Scoprire le tecniche e le applicazioni di IA

Obiettivi di apprendimento

Al completamento di questa unità, sarai in grado di:

• Identificare casi d'uso pratici dell'IA.
  
• Identificare le limitazioni di ChatGPT e di altri modelli di IA.
  
• Comprendere il ciclo di vita dei dati per l'IA e l'importanza della privacy e della sicurezza dei dati nelle applicazioni di IA.
  

Tecnologie correlate all'intelligenza artificiale

L'intelligenza artificiale (IA) è il vasto campo in cui le macchine imparano e pensano come gli esseri umani. E sono molte le tecnologie che la includono.

• Machine learning: utilizza vari algoritmi matematici per ricavare informazioni dai dati e fare previsioni.
  
• Deep learning: utilizza un tipo specifico di algoritmo chiamato rete neurale per trovare associazioni tra un insieme di input e output. Il deep learning diventa più efficiente man mano che la quantità di dati aumenta.
  
• Elaborazione del linguaggio naturale: tecnologia che consente alle macchine di accettare come input il linguaggio umano e di eseguire azioni di conseguenza.
  
• Visione artificiale: tecnologia che consente ai computer di interpretare informazioni visive.
  
• Robotica: tecnologia che consente alle macchine di eseguire compiti fisici.
  

Dai un'occhiata al modulo Trailhead Nozioni fondamentali sull'intelligenza artificiale per saperne di più.

Il machine learning può essere classificato in diversi tipi in base all'approccio all'apprendimento e alla natura del problema da risolvere.

• Apprendimento supervisionato: in questo approccio di machine learning, un modello impara da dati etichettati, facendo previsioni basate sui pattern che individua. Il modello può quindi fare previsioni o classificare nuovi dati che vede per la prima volta in base ai pattern appresi durante l'addestramento.
  
• Apprendimento non supervisionato: in questo caso, il modello apprende da dati non etichettati, individuando pattern e relazioni senza output predeterminati. Il modello impara a identificare le somiglianze, a raggruppare punti dati simili o a trovare pattern soggiacenti nascosti nel set di dati.
  
• Apprendimento per rinforzo: questo tipo di apprendimento prevede che un agente impari per tentativi ed errori, eseguendo azioni per massimizzare le ricompense ricevute dall'ambiente. L'apprendimento per rinforzo è spesso utilizzato in scenari in cui è necessario apprendere una strategia decisionale ottimale attraverso tentativi ed errori, come nella robotica, nei giochi e nei sistemi autonomi. L'agente esplora diverse azioni e impara dalle conseguenze delle proprie azioni per ottimizzare il processo decisionale.
  

Negli ultimi anni sono stati introdotti strumenti di IA con apprendimento automatico e no-code come OneNine AI e Salesforce Einstein per automatizzare il processo di creazione di un'intera pipeline di machine learning, con un intervento umano minimo.

Il ruolo del machine learning

Il machine learning è una sottocategoria di intelligenza artificiale che utilizza algoritmi statistici per consentire ai computer di imparare dai dati, senza essere programmati in modo esplicito. Questa tecnologia utilizza algoritmi per costruire modelli in grado di fare previsioni o prendere decisioni in base agli input.

Confronto tra machine learning e programmazione

Nella programmazione tradizionale, il programmatore deve avere una chiara comprensione del problema e della soluzione che sta cercando di ottenere. Nel machine learning, l'algoritmo impara dai dati e genera le proprie regole o i propri modelli per risolvere il problema.

Importanza dei dati nel machine learning

I dati sono il carburante del machine learning. La qualità e la quantità di dati utilizzati per l'addestramento di un modello di machine learning possono avere un impatto significativo sulla sua precisione ed efficacia. È essenziale garantire che i dati utilizzati siano pertinenti, accurati, completi e privi di bias.

