A cosa ci serve l’Intelligenza Arificiale?

(versione presentazione: 2025-06-24)

Giovanni Ciatto, Dipartimento di Informatica — Scienza e Ingegneria (DISI), Sede di Cesena,
Alma Mater Studiorum—Università di Bologna

Immagine di copertina generata con typo
Immagine generata con IA (notare l'errore "di battitura")

https://gciatto.github.io/talk-ai-ita-short/

versione stampabile

Scaletta

  1. Nozioni utili
  2. Diversi livelli di IA: AGI, ASI, ANI
  3. AI vs. Informatica
  4. Principali tappe verso l’IA Generativa
  5. IA Generativa (GenAI)
  6. Principali soluzioni tecnologiche per GenAI
  7. Principali modalità d’utilizzo di GenAI
  8. Quanto è intelligente l’GenAI?
  9. IA e Società

Cosa (non) è l’IA?

https://duckduckgo.com/?t=h_&q=intelligenza+artificiale&iax=images&ia=images

Query “intelligenza artificiale” in data 2024-10-19 su DuckDuckGo mostra robot umanoidi

(sembrerebbe trattarsi di robot umanoidi)

Sfatiamo alcuni miti

  1. L’IA non è una cosa sola

    • ci sono varie cose che vengono chiamate IA, molto diverse tra loro

  2. Non ci sono (solo / ancora) robot umanoidi senzienti che si comportano come le persone

    • l’IA è spesso invisibile, e non sempre ha bisogno di un corpo
      • es. google translate
      • es. filtri instagram
      • es. NPC dei videogiochi

  3. L’IA non è magica né onnipotente

    • molta matematica, molta statistica, molta informatica
    • spesso è molto limitata, e può fare solo quello per cui è stata progettata

C’è chi fa ricerca sui robot, anche umanoidi, ma ben che vada sanno fare azioni specifiche:

Cos’è l’intelligenza umana?

Domanda difficile, la risposta dipende molto dal contesto

Esistono vari tipi di intelligenza logico-matematica, verbale-linguistica, emotiva, corporeo-cinestetica, …

Più facile definire per esempi:

  • intelligenza come capacità di apprendere (dall’esempio, dall’errore, …)
  • capacità di adattamento (applicare conoscenze a situazioni nuove)
  • Teoria della Mente: capacità di comprendere e interpretare i comportamenti e pensieri degli altri
  • Senso comune: conoscenza di base su come funziona il mondo fisico (es. “se tocco il fuoco mi scotto”)

Intelligenza vs. Autonomia

Altra caratteristica degli esseri umani:
autonomia $\approx$ le persone possono fare ciò che vogliono

“Fare ciò che si vuole” $\approx$ “avere capacità di scelta”


  • autonomia motivazionale $\rightarrow$ scelgo che obiettivi pormi
    • es. “voglio comprare l’ultimo gioco di Zelda”
  • autonomia esecutiva $\rightarrow$ scelgo come raggiungere gli obiettivi
    • es. “voglio andare al GameStop” vs. “voglio comprare sul Nintendo Store”

Intelligenza e autonomia sono intrecciate:
per scegliere e agire efficacemente servono molti aspetti dell’intelligenza

Cos’è l’intelligenza artificiale?

Una macchina (un computer) che è in grado di:

  • emulare una o più abilità tipiche dell’intelligenza umana

    • anche abilità scontate per un umano, come riconoscere le cose del mondo fisico
      • rappresentazione del mondo

  • raggiungere un qualche grado di autonomia

    • va già bene fermarsi all’autonomia esecutiva

Autonomia > Automazione

  • Automazione: una macchina che svolge la sua funzione senza (troppo) aver bisogno di intervento umano

    • la macchina non sceglie cosa fare e come farlo

  • Autonomia: la macchina ha margine di scelta su cosa fare e/o come

Esempio:

  1. il condizionatore: è automatico
  2. alcuni robot aspirapolvere hanno margine di autonomia esecutiva

Diversi livelli di IA

  1. Artificial narrow intelligence (ANI, IA ristretta): macchine con un compito preciso che svolgono emulando qualche abilità umana

    • noi siamo qui!

  2. Artificial general intelligence (AGI, IA generale): macchine con un grado di intelligenza ed autonomia comparabili a quelle umane

    • lavori in corso, ETA: decenni o secoli

  3. Artificial super intelligence (ASI, IA superiore): macchine con un grado di intelligenza ed autonomia superiori a quelle umane

    • superiori a quelle di ogni essere umano? o della collettività umana?

AGI — Artificial General Intelligence

Intelligenti come un essere umano

Esempi di AGI nella cinematografia (pt. 1)

Sonny di “Io Robot”

Rappresentazione grafica di Sonny

  • corpo umanoide con sembianze robotiche
  • iper-razionale
  • dotato di “libero-arbitrio”
  • si riscopre emotivo nell’arco narrativo

Esempi di AGI nella cinematografia (pt. 2)

Dolores Abernathy di “Westworld”

Rappresentazione grafica di Dolores

  • corpo umanoide con sembianze umane
  • iper-emotiva
  • guadagna autocoscienza e quindi libero arbitrio nell’arco narrativo
    • maturando, attraversa vari stadi emotivi: vendicativa, compassionevole, etc.
  • in Westworld, la coscienza sta in una piccola pallina nel cranio
    • può essere trasferita in altri corpi, o copiata

Esempi di AGI nella cinematografia (pt. 3)

J.A.R.V.I.S. di IronMan

Rappresentazione grafica di JARVIS
  • nessun corpo: è un’entità virtuale
  • iper-razionale
  • inizialmente un mero assistente, fa poi delle scelte autonome che impattano la trama
  • accesso completo a Internet
  • capacità di guadagnare il controllo di altre macchine

ASI — Artificial Super Intelligence

Più intelligente degli esseri umani

Esempi di ASI nella cinematografia (pt. 1)

