portarti allo stesso risultato. In questo modo, potrai valutare criticamente i risultati degli LLM, ma anche esercitare le tue abilità metacognitive.
Sfide dell'IA
L’intelligenza artificiale (IA) sta rivoluzionando diversi campi, potenziando l’innovazione e l’efficienza. Tuttavia, il suo rapido avanzamento comporta anche sfide significative da considerare attentamente.
L’IA può perpetuare i pregiudizi esistenti nei dati di addestramento, influenzando gli output prodotti e, di conseguenza, le decisioni che vi si basano.
Fornire dati personali o sensibili ai sistemi di IA è rischioso in termini di privacy, a causa della difficoltà di tracciarne l’uso e il trasferimento.
Conosciuto come il problema della “scatola nera”, l’IA spesso manca di trasparenza nel modo in cui elabora gli input per produrre gli output.
L’uso dell’intelligenza artificiale nella ricerca accademica e nella creazione di contenuti solleva preoccupazioni sul plagio involontario.
Un uso eccessivo dell’IA può ridurre la creatività e la novità delle soluzioni e delle idee.
Fare eccessivo affidamento all’IA può produrre una dequalificazione delle competenze umane; può essere dannoso per la nostra capacità di apprendere, analizzare criticamente e risolvere autonomamente i compiti.
Principali temi in ambito accademico
- Integrità accademica: rischio di plagio o valutazioni, saggi ed esami contraffatti.
- Monitoraggio eccessivo: limitare o prevenire efficacemente l’uso improprio dell’IA da parte degli studenti può diventare molto dispendioso in termini di tempo e stress per i docenti.
- Allucinazioni: i risultati dell’IA possono essere inaffidabili e fornire informazioni plausibili ma errate, a causa della ricombinazione statistica dei dati di input.
- Uso improprio dell’IA: l’IA può essere utilizzata per scopi diversi da quelli previsti, portando ad applicazioni non etiche o illegali.
- Innovare l’insegnamento e le valutazioni: L’IA può favorire la progettazione di attività e valutazioni personalizzate, promuovendo un cambiamento verso l’apprendimento attivo e l’engagement critico con i materiali del corso.
- Apprendimento interattivo: Gli strumenti di IA possono facilitare le interazioni, attraverso simulazioni, dibattiti guidati e feedback in tempo reale, migliorando la comprensione e il coinvolgimento degli studenti.
La ricerca recente in tema di IA
Nell’articolo “The case for human–AI interaction as system 0 thinking” di Chiriatti et al. (2024), pubblicato su Nature Human Behaviour è stato introdotto il concetto di “sistema 0”, un quadro cognitivo in cui l’IA potenzia il pensiero umano elaborando enormi quantità di dati ed eseguendo calcoli complessi.
Questo sistema interagisce con il pensiero intuitivo e analitico, sollevando importanti questioni epistemologiche ed etiche.
L’intelligenza artificiale generativa può facilitare o danneggiare l’apprendimento? È la domanda centrale intorno a cui ruota l’articolo di Bastani e colleghi (2024), volto a valutare gli effetti di GPT-4 sull’apprendimento degli studenti nello studio della matematica.
Va evidenziato che il tema degli effetti dell’IA sull’apprendimento è ampiamente dibattuto; pertanto, tale fonte non va intesa come unica evidenza sul fenomeno.
Lo studio di Pinski e Benlian del 2024 esamina la ricerca esistente sulla alfabetizzazione all’IA (AI literacy), fornendo un quadro completo delle competenze necessarie a navigare questa innovazione tecnologica, e un’agenda utile per interagire in modo efficace ed etico con l’IA.
Leggi l’articolo