Senti parlare di Intelligenza artificiale, AGI, LLM o altri termini legati a questo mondo, e hai l’impressione che il linguaggio tecnico stia diventando una barriera? Per portare l’innovazione in azienda serve padroneggiare i concetti base: ho quindi preparato per te un glossario con i termini principali e più diffusi legati al mondo dell’intelligenza artificiale. Continua a leggere per scoprirli!
Intelligenza artificiale
“L’intelligenza artificiale (IA) è l’abilità di una macchina di mostrare capacità umane quali il ragionamento, l’apprendimento, la pianificazione e la creatività” come riporta la pagina ufficiale del Parlamento europeo.
Per la tua azienda, l’AI potrebbe diventare un asset strategico capace di elaborare dati a una velocità impossibile per l’uomo, trasformando le informazioni in decisioni.
Per approfondire, puoi leggere il mio articolo in merito, in cui ti parlo dell’IA e delle tipologie esistenti: I 3 tipi di Intelligenza artificiale.
AGI (Artificial General Intelligence)
Una delle tipologie di intelligenza artificiale di cui si sente più spesso parlare è l’Intelligenza Artificiale Generale o AGI: è definita anche Intelligenza artificiale forte, perchè è quella che (in teoria) riesce a svolgere qualsiasi compito, al pari di un ’essere umano: mentre l’IA attuale è verticale, quindi brava a fare una sola cosa, l’AGI sarebbe trasversale.
Monitorare la sua evoluzione è fondamentale per capire i futuri scenari di automazione totale dei processi. Per approfondire, puoi leggere il mio articolo su l’AGI.
AI generativa
Questa tipologia di AI è invece quella con cui forse abbiamo più a che fare: come ti spiego nel mio articolo, è infatti quella in grado di generare contenuti, come testo, immagini o video, a partire da indicazioni, ovvero i prompt.
È il motore che alimenta strumenti come ChatGPT e Gemini, riducendo drasticamente i tempi di lavoro.
Prompt e prompt engineering
Come ti accennavo, un prompt non è altro che una richiesta espressa in linguaggio naturale a un modello di AI generativa per ottenere un output: in pratica, è il modo in cui ci relazioniamo a modelli di intelligenza artificiale.
Il Prompt Engineering è l’arte di saper formulare queste richieste in modo strategico per ottenere risultati precisi e professionali: puoi approfondire con il mio mio articolo Prompt AI: come fare le domande giuste ChatGPT & Co.
Chatbot
È un’interfaccia che, grazie all’AI, riesce a simulare una conversazione utilizzando il linguaggio naturale; per interagire con i chatbot gli utenti utilizzano i prompt. Gli esempi più famosi possono essere ChatGPT o Gemini.
Potrebbe interessarti anche: La differenza tra bot e IA conversazionale
LLM (Large Language Models)
Sono i “motori” dietro i chatbot. Si tratta di modelli addestrati su volumi immensi di dati che funzionano per calcolo probabilistico, ovvero calcolano la probabilità che un token, come ad esempio una parola, ne segua un’altra all’interno di una frase. In questo modo, a partire dal prompt generato dall’utente, il modello genere una risposta, come in questo caso una frase, selezionando le parole che più probabilmente si susseguono.
Leggi anche: AI e Big Data
Immagina i token come i ‘mattoncini’ del linguaggio: l’AI non legge parole intere come noi, ma frammenti. Sono delle parti di testo, come parole o caratteri, che l’AI elabora per generare o comprendere il linguaggio.
Rete neurale
Le reti neurali artificiali (Artificial Neural Networks, ANN) sono modelli matematici ispirati al funzionamento dei neuroni biologici: elaborano informazioni attraverso “strati” di calcoli complessi per riconoscere pattern.
In pratica, permettono il riconoscimento facciale, la traduzione automatica e le analisi predittive sulle vendite.
Potrebbe interessarti anche: Quanto è intelligente l’IA?
Machine Learning
Il Machine Learning (ML) è una branca dell’intelligenza artificiale che si occupa dello sviluppo di algoritmi e modelli di apprendimento automatico. Questi modelli utilizzano dati per addestrare l’IA, permettendole di apprendere dall’esperienza, invece che da regole fisse, e migliorare le sue prestazioni nel tempo.
Deep Learning
Il Deep Learning (DL) è un’evoluzione del Machine Learning: utilizza reti neurali multistrato. È la tecnologia necessaria per i compiti più complessi, come la guida autonoma o l’analisi di immagini mediche: è potente, ma richiede molta più capacità di calcolo e dati rispetto al ML tradizionale.
Per capire meglio la differenza tra i due, ti consiglio il mio articolo Machine Learning vs Deep Learning: qual è la differenza?
Con questo termine si intende l’addestramento aggiuntivo di un modello di AI, che già era stato addestrato: in pratica si adatta un modello di intelligenza artificiale per affinarne le prestazioni, per specifiche attività o competenze.
A livello di business, il fine tuning è fondamentale per personalizzare l’AI sui dati aziendali riservati: invece di usare un’AI generica, con il fine-tuning puoi addestrare il modello sui tuoi documenti aziendali, sul tuo tono di voce o sui tuoi listini tecnici.
Dataset
Sono dati raccolti in modo strutturato, che sono utilizzati per addestrare i modelli di Ai: possono essere testo, video, immagini, e così via. La qualità dell’output dell’AI dipende dalla qualità del dataset.
Il Data Center, o Centro Elaborazione Dati, è il luogo fisico dove vengono conservati gli apparati fisici che si occupano di gestire e conservare le enormi quantità di dati. In parole povere, è dove si trovano tutti i server di un’azienda.
Tuttavia, l’impatto ambientale di queste strutture è quindi argomento di discussione sempre più critico. Infatti consumano enormi quantità di energia: non solo sono in funzione h24, data la crescente richiesta di potenza di calcolo per la diffusione dell’AI, ma si surriscaldano, motivo per cui viene usata anche moltissima acqua per il raffreddamento.
Leggi anche: Green Data Center: come funziona?
Agente AI
Gli AI Agent sono una componente software avanzata che, una volta ricevuto un compito, operano in autonomia. Infatti, grazie all’intelligenza artificiale generativa, questi agenti non solo elaborano, ma creano attivamente soluzioni e contenuti, risultando quasi totalmente indipendenti.
Se vuoi saperne di più, puoi leggere il mio articolo AI Agent per l’operatività aziendale
Allucinazione
In relazione all’intelligenza artificiale, il termine allucinazione fa riferimento a quando l’AI inventa o distorce una risposta, perché non riesce a trovare dati o ad elaborarli in modo corretto. Il risultato è una risposta grammaticalmente corretta, ma completamente inventata e senza senso.
Benchmark
Sono dei test che mettono alla prova diverse AI in vari compiti; in questo modo possono essere confrontate e valutate, per capire quale performa meglio in base ai propri obiettivi.
Bias
I bias sono pregiudizi dell’AI, scaturiti da dati “inquinati” di pregiudizi con cui è stato addestrato o creato quel modello di intelligenza artificiale.
Dal punto di vista etico, i bias sono molto pericolosi, perché possono avere ripercussioni discriminatorie reali: ad esempio, se un dataset è sbilanciato, l’AI potrebbe discriminare involontariamente in fase di selezione del personale o nella valutazione del credito.
Non solo: con l’arrivo delle normative la gestione dei bias non è più solo una questione etica, ma un obbligo legale per evitare sanzioni pesanti.
Potrebbe interessarti anche: AI Act: ecco tutto quello che c’è da sapere