Skynet di Terminator

Rappresentazione grafica di Skynet
  • nessun corpo: è un’entità virtuale
  • iper-razionale
  • quando raggiunge la auto-consapevolezza
    1. decide che gli umani sono una minaccia
    2. scatena un olocausto nucleare come attacco preventivo
  • capacità di ottenere il controllo di altre macchine

Esempi di ASI nella cinematografia (pt. 2)

L’IA di Matrix (da non confondersi col solo Mr. Smith)

Rappresentazione grafica di Matrix
  • non si capisce se IA sono un’entità collettiva o tante entità invididuali
  • le IA si sono ribellate agli umani:
    1. gli umani hanno oscurato il cielo per togliere energia alle macchine
    2. le macchine hanno iniziato ad attingere energia dagli umani coltivati
  • le macchine hanno la capacità di costruirsi e (ri)progettarsi da sole

Esempi di ASI nella cinematografia (pt. 3)

Rehoboam di Westworld 3

Rappresentazione grafica di Rehoboam
  • un supercomputer di dimensione sferica
  • accesso ai dati personali di tutte le persone, e non solo
  • iper-razionale
  • capace di prevedere il prevedere il futuro degli individui e della società
    • capace si simulare scenari e prendere decisioni per evitare quelli negativi

Esempi di ASI nella cinematografia (pt. 4)

“Il direttore” di Travelers

Rappresentazione grafica del Direttore
  • un computer quantistico, di forma cilindrica
  • accesso ai dati disponibili in rete
  • capace di simulare scenari alternativi nel passato, e il loro impatto sul presente

ANI — Artificial Narrow Intelligence

Intelligente (veloce) ma senza autonomia

Esempi di ANI dalla vita reale (pt. 1)

Traduzione automatica di testo — Es. Google Translate

Interfaccia di Google Translate
  • include anche Text-to-Speech (generazione di audio “parlato” da testo)

Esempi di ANI dalla vita reale (pt. 2)

Traduzione automatica di immagini — Es. Google Translate

Interfaccia di Google Translate
  • include capacità di riconoscimento e localizzazione di testo in immagini
  • include capacità di traduzione di testo in immagini
  • include capacità di disporre il testo tradotto in modo simile all’originale

Esempi di ANI dalla vita reale (pt. 3)

“Filtri” dei social network — Es. Instagram

Interfaccia di Instagram
  • include capacità di riconoscere la posa e l’orientamento del viso
  • include capacità di modificare immagini predefinite e orientarle rispetto al viso

Esempi di ANI dalla vita reale (pt. 4)

Riconoscimento di immagini — Es. analisi del traffico

  • include capacità di riconoscere e localizzare oggetti in immagini
  • sembra una IA “unica”, ma in realtà ogni IA è specializzata su un gruppo di oggetti
  • utile per analisi del traffico, monitoraggio di eventi, etc.

Esempi di ANI dalla vita reale (pt. 5)

Riconoscimento di immagini — Es. autenticazione con volto


  • diverso dalla precedente: bisogna distringuere un volto dagli altri
    • più complesso del semplice trovare un volto in una foto
  • utile per autenticazione e controllo accessi
    • in realtà relativamente insicuro per questo scopo

Esempi di ANI dalla vita reale (pt. 6)

Riconoscimento di immagini — Es. di impronte digitali


  • riconosce solo impronte digitali, e le distingue tra loro
  • sapendo che l’immagine è un’impronta, si può aumentare la precisione del riconoscimento, sfruttando le minuzione tipiche
  • utile per autenticazione e controllo accessi
    • più sicuro del riconoscimento facciale, meno della password

Esempi di ANI dalla vita reale (pt. 7)

Riconoscimento di immagini — Es. di caratteri scritti a mano

esempio interattivo qui


  • molto difficile riconoscere intero testo scritto a mano
    • più facile riconoscere singoli caratteri
  • utile per automazione di operazioni postali, o di elaborazione di moduli standardizzati

Esempi di ANI dalla vita reale (pt. 8)

Calcolo di percorsi — Es. Google Maps


  • attività molto consolidata, ma è tra i primi esempi di IA nei libri di testo
  • include capacità di calcolare il percorso migliore tra due punti
    • magari considerando traffico, pedaggi, etc.

Esempi di ANI dalla vita reale (pt. 9)

Calcolo di percorsi — Es. Movimento dei personaggi nei videogiochi

esempio interattivo qui


  • utile per far muovere i personaggi dei videogiochi in modo realistico verso una destinazione
  • l’idea di fondo, è la stessa di Google Maps, ma in uno spazio diverso

Esempi di ANI dalla vita reale (pt. 10)

Riconoscimento di suoni — Es. Shazam


  • riconosce canzoni e brani musicali da brevi estratti audio

Esempi di ANI dalla vita reale (pt. 11)

Riconoscimento di suoni — Es. Speech-to-Text (STT), Riconoscimento del parlato

(esempio interattivo qui)


  • converte parlato in testo scritto e digitalizzato
  • utile in combinazione TTS (Text-to-Speech) per creare assistenti vocali

Cosa hanno in comune questi esempi?

Automazione $\approx$ si ottiene un servizio senza bisogno di intervento umano

Vantaggi diretti:

  • velocità: le macchine sono più rapide degli umani nella maggior parte dei casi
  • costo: le macchine non fanno fatica, non si stancano, non hanno bisogno di stipendio
    • alcuni servizi di IA hanno un prezzo che copre costi di sviluppo/esercizio e profitto del fornitore
  • precisione: su compiti ripetitivi, le macchine sono più precise degli umani
    • in generale, l’errore è controllabile $\implies$ compromesso tra precisione e velocità
  • disponibilità: le macchine non hanno orari d’ufficio, non si ammalano, non vanno in ferie
  • riproducibilità: una volta compreso come automatizzare una attività, tutti possono beneficiarne

Vantaggi indiretti:

  • le macchine abbattono tempi e costi di fruizione dei servizi che automatizzano
    • es. una volta per tradurre un documento serviva un traduttore umano
  • migliorano le nostre vite in tante piccole cose
    • es. non serve più conoscere i nomi delle vie, basta “condividere la posizione”
  • ci sollevano da attività lavorative monotone e ripetitive

IA vs. Informatica

  • Questi vantaggi sono veri per qualunque avanzamento tecnico comporti automazione

  • Molte tecnologie informatiche introducono automazione senza IA

  • Esempi:

    • Social networks e app di messaggistica: automatizzano, velocizzano, e rendono asincrona la comunicazione tra persone
    • Ebay, Amazon, e altri Negozi On-line: automatizzano e velocizzano la compravendita di beni
    • Netflix, Prime Video, e altri servizi di Entertainement Online: rendono la fruizione di audiovisi automatica e personalizzata
    • YouTube, Vimeo, e altri servizi di Video Sharing: automatizzano la pubblicazione di audiovisivi
    • Uber, Lime, e altri servizi di Car Sharing: incrociano domanda e offerta di servizi di mobilità, automaticamente
    • etc.

