Argomento 2.2. Come impara la GenAI

Reti neurali: un modello mentale

La tecnologia alla base dell'Intelligenza Artificiale generativa si chiama rete neurale artificiale.Il nome viene dal cervello umano - l'idea è ispirata al modo in cui i neuroni del cervello umano si collegano e lavorano insieme - ma attenzione a non prendere l'analogia troppo alla lettera. Una rete neurale non è un cervello. È un sistema matematico che elabora le informazioni in fasi successive.

Ecco un modo semplice per visualizzare il principio. Immagina la grande cucina di un hotel durante il servizio della colazione. Gli ordini arrivano dagli ospiti (l'input). La cucina ha diverse postazioni - una per i dolci, una per le uova, una per le bevande - e ogni postazione si occupa di una parte dell'ordine (gli strati nascosti). Alla fine, il vassoio della colazione esce pronto per l'ospite (l'output). Nessuna postazione sa che aspetto avrà il vassoio finale: ciascuna fa semplicemente la sua parte, ma poiché le postazioni sono collegate nella sequenza giusta, l'intero sistema produce un risultato coerente.

Una rete neurale funziona in modo analogo, a tre livelli

• Input layer - L'input layer è il livello di ingresso, dove arrivano i dati grezzi che la rete deve elaborare. Se stai addestrando un modello a scrivere descrizioni di hotel, i dati in ingresso saranno migliaia di descrizioni già esistenti, scomposte in singole parole e frasi.
• Hidden layer - Gli hidden layers sono gli strati nascosti, i livelli di elaborazione intermedi che lavorano tra l'ingresso e l'uscita. Una rete può averne uno solo o molti, e ciascuno analizza le informazioni cercando un tipo diverso di pattern. I primi livelli colgono elementi semplici, ad esempio quali parole compaiono in associazione con altre. I livelli più profondi - apprendimento profondo - riconoscono pattern più complessi: la struttura di una frase, la differenza di tono tra l'annuncio di un camping e quello di un agriturismo.

Deep learning - Quando una rete neurale ha molti hidden layer sovrapposti, si parla di deep learning. La profondità della rete le permette di andare oltre il riconoscimento di associazioni semplici: un modello di deep learning può, ad esempio, riconoscere che una descrizione che combina "colazione a km zero", "pannelli solari" e "escursioni nella riserva naturale" si riferisce a una struttura di turismo sostenibile e richiede un tono autentico e attento all'ambiente. Coglie il contesto, non solo la vicinanza tra le parole. Il deep learning è la tecnologia alla base degli strumenti di IA generativa più potenti che si basano su reti neurali profonde con miliardi di connessioni, addestrate su enormi dataset.

• Output layer- L'output layer è il livello di uscita, il punto in cui la rete consegna il risultato del suo lavoro. Per un generatore di testi, può essere la parola successiva di una frase. Per un generatore di immagini, l'immagine che prende forma progressivamente.

Mentre la rete elabora i dati durante l'addestramento, le connessioni tra i layer si rafforzano o si indeboliscono a seconda di quanto il suo output si avvicina al risultato atteso. Le connessioni che portano a previsioni accurate vengono rafforzate, mentre quelle che producono errori vengono indebolite. Nel corso di milioni di esempi, la rete si regola gradualmente fino a riconoscere i pattern nei dati con un'accuratezza sempre maggiore. Questo processo di regolazione è ciò che chiamiamo addestramento: lo stesso concetto che hai già esplorato nel workflow del Machine Learning nella Lezione 1.2.

Mettiti alla prova : Esercizio 1

Completa la frase

Dall'apprendimento alla creazione: come l'IA generativa crea contenuti

Capire la struttura della rete è fondamentale. Ma come fa questa rete a produrre una nuova frase o una nuova immagine? È qui che entra in gioco il concetto di "previsione".

Un modello di generazione di testi

A modello di generazione testi come, ad esempio, ChatGPT non comprende il significato di ciò che scrive; genera il contenuto del testo un pezzo alla volta, prevedendo che cosa dovrebbe venire dopo ogni singolo elemento della frase sulla base dei pattern che ha imparato durante l'addestramento.

Facciamo un esempio. Immagina di scrivere questo prompt all'assistente IA di un hotel:"Scrivi un messaggio di benvenuto per un ospite che arriva per il suo anniversario".
Il modello inizia dalla prima parola. Sulla base di tutto ciò che ha imparato da milioni di testi, prevede che un messaggio di benvenuto sia probabilmente destinato a cominciare con qualcosa come "Gentile" o "Benvenuto". Supponiamo che scelga "Gentile".
Ora, tenendo presente che il contesto è un hotel e che ha appena scelto la parola "Gentile", prevede la parola successiva: magari "Marco" (il nome dell'ospite indicato nel prompt) oppure "ospite". Sceglie "Marco".
Poi, considerando "Gentile Marco" nel contesto di un benvenuto per un anniversario, prevede la parola seguente: forse "noi" o "congratulazioni". E così via, parola dopo parola, finché il messaggio non è completo.
In nessun momento il modello capisce davvero cosa sia un anniversario o cosa si provi a essere accolti. Sta semplicemente costruendo una lunga catena di ipotesi ragionate, basate su pattern statistici. Ma poiché quei pattern sono stati appresi da enormi quantità di testi scritti da persone, il risultato suona spesso naturale e appropriato, anche se non c'è, di fondo, alcuna comprensione.

Un modello di generazione di immagini

La generazione di immagini funziona secondo un principio simile, ma con pattern visivi invece che con le parole.Quando DALL-E riceve il prompt "la terrazza assolata di un ristorante con vista sul mare", non visualizza la scena, genera elementi visivi un passo alla volta, sulla base dei pattern che ha imparato: quale aspetto hanno tipicamente le scene "assolate", come sono composte le terrazze e cosa contengono le viste sul mare. Il risultato può essere straordinariamente realistico, ma si tratta di previsione di pattern, non di immaginazione.

Perché questo è importante: capire i limiti

Capire il meccanismo con cui l'IA generativa produce contenuti aiuta a spiegare sia i suoi punti di forza sia i suoi limiti.

• Perché è utile - È in grado di produrre bozze di testi, traduzioni, riassunti e proposte di contenuto in pochi secondi. Può adattare tono, stile e lingua in base alle tue esigenze. Per attività di routine come comporre email, creare didascalie per i social media o tradurre un menù, il risparmio di tempo è enorme."
• Perché ha bisogno di te - Poiché prevede anziché comprendere, può produrre contenuti che sembrano convincenti ma sono di fatto sbagliati. Potrebbe consigliare un ristorante che ha chiuso l'anno scorso, inventare una policy dell'hotel che non esiste, o scrivere qualcosa di dettagliato ma non del tutto in linea con lo stile della tua struttura. Non è in grado di verificare se ciò che produce corrisponde alla realtà: quello è il tuo compito.
• I risultati migliori sono il frutto di una collaborazione: lascia che l'IA generi rapidamente una prima bozza, poi applica le tue competenze, la tua intelligenza e la tua conoscenza della situazione reale per rivedere e correggere.

Mettiti alla prova – Esercizio 2

Trova il problema

Discussione - Perché l'IA ha commesso questi errori? In che modo sono collegati a ciò che hai imparato sul modo in cui la GenAI genera contenuti?
Domanda aperta - In due frasi, spiega perché "fidarsi ma verificare" è una buona regola quando si lavora con l'IA generativa in un contesto professionale.

Pausa video