Cos'è l'intelligenza artificiale (AI)?

L'intelligenza artificiale (AI) è una branca dell'informatica che consente alle macchine di eseguire compiti che normalmente richiedono l'intelligenza umana, come l'apprendimento, il ragionamento, la risoluzione di problemi, il riconoscimento di pattern e il processo decisionale. In parole più semplici, l'AI è un software che impara dai dati e usa ciò che apprende per fare previsioni, prendere decisioni o creare nuovi contenuti senza essere programmato esplicitamente per ogni singolo compito.

Oggi l'AI gestisce qualsiasi cosa, dai filtri antispam ai motori di raccomandazione, fino ai chatbot come ChatGPT e ai generatori di immagini. Si basa su una gamma di tecniche, in particolare il machine learning e l'AI generativa, ed è passata dai laboratori di ricerca ai prodotti che le persone usano ogni giorno.

La scienziata informatica di Stanford Fei-Fei Li, scrivendo nello Stanford Emerging Technology Review, colloca l'AI nella stessa categoria delle tecnologie più trasformative della storia moderna: "L'AI è una tecnologia fondamentale che sta facendo progredire altri campi scientifici e, come l'elettricità e internet, ha il potenziale di trasformare il funzionamento della società". L'adozione si sta ora estendendo a tutti i settori, dalla sanità e i servizi finanziari al retail e alla produzione manifatturiera, e il ritmo sta accelerando.

Questa pagina spiega come funziona l'AI, i suoi tipi principali, esempi reali, i limiti da tenere d'occhio e una breve storia di questo settore.

Che cos'è l'AI in parole semplici?

Pensa all'AI come a un modo di insegnare a un computer tramite esempi invece di scrivere istruzioni passo dopo passo. Mostra a un sistema migliaia di foto di gatti e questo imparerà a riconoscerli da solo, non perché qualcuno gli abbia detto che i gatti hanno i baffi e le orecchie a punta, ma perché ha visto abbastanza esempi per individuare il pattern. L'AI non "pensa" come facciamo tu o io. Trova pattern nei dati e li usa per fare una stima ottimale. Questa distinzione è importante: l'AI può ottenere risultati straordinari in ambiti ristretti, ma non comprende nulla nel senso umano del termine.

Lo stesso approccio di pattern matching che consente a un modello di riconoscere i gatti permette anche di individuare le cellule tumorali in una biopsia o di segnalare transazioni fraudolente tra milioni di transazioni legittime. Il meccanismo di base, ovvero trovare pattern nei dati, è lo stesso anche quando l'applicazione appare radicalmente diversa. Fa già parte degli strumenti di tutti i giorni: motori di ricerca, assistenti vocali, app di navigazione, filtri antispam e i consigli che vedi sui servizi di streaming.

Come funziona l'AI?

La maggior parte dell'AI moderna funziona apprendendo pattern da grandi quantità di dati, per poi applicarli a nuove situazioni. Invece di un developer che scrive regole ("se l'e-mail contiene 'denaro gratis', contrassegnala come spam"), al sistema vengono mostrati molti esempi ed è esso stesso a ricavare le regole.

Il processo di base si presenta così:

1. Raccolta dei dati. Il sistema viene alimentato con grandi quantità di testo, immagini, numeri, audio o video pertinenti, e le lacune in questi dati si riflettono in lacune nel modello.
2. Addestramento di un modello. Un algoritmo studia i dati e ottimizza i suoi pesi e parametri interni fino a produrre output corretti in modo affidabile; questa è la fase computazionalmente più onerosa che può richiedere ore, giorni o settimane su numerose GPU.
3. Test e perfezionamento. Il modello viene valutato su un test set "held-out" (escluso) su cui non è stato addestrato, dove individuare gli errori è molto meno costoso rispetto a rilevarli in produzione.
4. Generazione di previsioni. Una volta addestrato, il modello risponde a domande, classifica gli input, genera contenuti o attiva azioni su dati che non ha mai visto; questa è la fase di "inferenza" con cui gli utenti finali interagiscono effettivamente.
5. Apprendimento e miglioramento. Molti sistemi di AI continuano a migliorare man mano che vengono esposti a più dati e feedback, inclusi i segnali derivanti dal modo in cui le persone reagiscono ai loro output.