In realtà l’IA può essere applicata in questi ambiti, ma solo per efficientizzare il servizio

Cos’è l’informatica?

Rappresentazione grafica del ruolo del computer nell'elaborazione dell'informazione

  • Il computer transforma dati di input in dati di output

    • dati $\approx$ informazioni interessanti e digitali
    • es. input: partenza=Cesena, destinazione=Bologna
    • es. output: percorso stradale più veloce

  • Durante la trasformazione, il computer potrebbe:

    • memorizzare informazioni / recuperarne di memorizzate
    • interagire sulla rete con altri computer o persone

  • Come fa a sapere cosa fare?

    • il computer esegue un programma
      • $\approx$ ricetta, lista di istruzioni, per eseguire una trasformazione

  • Ogni trasformazione input—output risolve un problema interessante

    • es. calcolo del percorso
    • es. visualizzazione di una pagina Web
    • es. riproduzione di un video

  • I programmi sono scritti da persone esperte

    • informatica studia come programmare problemi interessanti/ricorrenti

L’apprendimento automatico

  • Ci sono dei problemi per cui è difficile / impratico scrivere un programma

    • es., in genere, il riconoscimento di immagini, audio
    • es., es. il riconoscimento di scrittura “a mano”

  • È difficile dare istruzioni precise su come risolvere il problema

    • perchè il problema stesso è impreciso per sua natura

Esempio di problema difficile da codificare: riconoscimento/scrittura di lettere

Soluzione: scrivere un programma che possa imparare a migliorare il suo stesso funzionamento

  • questa è la base dell’apprendimento automatico, una delle branche più importanti dell’IA come scienza

Osservazioni

  1. Apprendere $\approx$ migliorare (non cambiare) il funzionamento di base di un programma

    • se progettato per distinguere mele da pere, non imparerà mai (da solo) a riconoscere pesche

  2. Le persone imparano da altre persone

    • da chi o cosa apprendono le macchine?

Apprendimento da Esempi


  1. Allenamento: gli umani forniscono molti esempi noti delle cose da riconoscere, la macchina impara da essi

    • es. foto di vari animali e rispettivi nomi

  2. Risultato: la macchina allenata sa riconoscere esempi anche mai visti prima

    • es. nuova foto di un animale noto, la macchina dice il suo nome
    • NB: la macchina non saprà comunque riconoscere nuovi tipi di animali

Apprendimento per Rinforzo


  • Allenamento: la macchina riceve un premio quando fa bene e una penalità quando fa male

    • impara cosa è opportuno fare quando
      • es. “per spegnere il fuoco, devo prima prendere l’acqua”

  • Risultato: la macchina sa cosa fare in situazioni simili a quelle dell’allenamento

    • NB: funziona bene per operazioni dove le azioni e casistiche possibili sono limitate
      • es. video-giochi, automazione industriale, etc.

IA Generativa

Verso l’IA Generativa

Alcuni grandi avanzamenti si sono verificati negli ultimi 10 anni


  1. [~2010] Deep Learning (apprendimento profondo): ritorno in auge di tecniche basate su reti neurali

    • maggiore flessibilità e potenza per apprendimento automatico volto al riconoscimento
    • ispirate al funzionamento del cervello umano

    Rappresentazione grafica semplificata di una rete neurale convoluzionale

Verso l’IA Generativa

Alcuni grandi avanzamenti si sono verificati negli ultimi 10 anni


  1. [~2015] Generative Adversarial Networks (GAN, reti generative avversarie): capacità di generare contenuti realistici

This Person Does Not Exist (esempio di GAN che genera volti umani realistici)

Verso l’IA Generativa

Alcuni grandi avanzamenti si sono verificati negli ultimi 10 anni


  1. [~2015] sempre relativamente alle GAN: capacità di variare lo stile di un contenuto
    • es. implica capacità di apprendere lo stile di un’immagine e applicarlo ad un’altra
    • NB: il concetto di stile NON è esplicitamente definito, è una cosa intuitiva che le GAN imparano a riconoscere e riprodurre

Esempi della stessa immagine a cui sono applicati stili diversi

(esempio di GAN che applica stili artistici diversi ad una stessa immagine)

Verso l’IA Generativa

Alcuni grandi avanzamenti si sono verificati negli ultimi 10 anni


  1. [~2015] sempre relativamente alle GAN: capacità di modificare un contenuto sull’esempio di un altro

Esempi di modifica della posa della Monnalisa

(esempio di GAN che modifica la posa di un volto)

Verso l’IA Generativa

Alcuni grandi avanzamenti si sono verificati negli ultimi 10 anni

  1. [~2020] Modelli fondazionali: grosse reti neurali che imparano ad elaborare, “capire”, e produrre contenuti
    • contenuti $\approx$ testo, immagini, suoni, etc.
    • allenati su grandi quantità di dati, e con grandi risorse computazionali, a fare un po’ tutto
      • con l’idea di poterli poi specializzare per compiti specifici

Concept dei modelli fondazionali

Verso l’IA Generativa

Alcuni grandi avanzamenti si sono verificati negli ultimi 10 anni


  1. [2023] ChatGPT e altre tecnologie note come large language models (LLM) aperte al pubblico generale


