L'intelligenza artificiale (IA) si riferisce alla capacità di un computer di imitare o duplicare la cognizione umana.
Dopo aver letto questo articolo sarai in grado di:
Argomenti correlati
Abbonati a theNET, il riepilogo mensile di Cloudflare sulle tematiche più discusse in Internet.
Copia link dell'articolo
L'intelligenza artificiale (IA) è la capacità di una macchina artificiale, come un computer, di simulare o replicare attività cognitive umane. Una macchina dotata di intelligenza artificiale può effettuare calcoli, analizzare dati per formulare previsioni, identificare vari tipi di segni e simboli, conversare con gli esseri umani e aiutare a svolgere compiti senza alcun input manuale.
Ad esempio, un'automobile tradizionale risponde solo agli input del suo conducente umano: accelera quando il conducente vede che il semaforo è diventato verde e preme l'acceleratore, e si ferma a un segnale di stop quando il conducente vede il segnale e preme il pedale del freno. Un'automobile dotata di intelligenza artificiale potrebbe essere in grado di riconoscere autonomamente i segnali di stop e i semafori, e di fermarsi o accelerare senza alcun intervento da parte del conducente.
L'intelligenza artificiale affonda le sue radici negli albori dei computer e il matematico Alan Turing è stato uno dei primi a descrivere il funzionamento di una macchina dotata di intelligenza artificiale. Tutti i computer costruiti da allora sono dotati di intelligenza artificiale a un certo livello, in quanto sono in grado di eseguire calcoli che prima potevano essere svolti solo dagli esseri umani. Tuttavia, negli ultimi decenni le capacità, la velocità e la capacità di archiviazione dei computer sono aumentate rapidamente. Oggi il termine "IA" si riferisce ai compiti cognitivi più avanzati che i computer possono svolgere.
La maggior parte dell'intelligenza artificiale si basa sull'analisi di set di big data, che contengono troppe informazioni perché un essere umano possa analizzarle autonomamente in un tempo ragionevole. Un modello di intelligenza artificiale viene creato per identificare schemi in tali set di dati e poi utilizzarli per prevedere schemi futuri o aggiuntivi. Per raggiungere questo obiettivo, i modelli di intelligenza artificiale utilizzano la probabilità e l'analisi statistica. Alcuni modelli di intelligenza artificiale sono sufficientemente efficaci da imitare i comportamenti umani.
Con intelligenza artificiale generale (AGI) si intende la capacità di un computer di elaborare pensieri originali, ragionare, pianificare e in altri modi riprodurre le capacità cognitive umane. In termini più semplici, un programma AGI sarebbe, essenzialmente, "umano" o "cosciente" nella sua intelligenza.
Un'entità AGI sarebbe andata oltre il calcolo statistico. Sarebbe in grado di pensare e prendere decisioni autonomamente e di generalizzare partendo da campioni molto più piccoli di quelli attualmente necessari per addestrare i programmi di intelligenza artificiale. Come esempio di quest'ultimo, a un bambino potrebbe bastare vedere solo poche decine di segnali di stop per riuscire a riconoscerli in vari contesti, mentre gli attuali programmi di intelligenza artificiale hanno bisogno di vedere migliaia o milioni di immagini di segnali di stop prima di poterlo fare in modo sistematico. Ma un'AGI sarebbe in grado di apprendere rapidamente quanto un essere umano, se non più velocemente.
In una certa misura, stabilire se l'AGI è stata raggiunta è una questione filosofica più che tecnica. Ma indipendentemente da come venga definita l'AGI, la maggior parte dei ricercatori e degli esperti concorda sul fatto che ci vorranno almeno diversi anni prima che diventi pratica.
Il machine learning è una branca dell'intelligenza artificiale e si riferisce alla pratica di fornire a un programma dati strutturati o etichettati per addestrarlo a identificare tali dati senza l'intervento umano. Ad esempio, un modello di machine learning per individuare bottiglie di ketchup in foto di frigoriferi aperti potrebbe inizialmente non essere in grado di identificare alcun condimento, per non parlare del ketchup. Gli vengono poi fornite milioni di immagini di bottiglie di ketchup in vari frigoriferi e gli viene detto che ognuna di esse rappresenta una bottiglia di ketchup. Alla fine, è in grado di identificare automaticamente le bottiglie di ketchup anche in foto che non ha mai visto prima.
Il machine learning si basa sull'uso di processi predefiniti chiamati algoritmi. Un programma di machine learning "imparerà" in modo leggermente diverso a seconda di come è configurato l'algoritmo.
Anche il machine learning si basa sull'accesso a grandi set di dati. Un programma di machine learning a cui vengono mostrate solo tre o quattro foto di ketchup quasi certamente non riuscirà a identificare accuratamente le bottiglie di ketchup in modo sistematico, oppure identificherà il ketchup in foto in cui non è presente. Più dati riceve il modello, più è accurato.
