Termini AI spiegati: comprendi il linguaggio dell’intelligenza artificiale semplicemente.
Pubblicato il da Ignazio Aragona - Tecnologia
L’intelligenza artificiale sta rivoluzionando il mondo e sta creando un nuovo linguaggio per descrivere questo cambiamento. Leggendo cinque minuti su AI, ci si imbatte in termini come LLMs, RAG e RLHF, che possono mettere in difficoltà anche gli esperti del settore. Questo glossario mira a semplificare la comprensione di questi concetti. Viene aggiornato regolarmente, diventando così un documento vivo, proprio come i sistemi di intelligenza artificiale che descrive.
Comprendere l’Intelligenza Artificiale Generale
L’intelligenza artificiale generale, o AGI, è un termine ambiguo, ma si riferisce generalmente a un’IA capace di eccellere in molte attività più degli esseri umani. Sam Altman, CEO di OpenAI, ha descritto l’AGI come “l’equivalente di un collaboratore medio che puoi assumere”. La carta di OpenAI definisce l’AGI come “sistemi altamente autonomi che superano gli esseri umani nella maggior parte dei lavori economicamente rilevanti”. Secondo Google DeepMind, l’AGI è “un’IA almeno altrettanto capace degli esseri umani nella maggior parte delle attività cognitive”. Gli esperti del settore, comunque, si trovano frequentemente confusi riguardo a queste definizioni.
Un agente AI è un tool che utilizza tecnologie di intelligenza artificiale per svolgere compiti a tuo nome, andando oltre le capacità di un semplice chatbot. Ciò può includere la gestione delle spese, la prenotazione di biglietti o l’assistenza nella scrittura di codice. Tuttavia, la definizione di “agente AI” può variare, dato che la dimensione di questo campo è in continua evoluzione, e anche le infrastrutture necessarie per sostenere queste funzioni sono ancora in fase di sviluppo. La nozione di base implica un sistema autonomo che può interagire con più sistemi AI per eseguire compiti complessi.
Pensa agli endpoint API come a “pulsanti” su un software che altri programmi possono “premere” per attivare determinate funzioni. Gli sviluppatori utilizzano queste interfacce per costruire integrazioni – per esempio, permettendo a un’applicazione di estrarre dati da un’altra, o consentendo a un agente AI di controllare servizi di terze parti senza che un umano debba operare manualmente su ogni interfaccia. La maggior parte dei dispositivi smart home e delle piattaforme connesse hanno questi pulsanti nascosti, anche se gli utenti normali spesso non li vedono né interagiscono con essi. Con l’aumentare delle capacità degli agenti AI, questi stanno diventando sempre più capaci di identificare e utilizzare questi endpoint autonomamente, aprendo a possibilità potenti e a volte inaspettate per l’automazione.
Ragionamento Chain-of-Thought
Di fronte a una domanda semplice, il cervello umano può rispondere senza riflettere troppo; ad esempio, “quale animale è più alto, una giraffa o un gatto?”. In altri casi, è necessario scrivere o calcolare per arrivare alla risposta corretta. Se un contadino ha polli e mucche che insieme hanno 40 teste e 120 zampe, può essere necessario scrivere un’equazione per trovare la soluzione.
Nel contesto dell’IA, il ragionamento chain-of-thought per i modelli di linguaggio di grandi dimensioni significa suddividere un problema in passaggi più piccoli per migliorare la qualità del risultato finale. Potrebbe richiedere più tempo ottenere una risposta, ma la probabilità che sia corretta aumenta, specialmente in contesti logici o di codifica. I modelli di ragionamento vengono sviluppati a partire dai classici modelli di linguaggio ed ottimizzati per il pensiero a catena grazie all’apprendimento per rinforzo.
Un agente di codifica è una versione specializzata di un programma che può prendere decisioni autonomamente per completare un obiettivo nel campo dello sviluppo software. Piuttosto che semplicemente proporre codice per una revisione da parte di un umano, un agente di codifica può scrivere, testare e fare debug del codice in modo autonomo, gestendo attività iterative e di prova tipiche della giornata di un programmatore. Questi agenti possono operare su interi codebase, individuando bug, eseguendo test e applicando correzioni con una supervisione umana minima.
Il termine “compute” si riferisce al potere computazionale essenziale che consente ai modelli AI di operare. Questa potenza di elaborazione alimenta l’industria dell’IA, consentendo l’addestramento e il deployment di modelli avanzati. Spesso, il termine è utilizzato come abbreviazione per rappresentare l’hardware che fornisce questa potenza, come GPU, CPU e TPU.
L’apprendimento profondo è un sottoinsieme del machine learning in cui gli algoritmi AI sono progettati con una struttura a rete neurale profonda. Questa architettura consente di fare correlazioni più complesse rispetto a sistemi di machine learning più semplici. Modelli di apprendimento profondo possono identificare autonomamente caratteristiche chiave nei dati, senza bisogno dell’intervento di ingegneri umani per definire queste caratteristiche. Sebbene questi sistemi richiedano un elevato numero di punti dati per produrre risultati efficaci, possono migliorare le proprie performance attraverso un ciclo di errore e correzione.
Secondo il documento di ricerca di Stanford, “AI Index 2021”, l’evoluzione delle architetture di deep learning ha aperto nuove frontiere nel campo dell’IA, portando a capacità prima ritenute impossibili. Fonte: Stanford University.
Non perderti tutte le notizie di tecnologia su Blog.it