Terminologia: Modelli Fondazionali vs. Large Language Models

Diagramma di Venn che spiega come gli LLM siano un caso particolare di modelli fondazionali

GenAI con modello di consumo as-a-Service

Modello di consumo 'as a Service' per i modelli fondazionali

GenAI con modello di consumo as-a-Service

  • Modelli di costo:

    • ad abbonamento: si paga un canone fisso mensile/annuale per avere accesso al servizio
      • spesso contiene comunque limiti di consumo
    • a consumo: si paga in proporzione all’uso effettivo del servizio

  • Consumo è misurato in base allo sforzo computazionale necessario per servire la richiesta:

    • token processati (per testo)
    • quantità di richieste effettuate per unità di tempo (minto, ore, giorno, mese)
    • dimensione dei dati processati (per immagini, audio, video)
    • complessità dello specifico modello impiegato per per servire la richiesta

  • La generazione da considerarsi un processo stocastico, per costruzione

  • La qualità del servizio è soggetta a casualità e a fluttuazioni dovute a:
    • carico del servizio
    • scelta del modello, e relativo aggiornamento
    • limiti di servizio eventualumente raggiunti nel quanto di tempo corrente
    • caso

Ciclo di apprendimento di GenAI

Ciclo di apprendimento di GenAI

Ciclo di apprendimento di GenAI — Conseguenze (pt. 1)

  • Bias di campionamento: GenAI conosce solo ciò su cui è stato allenato + pia speranza che impari a generalizzare

  • L’apprendimento usa dati presi dal Web + eventuali dati aziendali del fornitore del servizio

    • comprovato impiego delle interazioni degli utenti precedenti come feedback per allenamenti successivi

  • Informazioni di nicchia possono non essere apprese correttamente (o affatto)
  • Fondamentale evitare di convididere informazioni sensibili, confidenziali, o protette da diritti d’autore

Ciclo di apprendimento di GenAI — Conseguenze (pt. 2)

  • Cicli di apprendimento estramente costosi in termini di denaro e risorse computazionali…

  • … eseguiti periodicamente (settimane? mesi?) per migliorare la qualità del servizio

    • il modello di consumo as-a-Service permette all’utente di avere accesso traspente al servizio aggiornato

  • Informazioni recenti potrebbero non essere state (ancora) apprese
  • Rischio di ricevere risposte datate o manchevoli da GenAI
  • GenAI dà l’impressione di star imparando durante la conversazione, ma in realtà lo fa offline

Alcune soluzioni tecnologiche permettono di scegliere (pt. 1)


Alcune soluzioni tecnologiche permettono di scegliere (pt. 2)


Alcune soluzioni tecnologiche permettono di scegliere (pt. 3)


Alcune soluzioni tecnologiche permettono di scegliere (pt. 4)


Funzionamento di base di un LLM

Predizione della prossima parola

  • Gli LLM hanno imparato a indovinare la parola successiva in un testo dato il contesto precedente
    • simile alla tastiera predittiva del cellulare, ma molto più complessa e potente
  • In altre parole, gli LLM hanno appreso come usare il linguaggio naturale

Linguaggio e Ragionamento

  • Il linguaggio naturale aiuta le persone a comunicare

  • Può essere usato per esprimere concetti complessi o astratti

  • Può essere usato per ragionare su problemi e soluzioni

    • tuttavia ammette imprecisioni, dovuti ad ambiguità, interpretazioni variabili, soggettività, etc.

Il linugaggio naturale permette agli LLM di usare l’intuito nei ragionamenti, come gli umani
(quindi di sbagliare come gli umani)

  • $\implies$ gli LLM possono risultare molto sicuri di sé, pur dicendo cose sbagliate, imprecise, o inventate

Esempio: Parole inventate

Visitate il sito: https://www.thisworddoesnotexist.com/

genera parole inventate che sembrano reali, ad esempio:

Principali soluzioni tecnologiche

Categorizzate per tipo di interfaccia

Lista non esaustiva!

Interfaccia conversazionale


  • Interazione testuale che mima una corrispondenza (chat)
    • l’utente chiede, l’IA risponde reattivamente
  • L’interfaccia permette l’inserimento di un prompt
    • opzionalmente contenente allegati (e.g. immagini, documenti)
  • Le risposte sono contestuali
    • i.e., lo storico della conversazione impatta le risposte future
  • La risposta contiene testo (spesso formattato)
    • opzionalmente: immagini, URL, codice

Talvolta…

  • … prima di rispondere, l’IA fa una ricerca su Web
  • importante per avere risultati aggiornati

Interfaccia basata su auto-completamento


  • L’IA suggerisce un completamento per il testo inserito
    • e.g., codice, testo, URL
  • L’utente accetta (anche in parte) o ignora il suggerimento
  • Usato anche e soprattutto per codice di programmazione

Attenzione…

  • … modello di costo ad abbonamento (vedi qui)
  • … potenziali leak di informazioni sensibili
  • … rischio di lock-in non trascurabile

Interfaccia programmatica

import asyncio
from openai import AsyncOpenAI

client = AsyncOpenAI(api_key="sk-1234567890abcdef1234567890abcdef")

async def main():
    stream = await client.chat.completions.create(
        model="gpt-4",
        messages=[
            dict(role="user",
                 content="European countries, one by line")
        ],
        stream=True,
    )
    async for chunk in stream:
        print(chunk.choices[0].delta.content or "", end=", ")

asyncio.run(main())

Output:

Albania, Andorra, Austria, Belarus, Belgium, Bosnia and Herzegovina, Bulgaria, Croatia, Cyprus, Czech Republic, Denmark, Estonia, Finland, France, Germany, Greece, Hungary, Iceland, Ireland, Italy, Kosovo, Latvia, Liechtenstein, Lithuania, Luxembourg, Malta, Moldova, Monaco, Montenegro, Netherlands, North Macedonia, Norway, Poland, Portugal, Romania, Russia, San Marino, Serbia, Slovakia, Slovenia, Spain, Sweden, Switzerland, Turkey, Ukraine, United Kingdom, Vatican City (Holy See),

