Che cos’è l'Intelligenza Artificiale? - Guida Completa Base

Ormai ogni giorno sentiamo parlare di AI, GPT, Deep Learning, Machine Learning, ed è naturale fare un po' di confusione. In questo video mettiamo un po' d'ordine. Io sono Manuel di Datapizza e ora facciamo un po' di chiarezza sul mondo dell'intelligenza artificiale.

Prima di tutto, sfatiamo un mito: quando si parla di intelligenza artificiale, non si fa sempre riferimento a robot umanoidi, a cervelli elettronici super intelligenti o automobili che si guidano da sole. Possiamo definire l'intelligenza artificiale come una disciplina che studia come realizzare sistemi informatici in grado di simulare un comportamento intelligente, come per esempio il comportamento umano.

Ok, di base quindi parliamo di sistemi automatici che compiono azioni che richiedono un qualche tipo di intelligenza. I sistemi automatici sono l'insieme di hardware e software che, lavorando in sinergia, riesce a portare a termine determinate funzioni in modo indipendente. Queste funzioni sono di qualsiasi tipo: comprendere il linguaggio naturale, ovvero il modo in cui io ora sto comunicando con voi, quindi utilizzando le parole, utilizzando la lingua italiana; riconoscere oggetti in immagini e contestualizzare situazioni ed eventi; comprendere audio e video, e tante altre ancora.

In generale, ci riferiamo quindi al vastissimo campo dell'AI come tutti quei sistemi che emulano un comportamento intelligente. Pensate per esempio al riconoscimento facciale che usiamo per sbloccare il telefono, o a quando parliamo con un assistente vocale, oppure molto più frequentemente, quando calcoliamo il percorso tra un punto A e un punto B e sappiamo in anticipo quanto tempo ci metteremo. Ecco, dietro a tutti questi sistemi c'è quello che comunemente viene chiamato intelligenza artificiale. Ah, tra l'altro, se siete interessati all'ultimo esempio, abbiamo fatto un video proprio su come funziona Google Maps.

Un fatto molto interessante è come l'ambito dell'intelligenza artificiale si sia evoluto nei decenni. Quindi procediamo con ordine e, per capire, facciamo un salto nel passato, più precisamente nel 1966, quando all'MIT nasce Eliza. Eliza è stato il primo tentativo nella storia di ottenere un sistema che comprendesse il linguaggio naturale e che quindi potesse parlare con noi. Eliza, infatti, era programmata per simulare uno psicoterapeuta. Se gli dicevi "sono triste", ti rispondeva "perché ti senti triste?". E ora, se facciamo un salto in avanti di 60 anni e pensiamo a ChatGPT, questo tipo di funzionalità ci sembra banale, però in quel momento era l'avanguardia della scienza.

Torniamo indietro e chiediamoci come funzionava Eliza. Il funzionamento era molto semplice: veniva utilizzato il pattern matching per riconoscere alcune parole nei messaggi degli utenti e, collegati a quelle parole, c'erano dei messaggi di risposta. Per chi non ha chiaro cosa significhi pattern matching, immaginiamo che l'utente dica "la mia vita è difficile". Eliza era stata programmata per far sì che, se nel messaggio fossero presenti le parole "vita è difficile", la risposta sarebbe stata "in che modo la tua vita è difficile?". Ecco, il procedimento che permette di estrarre quei pezzi di domanda e associarli a uno specifico comportamento è basato appunto sul pattern matching. Praticamente si aveva una lista di parole e le risposte corrispondenti. Per i più tecnici, era una catena di IF-ELSE, un po' come in questo meme. Avete presente, no?

Bene, ora facciamo un saltino in avanti e arriviamo al 1997. In quell'anno, il mondo degli scacchi viene messo in ginocchio da Deep Blue, un supercomputer IBM che batte il campione mondiale Gary Kasparov. Anche in questo caso, però, non c'è una vera intelligenza dietro. Infatti, Deep Blue funzionava valutando le possibili mosse usando regole precise affiancate da statistiche, e queste statistiche erano state estratte simulando milioni di partite di scacchi. In questo caso, l'intelligenza stava nei ricercatori che avevano messo a punto un sistema che, in frazioni di secondo, poteva navigare una quantità gigantesca di informazioni come mai si era potuto prima. Ma il sistema in sé era abbastanza stupido, perché non simulava un ragionamento, non poteva imparare e non poteva adattarsi all'avversario.