Qualità dei dati e limiti del machine learning

Per garantire la qualità dei dati, è necessario ripulirli ed eseguirne la pre-elaborazione, rimuovendo l'eventuale rumore (informazioni indesiderate o prive di significato), i valori mancanti o estremi. 

Benché il machine learning sia uno strumento potente per la risoluzione di un'ampia gamma di problemi, la sua efficacia presenta anche alcuni limiti, tra cui overfitting, underfitting e bias. 

• L'overfitting si verifica quando il modello è troppo complesso e si adatta troppo ai dati di addestramento, con conseguente scarsa generalizzazione.
  
• L'underfitting si verifica quando il modello è troppo semplice e non individua i pattern soggiacenti nei dati.
  
• Il bias si verifica quando il modello viene addestrato su dati che non sono rappresentativi della popolazione reale.
  

Il machine learning è limitato dalla qualità e dalla quantità dei dati utilizzati, dalla mancanza di trasparenza dei modelli complessi, dalla difficoltà generalizzare per estrapolare nuove situazioni, dalla difficoltà di gestire i dati mancanti e dal potenziale di previsioni caratterizzate da bias.

Sebbene il machine learning sia uno strumento potente, è importante essere consapevoli di questi limiti e tenerne conto quando si progettano e si utilizzano i modelli di machine learning.

IA predittiva e IA generativa

L'IA predittiva consiste nell'uso di algoritmi di machine learning per elaborare previsioni o prendere decisioni in base a input di dati. Può essere utilizzata in un'ampia gamma di applicazioni, tra cui il rilevamento delle frodi, la diagnosi medica e la previsione dell'abbandono dei clienti.

Approcci distinti, scopi diversi

L'IA predittiva è un tipo di machine learning in cui un modello viene addestrato per elaborare previsioni o prendere decisioni in base ai dati. Il modello riceve una serie di dati di input e impara a riconoscere nei dati i pattern che consentono di fare previsioni accurate relative a nuovi input. L'IA predittiva è ampiamente utilizzata in applicazioni come il riconoscimento delle immagini, il riconoscimento vocale e l'elaborazione del linguaggio naturale.

L'IA generativa, invece, crea nuovi contenuti, ad esempio immagini, video o testo, in base a un dato input. Anziché fare previsioni basate su dati esistenti, l'IA generativa crea nuovi dati simili ai dati di input. Può essere utilizzata in un'ampia gamma di applicazioni, tra cui arte, musica e scrittura creativa. Un esempio comune di IA generativa è l'uso di reti neurali per generare nuove immagini sulla base di una determinata serie di input.

L'IA predittiva e l'IA generativa sono approcci diversi all'intelligenza artificiale, ma non si escludono a vicenda. Di fatto, molte applicazioni di IA utilizzano tecniche sia predittive che generative per raggiungere i loro obiettivi. Ad esempio, un chatbot potrebbe utilizzare l'IA predittiva per comprendere l'input fornito dall'utente e l'IA generativa per generare una risposta simile a un discorso umano. In generale, la scelta dell'IA predittiva o dell'IA generativa dipende dall'applicazione specifica e dagli obiettivi del progetto.

Ora che sai un po' di cose sull'IA predittiva e sull'IA generativa e in che cosa si differenziano, facciamo un rapido riepilogo come riferimento di ciò che ciascuna di esse è in grado di fare.

Limiti dell'IA generativa

L'IA generativa crea nuovi contenuti, ad esempio immagini, video o testo, in base a un dato input. ChatGPT, ad esempio, è un modello di IA generativa in grado di generare risposte a input di testo simili a quelle umane. Il suo funzionamento è basato sull'addestramento con grandi quantità di dati testuali e imparando a prevedere la parola successiva in una sequenza in base alle parole precedenti.

Benché ChatGPT sia in grado di generare risposte simili a quelle umane, ha anche dei limiti: può generare risposte caratterizzate da bias o inappropriate in base ai dati su cui è stato addestrato. Si tratta di un problema comune dei modelli di machine learning, poiché possono riflettere i bias e le limitazioni dei dati di addestramento. Ad esempio, se i dati di addestramento contengono molti termini negativi o offensivi, ChatGPT può generare risposte altrettanto negative o offensive. 