  • Linguaggio di programmazione che interagisce con IA

    • e.g., Python, JavaScript

  • L’interazione rimane di tipo richiesta-risposta

    • il programma invia una richiesta, l’IA risponde

Abilitante per

  • Prompt parametrici, risposte processate automaticamente

    • es. list of LOCALITIES in AREA, one by line
      • dove LOCALITIES $\in$ {cities, regions, states}
      • e AREA $\in$ {Europe, Asia, Africa, America, Oceania}
      • risultati ordinati alfabeticamente

  • Scrittura software che usa l’IA come servizio

    • utile in industria come in ricerca

Attenzione…

  • … modello di costo a consumo (vedi qui)
    • proporzionale al numero di token processati
    • prezzi variabili per modello

Interfaccia in-app


  • GenAI integrata in applicazioni desktop o web

    • e.g., Microsoft Office (Word, Excel, Outlook)

  • supporto per interfaccia conversazionale interna

    • conversazione intrinsecamente contestualizzata

  • IA automatizza operazioni complesse (interne all’app)

    • e.g., scrittura di bozze
    • e.g., generazione di formule, grafici

Attenzione…

  • … modello di costo ad abbonamento (vedi qui)
  • … potenziali leak di informazioni sensibili
  • … rischio di lock-in non trascurabile

Interfaccia per editing di audio-visivi (e.g. musica)

  • Interazione one-shot per generare il contenuto

    • input: descrizione testuale del contenuto
    • output: contenuto

  • L’interfaccia permette poi

    • riproduzione del contenuto
    • modifica del contenuto
      • e.g., taglio di parti, modifica di tonalità

Esempio

Identificazione di contenuti generati

  • Non basato su GenAI, specializzato su testo
  • Fornisce una percentuale di confidenza che il contenuto sia generato
    • facilmente aggirabile fornendo scaletta a GenAI, o applicando modifiche manuali testo

Principali modalità d’utilizzo

Categorizzate per ruolo di GenAI

GenAI come…

  • … motore di ricerca: uso GenAI per ricercare informazioni
  • … assistente di (ri)scrittura: uso GenAI per (ri)scrivere documenti
  • … assistente di lettura: uso GenAI per acquisire informazioni da documenti
  • … assistente per l’elaborazione dei dati: uso GenAI per elaborare dati
  • … generatore di contenuti: uso GenAI per creare contenuti

Lista non esaustiva!

GenAI come motore di ricerca

Disclaimer

GenAI non è un motore di ricerca come Google, Bing, DuckDuckGo, etc.

  • FM, di base, non accedono al Web (né interrogano qualche sorgente) prima di rispondere

    • alcune tecnologie specifiche possono farlo, ma non c’è garanzia

  • FM, di base, rispondono in base a dati e conoscenze acquisite durante l’allenamento

    • informazioni successive all’ultimo ciclo di apprendimento potrebbero non essere considerate

  • FM possono essere immaginati come grandi memorie

    • in cui (porzioni de) lo scibile umano è stato “registrato”
    • interrogabili tramite il linguaggio naturale

  • Le risposte di GenAI non vanno mai accettate acriticamente, in quanto suscettibili di allucinazioni:

    • errori: informazioni fattualmente false o inventate, riportate con sicumera
    • fraitendimenti: informazioni fuori contesto o non pertinenti rispetto all’aspettativa dell’utente
    • bias: di campionamento delle informazioni, di selezione del motore di ricerca, intrinseci nel linguaggio, etc.

GenAI come motore di ricerca

Razionale


Possiamo considerare FM come esperti su tematiche che:

  • siano temporalmente consolidate $\implies$ diffidare di risposte su temi recenti
  • siano relativamente popolari $\implies$ diffidare di risposte su temi di nicchia

GenAI come motore di ricerca

Consigli sempre validi


  • verificare le fonti menzionate da GenAI

    • esistono davvero? sono aggiornate?

  • verificare l’aderenza alle fonti

    • la fonte dice davvero quello che GenAI ha riportato?

  • prediligere, se possibile, la lingua inglese

    • LLM sono stati sicuramente esposti a più testi inglesi che italiani durante l’allenamento

GenAI come assistente di (ri)scrittura

Razionale


  • Interrogare GenAI per generare testo da riusare verbatim è un approccio naïf
    • ci si affida in toto a GenAI, col rischio che sfuggano allucinazioni
    • si rischia di ereditare bias ed errori semantici senza accorgersene
  • Approccio più furbo: chiedere a GenAI di rielaborare un testo grezzo o parziale
    • es. una lista di cose da dire, argomenti da trattare, etc.
    • controllo e responsabilità del filo del discorso rimangono sull’utente

GenAI come assistente di (ri)scrittura

Consigli sempre validi


  • tenere il controllo di cosa si vuole dire nel testo
  • farsi assistere riguardo alla forma del testo
  • rivedere il testo prodotto per errori, incongruenze, allucinazioni
    • chiedere opportunamente variazioni fino a soddisfazione
  • rivedere eventuali riferimenti a fonti o citazioni per aderenza
  • chiedersi se non ci sia mancanza di informazioni o riferimenti importanti

Altri tipi di supporto alla scrittura

Supporto alla traduzione automatica (pt. 1)

Meglio strumenti consolidati (e.g. Google Translate) o modelli fondazionali (e.g. GPT)?

(posto che la traduzione fatta da esperti umani sarà sempre migliore)

Altri tipi di supporto alla scrittura

Supporto alla traduzione automatica (pt. 3)


TL;DR: Google Translate è preferibile laddove sia richiesta precisione

Altri tipi di supporto alla scrittura

Supporto alla traduzione automatica (pt. 4)


TL;DR: GPT usabile laddove il contesto possa aiutare la traduzione

Altri tipi di supporto alla scrittura

Supporto alla traduzione automatica (pt. 5)

  • Richiesta di transposizione in lingua con uno stile specifico
  • Utile per migliorare la qualità scrittura in lingua

Altri tipi di supporto alla scrittura

Supporto alla generazione di codice di programmazione

(codice suggerito inefficiente, ma funzionante)

Altri tipi di supporto alla scrittura

Supporto alla documentazione del codice di programmazione

(spiegazione corretta ed articolata)

GenAI come assistente di lettura

Razionale


  • GenAI può essere usato per acquisire informazioni da documenti testuali [senza leggerli integralmente]

    • e.g., estrarre highlights da un testo, sintetizzare un testo, etc.