L'addestramento dell'AI moderna è anche una questione di scala: i modelli di frontiera vengono addestrati su trilioni di token di testo, eseguiti su decine di migliaia di GPU e la loro creazione costa centinaia di milioni di dollari. La maggior parte delle organizzazioni non addestra i modelli da zero. Al contrario, esegue il fine-tuning di modelli di base (foundation model) esistenti sui propri dati, il che è nettamente più rapido ed economico, pur producendo modelli personalizzati per un compito o un dominio specifico.

La qualità di un sistema di AI dipende fortemente dai dati da cui apprende: se i dati di addestramento sono incompleti, distorti (biased) o di bassa qualità, lo saranno anche gli output dell'AI. Puoi scoprire di più sui componenti fondamentali nelle nostre panoramiche sui modelli di machine learning e sulle reti neurali.

Quali sono i 4 tipi di AI?

I ricercatori suddividono comunemente l'AI in quattro categorie in base alle capacità, una tassonomia solitamente attribuita al ricercatore della Michigan State University Arend Hintze, che l'ha proposta nel 2016 come modo di concepire l'evoluzione dell'AI. Oggi nel mondo reale esistono solo le prime due categorie, mentre le altre due rimangono questioni aperte nella ricerca e nella filosofia.

La tassonomia è utile perché traccia una linea netta tra ciò che l'AI può effettivamente fare oggi e ciò che può fare solo in teoria o nella fantascienza.

Quasi tutti i prodotti di AI che le persone utilizzano oggi, compresi i modelli linguistici di grandi dimensioni (LLM) più avanzati, rientrano nella categoria della memoria limitata.

AI ristretta vs. AI generale vs. superintelligenza

Tutti i sistemi di AI in uso oggi sono classificati come ristretti (narrow). La tabella seguente differenzia questi sistemi attuali dai concetti teorici di AI generale e superintelligenza.

La presenza o meno dell'AGI oggi dipende in gran parte da come viene definita. I modelli avanzati possono ragionare su più domini e completare compiti complessi, ma i loro errori persistenti e l'affidabilità altalenante rendono questa classificazione controversa.

AI vs. machine learning vs. deep learning vs. AI generativa

Questi quattro termini sono spesso usati come sinonimi, ma significano cose diverse, e tali differenze sono importanti quando i team scelgono gli strumenti, definiscono l'ambito dei progetti o valutano i fornitori.

Un modo utile per pensarli è come cerchi concentrici: l'AI è la categoria più ampia, il machine learning è un sottoinsieme dell'AI, il deep learning è un sottoinsieme del machine learning e l'AI generativa è un'applicazione del deep learning focalizzata sulla creazione di nuovi contenuti. La tabella seguente illustra il significato di ciascun termine e le relative differenze. Per un confronto più approfondito, consulta la nostra analisi di machine learning vs. deep learning.

Quali sono alcuni esempi di intelligenza artificiale?

L'AI è già integrata silenziosamente negli strumenti di uso quotidiano, scrivendo bozze di e-mail, segnalando frodi in pochi millisecondi e prevedendo l'inventario dei negozi. Il percorso dal prototipo al prodotto finito si è ridotto drasticamente e le soluzioni offerte da Databricks coprono molte di queste categorie:

La diffusione è l'aspetto fondamentale. L'AI non è più concentrata in poche applicazioni tecniche; si è estesa a quasi ogni categoria di lavoro in cui il riconoscimento dei pattern o la generazione di contenuti creano valore. Il modello di adozione tende a essere lo stesso in ciascun settore: la prima ondata gestisce compiti specifici e ripetitivi. Le ondate successive affrontano lavori che richiedono maggiore discrezionalità, man mano che le capacità dei modelli maturano e le organizzazioni creano le fondamenta di dati necessarie per supportarle.