ChatGPT può anche avere difficoltà a comprendere il contesto dell'input dell'utente o a generare risposte coerenti. La qualità offerta da ChatGPT è buona solo quanto quella dei dati con cui viene addestrato. Se i dati di addestramento sono incompleti, presentano bias o sono in qualche modo difettosi, il modello potrebbe non essere in grado di generare risposte accurate o utili. Questo può essere un limite significativo nelle applicazioni in cui l'accuratezza e la rilevanza sono importanti. Come per altri modelli di machine learning, i dati giocano un ruolo fondamentale, quindi se i dati su cui è stato addestrato sono scadenti, ChatGPT non sarà molto utile.

L'esempio di ChatGPT dimostra il ruolo essenziale dei dati ai fini di un utilizzo efficace dell'IA.

Ciclo di vita dei dati per l'IA

Con ciclo di vita dei dati si intendono le fasi attraverso cui passano i dati, dalla raccolta iniziale all'eventuale eliminazione. Il ciclo di vita dei dati per l'IA consiste in una serie di passaggi, tra cui raccolta dei dati, pre-elaborazione, addestramento, valutazione e distribuzione. È importante garantire che i dati utilizzati siano pertinenti, accurati, completi e privi di bias e che i modelli generati siano efficaci ed etici. 

Il ciclo di vita dei dati per l'IA è un processo in divenire, in quanto i modelli devono essere continuamente aggiornati e perfezionati in base ai nuovi dati e al feedback. Si tratta di un processo iterativo che richiede un'attenta cura ai dettagli e un impegno per un'IA etica ed efficace. Gli sviluppatori e gli utenti dei modelli di machine learning devono garantire che i loro modelli siano efficaci, accurati ed etici e che abbiano un impatto positivo. Il ciclo di vita dei dati è fondamentale per garantire che i dati vengano raccolti, archiviati e utilizzati in modo responsabile ed etico. 

Queste sono le fasi del ciclo di vita dei dati:

• Raccolta dei dati: in questa fase, i dati vengono raccolti da varie fonti, ad esempio sensori, sondaggi e fonti online.
  
• Archiviazione dei dati: una volta raccolti, i dati devono essere archiviati in modo sicuro.
  
• Elaborazione dei dati: in questa fase, i dati vengono elaborati per estrarre informazioni utili e pattern. Ciò può includere l'uso di algoritmi di machine learning o altre tecniche di analisi dei dati.
  
• Utilizzo dei dati: una volta elaborati, i dati possono essere utilizzati per lo scopo previsto, ad esempio prendere decisioni o fornire una base per le politiche.
  
• Condivisione dei dati: a volte può essere necessario condividere i dati con altre organizzazioni o persone.
  
• Conservazione dei dati: questo termine si riferisce alla durata del periodo durante il quale i dati vengono conservati.
  
• Cancellazione dei dati: quando i dati non sono più necessari, devono essere cancellati in modo sicuro. Ciò può comportare l'eliminazione sicura dei dati digitali o la distruzione dei supporti fisici.
  

Sebbene IA e machine learning abbiano il potenziale per rivoluzionare molti settori e risolvere problemi complessi, è importante essere consapevoli dei loro limiti e delle considerazioni etiche che comportano. Passa all'unità successiva per conoscere l'importanza dell'etica e della privacy dei dati.

Risorse

• Sito esterno: OneNine AI: AI Use Cases by Industry (Casi d'uso di IA per settore)
  
• GitHub: Types of Machine Learning and Deep Learning Models (Tipi di modelli di machine learning e deep learning)
  
• Trailhead: Nozioni fondamentali sull'intelligenza artificiale
  
• Post del blog: What are chatGPT’s limits? (Quali sono i limiti di ChatGPT?)