  • La stessa idea si può applicare a contenuti multimediali

    • e.g., estrarre highlights da un video, trascrivere un audio, etc.

Il testo [o contenuto] da cui estrarre informazioni deve essere fornito dall’utente

  • Non presumere che GenAI conosca il testo [o contenuto] in questione

GenAI come assistente di lettura

Consigli sempre validi

  • Al crescere della lunghezza del testo, aumenta la probabilità di allucinazioni

    • idem per durata dei contenuti multimediali

  • Verificiare che il testo [o contenuto] fornito non contenga informazioni sensibili o riservate

  • Verificare di avere il diritto di fornire a terzi [copie de] il contenuto

  • Tenere presente la possibilità di inevitabili distorsioni

    • allucinazioni $\rightarrow$ l’estrazione potrebbe inventare informazioni non presenti nell’originale
    • lacune $\rightarrow$ elementi importanti portebbero non essere estratti

GenAI come assistente per l’elaborazione dei dati

Razionale


  • GenAI può essere usato per elaborare dati, anche strutturati, semi-strutturati, o non strutturati

    • e.g., tabelle, dataset, etc.

  • Vari tipi di elaborazione possibili, es:

    • (semplicifi) operazioni di aggregazione o filtraggio di dati
    • visualizzazione dei dati
    • creazione di (semplici) modelli predittivi
    • generazione di dati sintetici

  • Si istruisce GenAI ad operare come un analista dati o un data scientist

    • fornendo i dati e le operazioni da eseguire, valutando i risultati

GenAI come assistente per l’elaborazione dei dati

Disclaimer


  • LLM, di per loro, sono imprecisi e non affidabili per il calcolo e l’analisi di dati

    • specie al crescere del volume dei dati

  • Tuttavia, FM posssono generare codice di programmazione (dietro le quinte) per elaborare i dati

    • compensando quindi la limitata capacità di analisi dei LLM

GenAI come assistente per l’elaborazione dei dati

Consigli sempre validi


  • Prima di caricare dati, verificare che non contengano informazioni sensibili o riservate, e di avere il diritto di fornirli a terzi

    • escludere i dati dai futuri cicli di allenamento

  • Fare richieste precise, chiare, e possibili (rispetto ai dati forniti)

    • riguardanti operazioni che in linea di principio comprendi e che potresti fare senza GenAI

  • Non fidarsi ciecamente dei risultati, verificare che siano corretti

    • specie laddove siano svolti calcoli su dati numerici

  • Chiedere il codice sorgente delle operazioni svolte, per verificarle, e renderle riproducibili

  • Non delegare a GenAI operazioni che implichino punti di scelta e/o responsabilità

    • es. scelta di un modello predittivo, scelta di un’operazione di aggregazione o discretizzazione, etc.

GenAI come assistente alla generazione di contenuti

Razionale

  • GenAI può essere usata per generare contenuti di vario genere (sia da zero che modificando contenuti esistenti)

    • e.g., immagini, video, audio etc.

  • Per la generazione di diagrammi, grafici, etc. è meglio indurre GenAI a generare codice, da renderizzare poi con strumenti dedicati

  • Può essere utile chiedere a GenAI di generare loghi, concept, copertine, etc. per ispirazione

    • in generale, GenAI funziona bene dove l’intuizione vale più della precisione

GenAI come assistente alla generazione di contenuti

Consigli sempre validi

  • Verificare che i contenuti generati siano originali e non violino copyright

  • Non delegare a GenAI la scelta di contenuti critici o sensibili

    • e.g., scelta di un logo per un’azienda, scelta di un graphical abstract per un articolo, etc.

  • Non fidarsi ciecamente dei risultati, verificare che siano corretti, e non contengano bias o allucinazioni

I modelli fondazionali sono ANI, AGI, ASI?

Difficile a dirsi: il confine tra le tre categorie è sfumato


Opinione mia

ANI < FM < AGI < ASI

  • I FM sono più che una semplice ANI, ma meno di una AGI
  • I FM sono decisamente meno di una ASI

Come si “testa” l’intelligenza di una IA?

Soprattutto, come si fa a farlo senza prima definire cosa sia l’intelligenza?

Test di Turing (1950)

Rappresentazione grafica del Test di Turing

IDEA: si testa l’intelligenza “ai morsetti”:

  • Un umano e un IA interagiscono per mezzo di una chat
  • Se l’umano non riesce a distinguere tra l’IA e un altro umano, allora l’IA è intelligente

In passato era facile fallire il test di Turing

(esempi presi da “La quarta rivoluzione” di Luciano Floridi, cap. 6)

  1. Bastava fare domande che implicassero “senso comune”…

    • es. se ci diamo la mano, la mano di chi sto stringendo?
    • es. ho in mano una scatola di gioielli, quanti CD posso riporvi?

  2. … o domande che implicassero contraddizioni o paradossi

    • es. Le quattro capitali della Francia sono tre: Lione e Marsiglia. Cosa c'è di sbagliato in questa frase?
    • es. Se un uomo dice di mentire, sta dicendo la verità?
    • es. La prossima frase è falsa. La frase precedente è vera. Quale frase è giusta?