Quali sono i rami principali dell'AI?

AI è un termine ombrello che copre diversi campi specializzati. Ogni ramo si concentra su un tipo diverso di compito o capacità, sebbene i confini tra di essi si siano sfumati poiché il deep learning è diventato il motore comune alla base di gran parte del lavoro.

• Machine learning: Sistemi che apprendono pattern dai dati e migliorano con l'esperienza. L'approccio dominante oggi all'interno dell'AI e la base su cui si sviluppano la maggior parte degli altri rami.
• Deep learning: Una forma più avanzata di machine learning che utilizza reti neurali stratificate per gestire input complessi come immagini, voce e linguaggio. La svolta che ha reso possibile l'attuale ondata di AI.
• Natural language processing (NLP): Comprensione e generazione del linguaggio umano. L'NLP alimenta chatbot, traduzioni, assistenti vocali e sentiment analysis. Per saperne di più, consulta la nostra panoramica sull'elaborazione del linguaggio naturale.
• Computer vision: Interpretazione di immagini e video. Utilizzata nel riconoscimento facciale, nell'imaging medico, nel controllo qualità nella produzione e nei sistemi di percezione che consentono alle auto a guida autonoma di vedere la strada. Leggi di più sulla computer vision.
• Robotica: Combinazione di AI con macchine fisiche per eseguire compiti nel mondo reale: robot da magazzino, assistenti chirurgici, veicoli autonomi, droni agricoli. L'intersezione tra software di AI e ingegneria meccanica.
• Generative AI: Modelli che creano nuovi contenuti anziché limitarsi ad analizzare i dati esistenti. Testo, immagini, audio, video e codice sono tutti inclusi. Il ramo che è esploso all'attenzione del pubblico nel 2022 con ChatGPT.
• Sistemi esperti: Sistemi di AI basati su regole più datati che imitano il processo decisionale di un esperto umano in un dominio ristretto. Ampiamente superati dagli approcci di machine learning, ma ancora utilizzati in contesti in cui sono richieste regole esplicite e verificabili.

In pratica, la maggior parte dei moderni sistemi di AI combina più rami. Un'auto a guida autonoma utilizza la computer vision per percepire l'ambiente circostante, il machine learning per prevedere il comportamento dei veicoli vicini e la robotica per azionare i comandi. I rami sono utili come mappa concettuale, ma i prodotti distribuiti di solito li integrano tutti.

Una breve storia dell'AI

L'AI è un campo di ricerca da oltre 70 anni, con importanti cambiamenti nelle capacità concentrati nell'ultimo decennio. L'ondata più recente ha trasformato questo campo da curiosità accademica a infrastruttura quotidiana.

• 1950 — Proposta del test di Turing: Alan Turing pubblica "Computing Machinery and Intelligence", chiedendosi se le macchine possano pensare e proponendo un test per l'intelligenza artificiale che ancora oggi è al centro del dibattito.
• 1956 — Viene coniato il termine AI: John McCarthy conia il termine "intelligenza artificiale" alla Dartmouth Conference, lanciando formalmente il campo come disciplina.
• Anni '60–'70 — Primo ottimismo e inverni dell'AI: I ricercatori creano i primi sistemi basati su regole e programmi in linguaggio naturale. Quando il progresso si arresta di fronte a problemi complessi, i finanziamenti si esauriscono. Inizia il primo dei due "inverni dell'AI".
• 1997 — Deep Blue batte Kasparov: Il computer scacchistico di IBM sconfigge il campione del mondo Garry Kasparov in un match di sei partite, segnando la prima volta in cui una macchina ha battuto un campione del mondo in carica a scacchi e una pietra miliare pubblica per l'AI.
• 2012 — Svolta nel deep learning: Una rete neurale chiamata AlexNet compie un balzo in avanti nella precisione del riconoscimento delle immagini alla competizione ImageNet, innescando il moderno boom dell'AI e convincendo il settore che il deep learning fosse la strada da seguire.
• 2017 — Introduzione dei Transformer: I ricercatori di Google pubblicano "Attention Is All You Need", introducendo l'architettura transformer che apre le porte ai modelli linguistici di grandi dimensioni (LLM) odierni.
• 2022 — Lancio di ChatGPT: La Generative AI entra nel mainstream quando OpenAI rilascia ChatGPT al pubblico. Raggiunge 100 millioni di utenti in due mesi, l'adozione di tecnologia di consumo più rapida mai registrata fino ad allora.
• Dal 2023 a oggi — Scalabilità dell'AI aziendale: Le organizzazioni passano dagli esperimenti all'AI in produzione e agli agenti AI in tutte le funzioni aziendali, dal servizio clienti allo sviluppo software fino alle operazioni interne.

