Cos'è l'intelligenza artificiale? Come funzionano i sistemi di Machine Learning

L'intelligenza artificiale (IA) è un campo della tecnologia che consente ai computer e alle macchine di simulare l'apprendimento umano, la comprensione, la risoluzione dei problemi, il processo decisionale, la creatività e l'autonomia, secondo IBM.

IA ristretta vs. IA generale

IBM distingue tra due ampie categorie. L'IA ristretta, chiamata anche IA debole, copre sistemi costruiti per un compito specifico, come un assistente vocale o un chatbot. L'IA generale, o IA forte, si riferisce a un sistema teorico con una vasta comprensione di molti compiti a livello umano o sovrumano; IBM dichiara che tali sistemi non esistono attualmente.

Machine Learning: il motore dietro la maggior parte dell'IA

Il Machine Learning (ML) è il sottoinsieme dell'IA focalizzato su algoritmi che imparano i modelli dai dati di addestramento e poi fanno inferenze su nuovi dati, spiega IBM. La differenza chiave dalla programmazione tradizionale è che un programmatore non deve esplicitare ogni regola. IBM fa l'esempio della rilevazione dello spam: un programma basato su regole richiede a un umano di definire che aspetto abbia lo spam, mentre un modello ML impara le caratteristiche dello spam studiando molte email di esempio da solo.

Tre tipi principali di apprendimento

Secondo IBM, i sistemi di Machine Learning sono generalmente addestrati in uno di tre modi. L'apprendimento supervisionato utilizza dati etichettati con risposte corrette note, per compiti come la classificazione di elementi o la previsione di un valore continuo come un prezzo. L'apprendimento non supervisionato funziona con dati non etichettati e cerca strutture nascoste, come il raggruppamento di clienti simili. L'apprendimento per rinforzo addestra un sistema attraverso prove e errori, premiando le azioni che lo muovono verso un obiettivo in modo che impari gradualmente una strategia ottimale.

Dove l'IA è già presente

IBM elenca chatbot di servizio clienti, rilevazione delle frodi, consigli di marketing personalizzati, screening del reclutamento assistito da IA, strumenti di generazione del codice e manutenzione predittiva come applicazioni attuali. Separatamente, la panoramica del Machine Learning di IBM aggiunge veicoli autonomi, filtro dello spam delle email, supporto per la diagnostica medica, motori di raccomandazione e traduzione linguistica all'elenco delle tecnologie guidate da ML già in uso.

Limitazioni note: allucinazioni e pregiudizio

I sistemi di IA generativa possono produrre "allucinazioni" — informazioni fabbricate che appaiono autentiche, secondo il gruppo Teaching & Learning Technologies del MIT Sloan. MIT Sloan fa riferimento a un caso ampiamente riportato in cui un avvocato ha utilizzato ChatGPT per la ricerca legale e lo strumento ha inventato citazioni di casi che non esistevano. Il gruppo cita ricerche che trovano che i chatbot generici allucinano nel 58% all'82% delle query legali testate, mentre gli strumenti legali specializzati utilizzando il retrieval-augmented generation hanno ancora allucinato nel più del 17% dei casi.

MIT Sloan attribuisce le allucinazioni a tre fattori: dati di addestramento che mescolano informazioni accurate e inesatte, che i modelli possono riprodurre; il design sottostante dei sistemi generativi, che funzionano come "strumenti di completamento automatico avanzato" prevedendo parole successive plausibili piuttosto che verificare i fatti; e limiti architettonici che permettono ai modelli di combinare i modelli in modi nuovi, a volte inesatti, anche con dati di addestramento puliti.

Sul pregiudizio, MIT Sloan riferisce che gli studi hanno trovato che i sistemi di IA possono amplificare gli stereotipi di genere e razziali nelle immagini generate e produrre feedback, valutazione o raccomandazioni professionali di qualità diversa a seconda dei segnali demografici in un prompt. Il gruppo riconduce ciò ai dati di addestramento che contengono i pregiudizi sociali esistenti, che i modelli riproducono senza la capacità di giudicare il giusto dallo sbagliato. La panoramica di IBM inoltre segnala rischi di dati come l'avvelenamento o il pregiudizio incorporato, rischi di modello come il furto o la manipolazione dei parametri, e rischi operativi come la deriva del modello come preoccupazioni più ampie per le organizzazioni che distribuiscono l'IA.

Perché è importante adesso

IBM nota che la discussione moderna sull'IA è dominata dall'IA generativa — sistemi che creano testo, immagini, video e altri contenuti originali piuttosto che solo classificare o prevedere da dati esistenti. Mentre questi strumenti raggiungono i luoghi di lavoro, le scuole e le app quotidiane, la stessa meccanica sottostante — imparare i modelli dai dati di addestramento — aiuta a spiegare sia le loro capacità che i loro limiti documentati, inclusi i problemi di allucinazione e pregiudizio che MIT Sloan descrive.