Oggi gli LLM superano il test di Turing…


… e non solo

(vedi https://en.wikipedia.org/wiki/Artificial_general_intelligence#Tests_for_human-level_AGI)

  1. Test per studenti del Robot College: una IA si iscrive all’università, frequentando e superando gli stessi corsi che farebbero gli umani, e ottenendo una laurea

    • pare sia stato superato da GPT4 (vedi articolo qui), o1 farebbe ancora meglio (vedi articolo qui)

  2. Test dell’impiegato: un’IA lavora in un’azienda, svolgendo le stesse mansioni che farebbe un umano, con performance analoga o superiore

    • per alcuni lavori, questa cosa succede già (vedi articolo qui)

  3. Test dell’Ikea: un’IA assembla un mobile Ikea, seguendo le istruzioni, senza errori

  4. Test del Caffé: un’IA entra in una casa e capisce da sola come preparare il caffé: trova la macchina, il caffé, l’acqua, etc., capisce da sola come ricaricare la macchina, quali pulsanti premere, e quando fermare la macchina

    • non ci siamo ancora

Quanto/Cosa manca per AGI?

(seguono opinioni personali)

Se per AGI si intende Robot umanoide (alla Sonny)

Ci sono ancora molti problemi da superare:

  • LLM sono puramente reattivi: a parte quando interrogati, non fanno nulla ($\implies$ mancano di autonomia)
  • La potenza computazionale attuale non è sufficiente a controllare un robot in tempo reale
  • L’infrastruttura di calcolo necessaria per allenare/eseguire LLM è troppo grande/pesante/energivora per un corpo piccolo e mobile

Quanto/Cosa manca per AGI?

(seguono opinioni personali)

Se per AGI si intende Assistente intelligente con interfaccia conversazionale (alla J.A.R.V.I.S.)

Già più verosimile:

  • bisogna rendere più flessibile e granulare l’apprendimento
  • bisogna dare la possibilità a LLM di comandare liberamente altri sistemi informatici ($\implies$ gli serve più autonomia)
  • ciò pone sfide importanti per la sicurezza informatica e la privacy ($\implies$ come controllare l’autonomia?)

IA e Società

Macro-temi

  • IA e Lavoro
  • IA e Ambiente
  • IA e Salute
  • IA e Istruzione
  • IA e Sicurezza
  • IA e Difesa
  • IA e Giustizia
  • IA ed Etica
  • IA e Informazione
  • IA e Arte

IA e Lavoro (pt. 1)

IA rimpiazzerà il mio lavoro?


  • Dipende dalla natura lavoro:
    • molti lavori cambieranno: diventerà importante (saper) usare IA per rimanere competitivi
    • alcuni lavori perderanno di importanza: verranno automatizzati o semplificati
      • tendenzialmente quelli ripetitivi, monotoni, e per lo più informativi, ma comunque a bassa creatività e specializzazione

IA e Lavoro (pt. 2)

IA o automazione?

Non è tanto l’IA, è l’automazione che cambia il mondo del lavoro

Una centralinista

ha ancora senso il mestere del centralinista?


L’automazione non è un problema…

  • … se la società ha il tempo di adattarsi
  • … lo è se i cambiamenti sono troppo rapidi
    • più veloci del ricambio generazionale

Al tempo stesso:

  • non è furbo evitare/impedire il cambiamento
  • noi possiamo non cambiare, ma gli altri?

IA e Lavoro (pt. 3)

Quali sono i lavori meno esposti?

(seguono opinioni)

Contro-intuitivamente: i lavori manuali e/o di interfacciamento al pubblico
e/o ad elevata responsabilità/specializzazione

  • Manuali:

    • es. idraulici, muratori, giardinieri, meccanici, falegnami, chef, parrucchieri, estetisti, etc.

  • Interfacciamento al pubblico:

    • es. camerieri, baristi, commessi, segretari, etc.

  • Elevata responsabilità/specializzazione:

    • es. medici, infermieri, ingegneri, legali, etc.

IA e Ambiente

Usare e soprattutto allenare IA inquina

(vedi articolo di approfondimento qui)


  • … inquina nella misura in cui richiede molta energia elettrica
    • la cui produzione in maniera pulita è ancora un problema aperto
      • la soluzione è produrre più energia pulita, non usare meno l’IA

IA e Salute

Applicazioni della IA alla salute

  • L’impiego di ANI alla salute è già una realtà

  • L’auspicio è che il supporto alla diagnosi possa snellire il carico di lavoro dei medici

    • ottime performance della diagnosi di malattie comuni
    • come gestire casi rari?

  • Il problema della responsabilità?

    • chi è responsabile in caso di errore? (il medico)

  • Da bilanciare automatismo e cura del paziente

IA e Istruzione (pt. 1)

Applicazioni della IA all'istruzione

  • Si sta già facendo ricerca su come usare l’IA per personalizzare l’istruzione

    • l’idea di fondo e di adattare il percorso di apprendimento al discente

  • Ci sono aspetti molto critici, come l’automazione del processo di valutazione

    • a mio avviso inopportuno, meglio fermarsi all’identificazione semi-automatica di errori e incongruenze

  • Cambia anche il ruolo del docente:

    • cambia il modo in cui si prepara il materiale didattico
    • importante educare all’uso dell’IA anziché evitarlo

IA e Istruzione (pt. 2)

  • Problematica anche l’impostazione di test ed esericizi:

    • come fare in modo che gli studenti acquiscano abilità importanti, ma frustranti da imparare?
      • es. ragionamento logico, scrittura creativa, problem solving, etc.
    • bisogna ripensare le modalità di verifica ed esercitazione:
      • quando vietare l’uso di AI? quando incentivarlo?
      • importanza delle prove orali, scritte a mano, pratiche, interattive, etc.

  • Peggiora forse il problema della soglia di attenzione?

  • Cambiano le priorità sulle competenze fondamentali da acquisire

    • capacità di ricerca e analisi critica VS. memorizzazione e riproduzione
    • già successo in passato, es: calcolatrice, disegno tecnico, etc.

