Capire i termini dell’IA: svela il mistero dietro la tecnologia del futuro.
Pubblicato il da Ignazio Aragona - Tecnologia
L’intelligenza artificiale sta trasformando il mondo, creando un nuovo linguaggio per descrivere questa evoluzione. Leggendo per cinque minuti sull’IA, ci si imbatte in termini come LLMs, RAG e RLHF, che possono rendere anche i più esperti nel settore tecnologico insicuri. Questo glossario è il nostro tentativo di chiarire le cose. Viene aggiornato regolarmente, proprio come i sistemi IA che descrive.
Che cos’è l’Intelligenza Artificiale Generale (AGI)?
L’Intelligenza Artificiale Generale, o AGI, è un termine ambiguo. Indica in genere un’IA che è più capace della media umana in molti, se non nella maggior parte, dei compiti. Sam Altman, CEO di OpenAI, ha descritto l’AGI come “l’equivalente di un dipendente medio che potresti assumere come collega”. Nel frattempo, la carta di OpenAI definisce l’AGI come “sistemi altamente autonomi che superano gli esseri umani nella maggior parte dei lavori economicamente rilevanti”. Anche Google DeepMind ha una visione leggermente diversa, considerandola come “IA almeno altrettanto capace degli umani nella maggior parte delle attività cognitive”. Non preoccuparti se sei confuso: anche gli esperti nel campo della ricerca sull’IA lo sono.
Cosa sono gli Agenti Artificiali?
Un agente IA è uno strumento che utilizza le tecnologie IA per eseguire una serie di compiti per conto dell’utente. Questi compiti vanno oltre le capacità di un semplice chatbot, includendo attività come la gestione delle spese, la prenotazione di biglietti o tavoli in ristoranti, e persino la scrittura e la manutenzione del codice. È importante notare che il concetto di “agente IA” può variare, poiché lo spazio è in continua evoluzione e l’infrastruttura necessaria per realizzare queste capacità è ancora in fase di sviluppo. Tuttavia, l’idea di base suggerisce un sistema autonomo che può attingere a più sistemi IA per compiere compiti complessi.
Gli endpoint API possono essere visti come “pulsanti” sul retro di un software che altri programmi possono premere per eseguire determinate azioni. I programmatori usano queste interfacce per costruire integrazioni; ad esempio, permettendo a un’applicazione di estrarre dati da un’altra, o consentendo a un agente IA di controllare servizi di terze parti senza l’intervento umano. La maggior parte dei dispositivi smart home e delle piattaforme connesse possiede questi pulsanti nascosti, anche se gli utenti comuni non li vedono mai. Con l’aumento delle capacità degli agenti IA, questi sono sempre più in grado di trovare e utilizzare autonomamente questi endpoint, aprendo possibilità potenti e talvolta inaspettate per l’automazione.
La ragione a catena, nel contesto dell’IA, implica rompere un problema in passaggi più piccoli per migliorare la qualità del risultato finale. Sebbene ci voglia più tempo per arrivare a una risposta, la probabilità che la risposta sia corretta aumenta, specialmente in contesti logici o di programmazione. I modelli di ragionamento sono sviluppati a partire dai modelli linguistici di grandi dimensioni e ottimizzati per il pensiero a catena grazie all’apprendimento per rinforzo.
Per approfondire, si può considerare un modello di AI specializzato nella programmazione. Questo programma può scrivere, testare e fare debugging del codice in modo autonomo, gestendo un tipo di lavoro iterativo che normalmente richiederebbe l’intervento di un programmatore umano. Gli agenti di codifica operano su base di codice complete, identificando bug, eseguendo test e apportando modifiche con il minimo sovraccarico umano. Immagina di assumere un tirocinante molto veloce che non dorme mai e non perde mai la concentrazione, pur avendo sempre bisogno di un supervisore umano per rivedere il lavoro.
La generazione avversariale (GAN) è un tipo di framework di machine learning che sostiene importanti sviluppi nell’IA generativa. Le GAN utilizzano una coppia di reti neurali: una genera un output e l’altra valuta quest’output. Ogni modello cerca di superarsi a vicenda; il generatore tenta di creare dati che superino il discriminatore, mentre quest’ultimo si impegna a identificare i dati artificialmente generati. Questo sistema concorrenziale ottimizza le uscite IA rendendole più realistiche senza necessità di ulteriore intervento umano.
L’hallucination è il termine preferito nell’industria dell’IA per descrivere i modelli che creano informazioni errate. Questa è una questione significativa per la qualità delle IA, poiché può portare a risultati fuorvianti, generando potenziali rischi nella vita reale. Le allucinazioni nascono da lacune nei dati di addestramento, contribuendo a un trend verso modelli di IA sempre più specializzati.
Il termine “inference” designa il processo di esecuzione di un modello IA per fare previsioni basate su dati preesistenti. È fondamentale comprendere che l’inference non può avvenire senza un adeguato addestramento: un modello deve prima apprendere i modelli presenti in un set di dati per poter fare previsioni efficaci.
I modelli di linguaggio di grandi dimensioni (LLM) sono i modelli di IA utilizzati dagli assistenti virtuali più noti, come ChatGPT e Claude. Quando interagisci con un assistente IA, utilizzi un LLM che elabora la tua richiesta e genera risposte appropriate. Gli LLM funzionano grazie a reti neurali profonde costituite da miliardi di parametri.
La cache di memoria è un processo cruciale che ottimizza l’inference, consentendo di risparmiare potenza elaborativa e rendendo più rapide le risposte agli utenti. Diverse tecniche di caching, come KV (key value), sono utilizzate per migliorare l’efficienza nei modelli basati su trasformatori, aumentando la velocità di risposta alle domande degli utenti.
Le reti neurali rappresentano la struttura algoritmica multilivello che supporta il deep learning, essenziale per il boom delle IA generative. Sebbene il concetto risalga agli anni ’40, l’uso di GPU nel settore dei videogame ha potenziato enormemente questa teoria, consentendo miglioramenti prestazionali in vari settori.
Il termine “open source” si riferisce a software e modelli IA il cui codice sottostante è accessibile al pubblico. Esempi noti includono i modelli Llama di Meta. Gli approcci open source consentono una collaborazione globale che accelera i progressi in questo campo.
Il concetto di parallelizzazione è fondamentale nel training e nell’inference, poiché le moderne GPU sono progettate per eseguire migliaia di calcoli simultaneamente. Con l’aumento della complessità delle IA, la capacità di parallelizzare il lavoro su più chip diventa cruciale per lo sviluppo di modelli efficienti.
Weight e validation loss sono termini essenziali per comprendere come l’IA viene addestrata. I pesi determinano l’importanza degli input durante il training, mentre il validation loss fornisce indicazioni su come un modello sta apprendendo, segnalando eventuali problematiche come l’overfitting.
Quest’articolo viene aggiornato regolarmente con nuove informazioni e approfondimenti.
Fonti ufficiali: OpenAI, Google, Meta.
Non perderti tutte le notizie di tecnologia su Blog.it