In generale, questi primi sistemi sono detti sistemi a regole e avevano un grosso limite: cioè potevano capire solo ciò che i ricercatori erano in grado di descrivere. E quindi, se potevano descriverlo, potevano anche scrivere un software che poi governava il comportamento del modello di intelligenza artificiale. Ma il comportamento di questo sistema era congelato, il sistema non apprendeva, il sistema non migliorava.

Ora veniamo alla parte della svolta, che arriva quando i ricercatori ribaltano il paradigma: non siamo noi a dover dire al modello come comportarsi, ma il modello che apprende da solo osservando esempi di comportamento, esempi basati su dati. Quindi si passa dal dire al modello cosa fare, al dirgli come apprendere. Un'analogia per capire il Machine Learning è basata su come impariamo noi quando siamo bambini. Infatti, quando siamo veramente piccoli e non sappiamo ancora leggere, il modo in cui impariamo è osservando il mondo intorno a noi e prendendo ad esempio dei comportamenti che incontriamo. Ai bambini non diamo un manuale di regole su come funziona il mondo, e il Machine Learning funziona allo stesso modo: non gli diamo un manuale su come comportarsi, ma è lui a imparare da solo.

Anche qui, facciamo un esempio pratico: dove troviamo il Machine Learning? Un esempio di Machine Learning è dato dai sistemi di raccomandazioni che stanno dietro a piattaforme come Netflix, Instagram, Amazon, che riescono a prevedere i nostri gusti e poi ci consigliano dei contenuti che effettivamente apprezziamo. Ah, tra l'altro, abbiamo già fatto un post sul nostro profilo Instagram che tratta proprio di questo tema, ma se volete un video, scrivetecelo nei commenti. In questi casi, un sistema di raccomandazione analizza quello che ho visto, quindi analizza le serie che ho visto o i prodotti che ho comprato, trova dei pattern nelle mie preferenze e nelle preferenze di altri simili a me. E, per inciso, questi altri sono milioni di utenti che hanno guardato le stesse cose che ho guardato io, ma anche cose diverse. In questo modo, inizia a propormi dei contenuti che sono piaciuti ad utenti simili a me e che magari potrebbero piacermi. Così facendo, impara i miei gusti.

Bene, da questo piccolo esempio, non banale, possiamo aspettarci di trovare il Machine Learning un po' ovunque. Infatti, quando una banca blocca le vostre transazioni perché sospetta di possibili frodi, quello è un sistema di Machine Learning. Quando le mail di spam vengono filtrate automaticamente, quello è un sistema di Machine Learning. Quando il meteo prevede la pioggia, quello è basato anche su un sistema di Machine Learning. E quando Instagram mi mostra il prossimo Reel e quel Reel mi fa ridere, quello è un sistema di Machine Learning. E la cosa bella di tutto questo è che i sistemi non sono immobili, ma migliorano col tempo. Quindi, più li utilizziamo, più dimostriamo al sistema che quella cosa effettivamente ci piace o non ci piace, più il sistema migliorerà.

Bene, ora arriviamo al punto cruciale del nostro video: il vero game changer, cioè il Deep Learning. I sistemi di Machine Learning, infatti, sono vari e alcuni sono basati sulle reti neurali artificiali. Le reti neurali sono modelli che imitano come si pensava funzionasse il nostro cervello qualche decennio fa. E quando una rete neurale diventa molto complessa, diventa molto profonda, si entra nell'ambito del Deep Learning. Ora, perché ci serve una rete molto complessa? Perché vogliamo risolvere problemi molto complessi e quindi riconoscere dei pattern non banali, che però sono presenti nei dati. Ad esempio, se io volessi avere un sistema che riconosce un gatto, come potrei fare? Chiaramente, io non posso descrivere un gatto descrivendo ogni possibile forma del muso, delle orecchie, ogni possibile colore del pelo, ogni possibile specie di gatto, ogni possibile incrocio, ogni possibile background in cui il gatto potrebbe comparire, ogni possibile angolazione in cui potrei trovare il gatto. Immaginare un sistema a regole che descriva ogni possibile variazione è molto ambizioso. Mentre noi, come abbiamo imparato a riconoscere un gatto? Vedendone uno, poi vedendone un altro, poi vedevamo un altro animale e lo chiamavamo gatto, ma era sbagliato e quindi ci viene detto che no, esistono anche altri animali che non sono gatti, e piano piano iniziamo a capire che cosa è un gatto e cosa non è un gatto.