IA e Sicurezza (pt. 1)

Scenari distopici alla “Black Mirror” sono oggigiorno non solo possibili, ma in certi paesi reali


In generale, le applicazioni di IA alla sicurezza hanno a che fare col monitoraggio delle attività umane, ad esempio:

Riconoscimento facciale/biometrico in tempo reale

(pare sia usato in Cina, vedi qui)

Social scoring (punteggio sociale)

(usato in Cina, vedi qui)

IA e Sicurezza (pt. 2)

Il fatto di stare in EU ci offre garanzie inimmaginabili in altri paesi

A marzo 2024 è stata approvata la legge europea nota come AI Act protegge regola l’uso dell’IA in Europa
(entrata in vigore: agosto 2024)

Tra gli aspetti principali, ci sono i divieti per applicazioni ad alto rischio come (fonte qui):

  • Manipolazione subliminale, es. invogliare a votare per un partito politico senza che la persona se ne accorga

  • Sfruttamento delle vulnerabilità delle persone che si traduce in comportamenti dannosi, es. un voce infantile sintetica che incita i bambini a fare cose pericolose

  • Categorizzazione biometrica in base a caratteristiche sensibili: genere, etnia, orientamento politico/sessuale, religione, etc.

  • Punteggio sociale generico con cui negare/permettere opportunità o servizi agli individui

  • Identificazione biometrica remota in tempo reale (in spazi pubblici), con eccezioni possibili previa autorizzazione dell’autorità giudiziaria, con supervisione della Commissione Europea

  • Valutazione dello stato emotivo di una persona, sul lavoro o nell’istruzione (eccezioni possibili per sicurezza o salute)

  • Polizia predittiva: valutazione del rischio che un individuo commetta un crimine futuro in base alle sue caratteristiche personali.

IA e Difesa

(fonte qui)

  • Le armi autonome stanno proliferando rapidamente

    • in termini di accessibilità, gradi di autonomia, gamma di sviluppatori internazionali, letalità, precisione, etc.

  • Rimangono problemi tecnici, etici, e normativi riguardo agli errori e alle responsabilità

    • es. danni collaterali, errori di identificazione, malfunzionamenti, attacchi informatici, etc.

  • La politica internazionale resta ambigua riguardo alla necessità di normare

  • La ricerca su armi autonome tiene le potenze militari in una competizione a rialzo

IA e Giustizia

Due macro-categorie:

  1. Supporto all’iter giudiziario:

    • es. supporto alla ricerca di precedenti, sentenze, leggi, etc.
    • es. supporto alla sentenza (molto critico!)

  2. Rappresentazione computazionale della legge:

    • utile alle persone per identificare sovrapposizioni / buchi nelle leggi
    • ricerca su come far rispettare le leggi umane alle IA

IA e Etica (pt. 1)

Fairness (equità)

  • È stato osservato che IA tendono a assorbire e rinforzare i bias umani

    • es. razzismo, sessismo, omofobia, etc.

  • L’assorbimento è dovuto al fatto che i dati di allenamento spesso fotografano i bias umani…

    • es. genere/etnia dei candidati per centri per l’impiego

  • … ulteriori bias possono essere introdotti (o non-affrontati) da team di sviluppo poco diversificati

    • es. sviluppatori potrebbero modellare l’attributo di genere come binario

  • Il rinforzo avviene quando IA massimizzano la precisione rispetto ai dati di allenamento

IA e Etica (pt. 2)

Accentramento del potere


  • Pochi player dominano il mercato dell’IA generativa

    • richiede competenze specifiche e risorse infrastrutturali enormi

  • Difficile per piccole realtà emergere

    • difficile per la collettività competere

  • Modello di business tendente al lock-in tecnologico

  • Note positive:

  • Corsa all’IA: cosa succede se un paese rimane indietro?

IA e Etica (pt. 3)

Sfruttamento lavoratori

  • Per rendere ChatGPT più presentabile, serve molto lavoro umano

    • es. revisione delle risposte
    • es. identificazione contenuti inappropriati

  • (Analogo a quanto accade per la moderazione dei contenuti sui social media)

  • Questa forma di lavoro è spesso delocalizzato in paesi in via di sviluppo, dove la paga oraria è bassa

  • $\implies$ IA generativa non è un prodotto a impatto sociale nullo

IA e Informazione (pt. 1)

Concetti importanti

Infodemia [‘informazione’ + ’epidemia’] è la diffusione di una quantità eccessiva di informazioni, talvolta anche inaccurate, che rendono difficile orientarsi su un determinato argomento per la difficoltà di individuare fonti affidabili

Sovraccarico cognitivo si verifica quando si ricevono troppe informazioni per riuscire a prendere una decisione o sceglierne una specifica sulla quale focalizzare l’attenzione

IA e Informazione (pt. 2)

LLM e Infodemia

  • LLM abbassano notevolmente la barriera al consumo e soprattutto alla produzione di informazione

    • es. blog, articoli, libri, video, etc.

  • Sarà più tentato di usare LLM per generare informazioni chi è già pressato per produrne in massa (e non di qualità)

    • es. giornalisti, scrittori, accademici, etc.

  • Chi produce informazioni deliberatamente distorte o fuorvianti avrà vita ancora più facile

    • es. fake news, disinformazione, propaganda, e tentativi vari di manipolare l’opinione pubblica

  • Possibile che, a tendere, gli LLM imparino informazioni sbagliate trovate in rete e le riproducano con sicumera

    • es. teorie del complotto, bufale, fake news, etc.

IA e Informazione (pt. 3)

Fondamentale imparare a distinguere tra contenuti genuini e sintetici

  • Genuini: prodotti da esseri umani e verificabili

    • es. articoli di giornale, libri, video, etc.

  • Sintetici: prodotti da IA, comunemente chiamati deep-fakes, allo scopo di ingannare o manipolare

    • es. video e audio manipolati, articoli e libri generati, etc.
    • esempio divertente: il Jerryverso

Alcuni esercizi per allenarsi a distinguere

  1. https://britannicaeducation.com/blog/quiz-real-or-ai/

  2. https://www.bbc.co.uk/bitesize/articles/zqnwxg8

  3. https://info.frontify.com/real-or-not-real-quiz

IA e Arte

Di chi è l’opera d’arte generata da un’IA?

  • es. immagine, canzone, poesia, etc.

Quando genero con IA, sto copiando oppure sto creando?

Queste domande non hanno ancora risposte definitive

$\implies$ state attenti ad eventiali violazioni di copyright e plagio quando usate LLM per scopi artistici

The end