Ciò che spicca negli ultimi tre anni è il ritmo. Dal 2022 in poi, le capacità dell'AI sono progredite più rapidamente di quanto si aspettassero la maggior parte degli esperti e il divario tra la scoperta della ricerca e il prodotto distribuito si è ridotto da anni a mesi. La forma del prossimo decennio dipenderà meno dalle capacità grezze dei modelli e più da come le organizzazioni trasformeranno tali capacità in sistemi affidabili e controllati.

Quali sono i limiti e i rischi dell'AI?

L'AI è potente ma imperfetta. I seguenti rischi si presentano comunemente in produzione e rientrano generalmente in tre categorie: limitazioni tecniche, sfide operative e impatti sociali più ampi.

Allucinazioni e output imprecisi

L'AI generativa può produrre risposte apparentemente sicure ma di fatto errate. Il termine tecnico utilizzato nel settore è "allucinazione". Un chatbot può inventare una citazione, citare erroneamente una fonte o fabbricare fatti che a prima vista sembrano plausibili. Ciò accade perché i modelli linguistici di grandi dimensioni prevedono le parole successive più probabili invece di recuperare informazioni verificate: il modello è ottimizzato per la fluidità, non per la verità.

In contesti critici come l'assistenza sanitaria, la consulenza legale e le decisioni finanziarie, gli output dell'AI dovrebbero essere verificati da un essere umano prima di essere applicati. Anche in contesti meno critici, le organizzazioni associano sempre più spesso i modelli generativi a sistemi di retrieval-augmented generation che basano gli output su documenti di origine affidabili. Anche la valutazione sistematica è utile: testare i modelli rispetto a set di domande di benchmark prima del deployment consente di individuare tempestivamente molte allucinazioni, prima che raggiungano gli utenti.

Bias nei dati di addestramento

L'AI apprende dai dati. Se i dati riflettono i bias umani, come i pattern storici di assunzione che favorivano un gruppo demografico o le decisioni di concessione di prestiti che ne svantaggiavano un altro, l'AI riprodurrà e spesso amplificherà tali bias. Come osserva la Stanford Emerging Technology Review: "Senza dati di alta qualità sufficienti, i modelli di AI possono generare risultati imprecisi o distorti".

Il bias è una preoccupazione importante nelle applicazioni di assunzione, concessione di prestiti e giustizia penale, dove gli output distorti causano danni reali. La mitigazione richiede un'attenta cura dei dati di addestramento, una valutazione continua rispetto alle metriche di equità e il rigore nel testare i modelli su popolazioni che potrebbero essere state sottorappresentate durante l'addestramento. Non si tratta di una soluzione una tantum. I modelli subiscono un drift con il cambiare del mondo in cui operano, quindi il monitoraggio dell'equità deve essere una pratica operativa continua piuttosto che un semplice controllo nel giorno del lancio.

Il problema della "black box"

Soprattutto con il deep learning, spesso è difficile capire esattamente perché un'AI abbia preso una decisione specifica. Il ragionamento del modello è distribuito su milioni o miliardi di parametri, nessuno dei quali si mappa chiaramente in una spiegazione comprensibile per l'uomo. Questo conta soprattutto nei settori regolamentati come quello bancario, sanitario e assicurativo, dove una decisione deve essere spiegabile a un cliente, a un revisore o a un tribunale.