Le reti neurali, sia che ricadano nell'ambito del Machine Learning, o le reti neurali più complesse, quindi il Deep Learning, imitano proprio questo processo. Infatti, una rete neurale è formata da strati, e più strati ci sono, più la rete è detta complessa, più si va verso il Deep Learning. E infatti, possiamo interpretare come una rete apprende immaginandoci che nei primi layer vengono riconosciute le forme, i colori e i cambiamenti repentini tra queste, quindi quando finisce una forma o quando c'è un cambio di colore. Poi queste forme e colori vengono combinate per riconoscere profili semplici, e via via questi profili vengono combinati per andare a delineare oggetti più complessi, che appunto corrispondono, nel caso del gatto, al muso, alle orecchie. Ma il fatto è che nessuno ha descritto come devono essere: è il modello che da solo capisce come sono fatti, basandosi su migliaia, milioni di foto di gatti che ha visto. Chiaramente, questa è una semplificazione. Esistono però studi che dimostrano come una rete neurale formata da multilayer apprenda pattern via via più complicati. Se siete interessati a questo tipo di argomenti, su come una rete apprende o su come indagare una rete addestrata, possiamo farci un video, scrivetecelo nei commenti.

Piccolo aneddoto: nel 2015 è uscito un articolo in cui si dimostra scientificamente come, per la prima volta, una rete neurale abbia battuto una persona in un task di riconoscimento di oggetti in immagini. Quindi, dal 2015 abbiamo la consapevolezza che alcuni di questi sistemi si comportano meglio di noi in alcuni task. E infatti, l'uso di modelli di Deep Learning basati su reti neurali hanno portato a progressi incredibili in tantissimi ambiti. Per esempio, ora abbiamo un riconoscimento facciale molto preciso, delle traduzioni automatiche quasi perfette, guida autonoma e molto altro.

Ok, ora arriviamo ai giorni nostri e facciamo un po' di chiarezza su cosa voglia dire AI generativa. L'AI generativa è basata su un insieme di modelli di Deep Learning, quindi su reti neurali molto complesse, che però si posizionano nella storia che abbiamo raccontato finora, quindi modelli di Machine Learning basati su reti neurali molto complesse. Però, perché questi modelli stanno rivoluzionando il mondo? Perché la particolarità di questi modelli è che non si limitano a riconoscere, ma creano. Creano del contenuto. Ricapitolando le news dell'ultimo anno, abbiamo diversi sistemi: abbiamo ChatGPT, Claude, Gemini, Copilot, che scrivono testi originali; abbiamo DALL-E, Flux, Sora, che generano immagini e video; abbiamo Suno, che compone della musica; e abbiamo Devin, che scrive codice come se fosse un nostro collega. Chiaramente, io qui ho fatto solo degli esempi, ma ci sono decine, centinaia di applicazioni che stanno sfruttando questa tecnologia. Un po' di queste ve le abbiamo già raccontate, le altre continueremo a raccontarvele, quindi iscrivetevi.

Però, come funzionano i modelli di AI generativa dietro le quinte? Semplificando, i modelli sono addestrati per apprendere come completare un input aggiungendo un pezzo di informazione, ma aggiungendolo in modo coerente e creativo. E le applicazioni in cui potremmo trovare AI generativa in futuro sono pressoché infinite. Per esempio, architetti che generano dei design preliminari, musicisti che creano arrangiamenti, sviluppatori che scrivono codice più velocemente, o designer che creano infinite varianti di design a cui stanno lavorando.

Quindi, in questo video abbiamo visto come siamo passati da Eliza, un sistema primordiale basato su regole e comportamenti predeterminati, a dei sistemi che creano contenuto nuovo, creando immagini, musica, video e testo. Avendovi raccontato questa storia, speriamo di aver fatto un po' di chiarezza, perché questo mondo si sta muovendo a una velocità incredibile e ogni tanto può sembrare magico, ma non è magia, è progresso tecnologico basato su principi che ora conoscete in maniera semplice e che, se volete approfondire, potremmo approfondire in futuro. Quindi iscrivetevi per non perdervi nulla su questo mondo e seguiteci sui vari social, trovate tutti i link in descrizione. Se siete arrivati fino a questo punto, vi invito a lasciare un mi piace e a iscrivervi al canale. Intanto, io vi do appuntamento al prossimo video.