In risposta è nato il campo della explainable AI (XAI), che sviluppa strumenti in grado di evidenziare quali feature abbiano influenzato maggiormente l'output di un determinato modello. Alcuni settori si spingono oltre e richiedono architetture di modelli più semplici e "interpretabili" per casi d'uso critici, accettando un piccolo costo in termini di accuratezza grezza in cambio di decisioni che possano essere tracciate e difese.

Rischi per la privacy e la sicurezza

I sistemi di AI hanno spesso bisogno di accedere a grandi quantità di dati, il che solleva interrogativi su come tali dati vengano raccolti, memorizzati e utilizzati. L'AI generativa introduce nuovi rischi specifici: deepfake che impersonano persone reali, disinformazione generata dall'AI su larga scala e attacchi di prompt injection che ingannano i modelli spingendoli a rivelare informazioni riservate o a compiere azioni non autorizzate. I controlli sulla privacy e i guardrail di sicurezza fanno parte di una progettazione responsabile dell'AI, non sono un elemento secondario.

Preoccupazioni legate alla perdita di posti di lavoro

L'AI sta automatizzando attività in molti settori, il che solleva interrogativi reali su come cambieranno i posti di lavoro e le competenze. Lo scenario più probabile è il cambiamento, non la sostituzione totale: l'AI tende a modificare il mix di attività all'interno di un lavoro piuttosto che eliminare del tutto il ruolo. Alcuni ruoli svaniranno, ne emergeranno di nuovi e molti ruoli esistenti richiederanno nuove competenze, in particolare la capacità di lavorare in modo efficace a fianco dei sistemi di AI. Il cambiamento è reale, il ritmo è rapido e le implicazioni per la forza lavoro meritano seria attenzione da parte di leader, educatori e decisori politici.

Governance e conformità

Le organizzazioni che implementano l'AI hanno bisogno di guardrail chiari: chi può accedere a quali modelli, quali dati utilizzano tali modelli, come vengono monitorati gli output e come può essere revocato l'accesso in caso di problemi. La lezione dell'ultimo decennio di sicurezza del cloud è che i controlli integrati fin dall'inizio tengono meglio rispetto a quelli aggiunti a posteriori.

Lo stesso vale per l'AI. Anche le normative si stanno adeguando, con l'EU AI Act, le leggi statali degli US e le regole specifiche per settore nei campi finanziario e sanitario che impongono nuovi obblighi sui deployment di AI. L'implicazione pratica per gli sviluppatori è che la governance non può più essere un elemento secondario. Deve essere progettata a partire dal livello dei dati. Per uno sguardo più approfondito alla disciplina che vi risiede, consulta la nostra panoramica sulla governance dell'AI.

Perché l'AI è importante per le aziende?

L'AI sta rimodellando il modo in cui le organizzazioni operano, competono e servono i clienti. Il suo valore deriva dall'applicazione di dati affidabili e governati a problemi aziendali reali, non dall'esecuzione di esperimenti scollegati.

Le aziende utilizzano l'AI per:

• Prendere decisioni più rapide e informate
• Automatizzare il lavoro ripetitivo
• Personalizzare le esperienze dei clienti
• Implementare agenti che completano attività multi-step
• Migliorare le previsioni e il servizio clienti

La realizzazione di questo valore richiede una piattaforma unificata in cui i dati vengono preparati, i modelli vengono addestrati, gli agenti vengono distribuiti e l'intero stack viene governato end-to-end.

Anche la pressione competitiva è in aumento. Man mano che l'AI diventa uno standard in molti settori, le organizzazioni leader stanno:

• Partendo da uno specifico problema aziendale
• Dando priorità alla qualità dei dati rispetto alla sofisticazione del modello
• Valutando le prestazioni rispetto ai risultati del mondo reale
• Integrando la governance nella piattaforma fin dall'inizio

In che modo Databricks supporta l'AI

Creare un'AI per la produzione è difficile: i dati risiedono in molti luoghi diversi, i modelli devono essere addestrati e valutati e la governance deve coprire l'intera pipeline. La piattaforma Databricks unisce dati e AI in un unico posto, consentendo ai team di memorizzare e preparare i dati, addestrare ed eseguire il fine-tuning dei modelli, distribuire agenti di AI e governare il tutto end-to-end. Ciò include Agent Bricks per la creazione di agenti basati sui dati aziendali e Unity Catalog per la governance di tutti gli asset di dati e AI. La piattaforma si connette ai principali modelli di OpenAI, Anthropic, Google e Meta, oltre ad alternative open source, in modo da poter scegliere il modello giusto per ogni attività senza dover ricostruire lo stack.

Oltre 20.000 organizzazioni in tutto il mondo utilizzano Databricks per creare, scalare e governare il proprio lavoro con l'AI. Il vantaggio di una piattaforma unificata è la riduzione delle barriere: i team passano dai dati al modello fino al deployment senza dover copiare i dati tra i sistemi o perderne la lineage, il che rende il lavoro con l'AI più rapido, economico e facile da verificare. Scopri di più nella directory dei clienti Databricks.

Domande frequenti

Qual è un esempio di intelligenza artificiale?

ChatGPT, gli assistenti vocali come Siri e Alexa, il motore di raccomandazione di Netflix, il rilevamento delle frodi sulle transazioni con carta di credito e le funzionalità di guida autonoma nelle auto sono tutti esempi di AI in uso oggi. La maggior parte di questi rientra nella categoria a "memoria limitata": apprendono dai dati storici per fare previsioni o generare risposte, mas non conservano una memoria a lungo termine persistente come fanno gli esseri umani.

Quali sono i 4 tipi di AI?

Macchine reattive, memoria limitata, teoria della mente e AI autocosciente. Le prime due esistono oggi: dai filtri antispam a ChatGPT, tutto appartiene a una di queste categorie. Le ultime due rimangono teoriche e non esiste ancora un percorso tecnico chiaro per realizzarle.

L'AI è la stessa cosa del machine learning?

No. L'AI è il campo più ampio della creazione di macchine in grado di eseguire compiti intelligenti. Il machine learning è una branca dell'AI: sistemi che apprendono dai dati anziché essere programmati in modo esplicito. Tutto il machine learning è AI, ma non tutta l'AI è machine learning.

Qual è la differenza tra AI e AI generativa?

L'AI è il campo ombrello che copre qualsiasi sistema che esegue compiti associati all'intelligenza umana. L'AI generativa è un tipo specifico di AI, basato sul deep learning, che crea nuovi contenuti (testo, immagini, audio, video o codice) anziché classificare o effettuare previsioni a partire da input esistenti. ChatGPT e i generatori di immagini ne sono esempi quotidiani.

Quali sono i maggiori rischi dell'AI?

I rischi più comuni sono le allucinazioni (output errati ma esposti con sicurezza), i bias ereditati dai dati di addestramento, il problema della "black box" (decisioni che non si possono spiegare facilmente), le lacune in termini di privacy e sicurezza, la perdita di posti di lavoro e una governance debole. La mitigazione deriva da verifiche, supervisione, attenta cura dei dati e guardrail integrati.

Iniziare con l'AI

L'AI non è più sperimentale. È una tecnologia fondamentale che alimenta i prodotti di tutti i giorni e rimodella il modo in cui lavorano le aziende, e il ritmo di adozione sta accelerando. Comprendere le basi di cosa sia, come funzioni, dove si collochi e dove mostri dei limiti è il punto di partenza per utilizzarla al meglio. Da lì, il lavoro consiste nell'applicarla a problemi reali, su dati affidabili, con la governance necessaria per scalare in modo responsabile.

Scopri come Databricks aiuta le organizzazioni a creare e scalare l'AI sui propri dati — esplora la piattaforma Databricks.

(Questo post sul blog è stato tradotto utilizzando strumenti basati sull'intelligenza artificiale) Post originale