Un'ampia gamma di soluzioni software e tecnologiche utilizza oggi il machine learning. Dalle soluzioni di sicurezza che utilizzano l'apprendimento automatico per rilevare le frodi e identificare i bot, alle piattaforme di social media che utilizzano il machine learning per consigliare contenuti o account da seguire, il machine learning si è dimostrato uno strumento di sviluppo estremamente utile.
Proprio come il machine learning è un tipo di intelligenza artificiale, il deep learning è un tipo di machine learning. I modelli di deep learning sono in grado di utilizzare l'analisi probabilistica per identificare le differenze nei dati non elaborati. Un modello di deep learning potrebbe potenzialmente apprendere cos'è una bottiglia di ketchup e come distinguerla da altri condimenti semplicemente dalle foto di frigoriferi aperti, senza che gli venga detto cosa sia una bottiglia di ketchup.
Come altri tipi di machine learning, il deep learning richiede l'accesso a set di dati di grandi dimensioni. Anche un modello avanzato di deep learning avrebbe probabilmente bisogno di analizzare milioni di foto di frigoriferi aperti per riuscire a identificare il ketchup.
L'IA generativa è un tipo di modello di intelligenza artificiale che può creare contenuti, inclusi testo, immagini, audio e video. Un modello di IA generativa potrebbe, ad esempio, ricevere una foto di un frigorifero vuoto e riempirlo con contenuti probabili, basandosi sulle foto che gli sono state mostrate in passato. Sebbene il contenuto generato da un tale modello possa essere considerato "nuovo", si basa sui contenuti che sono stati precedentemente forniti al modello.
Gli strumenti di IA generativa sono sempre più popolari. In particolare, il modello linguistico di grandi dimensioni (LLM) ChatGPT e i generatori di immagini DALL-E e Midjourney hanno catturato l'immaginazione del pubblico e l'attenzione del mondo degli affari. Altri strumenti di intelligenza artificiale generativa molto diffusi sono Bard, Bing Chat e Llama.
I casi d'uso dell'intelligenza artificiale sono in continua espansione. Ecco alcune delle applicazioni pratiche già in fase di sperimentazione:
Fughe di dati: i servizi di intelligenza artificiale utilizzano gli input per addestrare ulteriormente i loro modelli; non sono progettati per essere contenitori sicuri per i dati. Tuttavia, molte persone utilizzano gli LLM in modi che aumentano il rischio di esposizione dei dati, ad esempio elaborando informazioni riservate o codice sorgente chiuso. Tali dati possono essere riprodotti o imitati in ulteriori risposte da questi LLM.
Perdita di controllo sui dati: i dati sfuggono al controllo dell'utente una volta caricati su un LLM e gli utenti potrebbero non avere visibilità su cosa accade agli input forniti. Ad esempio, se un fornaio inserisce la sua nuova ricetta segreta per la focaccia in un LLM e chiede di scrivere una descrizione accattivante per il sito Web della sua panetteria, potrebbe ricevere in risposta tale descrizione, ma la ricetta del fornaio non è più segreta, poiché potrebbe essere resa pubblica ad altri utenti dell'LLM o ai gestori dell'LLM.
Meno ricavi per i contenuti originali: con l'espansione dell'utilizzo degli LLM, molti siti web hanno visto diminuire drasticamente il traffico verso le loro pagine. Questo avviene perché i modelli LLM possono rispondere alle domande degli utenti basandosi sui dati provenienti da siti terzi, senza che gli utenti debbano mai lasciare l'interfaccia dell'LLM. Senza traffico da utenti umani, i siti web perdono le entrate pubblicitarie che avrebbero altrimenti generato.
Allucinazioni: gli strumenti di IA generativa possono inventare informazioni per generare risposte: il termine tecnico per questo fenomeno è "allucinazioni". Se le aziende incorporano tali informazioni nei loro contenuti senza spirito critico, potrebbero danneggiare il loro marchio.
Eccessivo affidamento sull'intelligenza artificiale per il processo decisionale: poiché le informazioni fornite dai modelli di intelligenza artificiale non sono sempre affidabili, un uso eccessivo dell'IA nel processo decisionale può condurre a decisioni errate.
Cloudflare Data Loss Prevention (DLP) aiuta le organizzazioni a comprendere come l'intelligenza artificiale viene utilizzata dai propri dipendenti. DLP può limitare i caricamenti, le operazioni di copia e incolla e gli input da tastiera per impedire che i dati riservati fuoriescano dagli ambienti protetti.
Cloudflare AI Audit offre ai creatori di contenuti e agli editori la possibilità di bloccare, consentire o persino far pagare ai bot IA la scansione dei loro contenuti. Il servizio robots.txt gestito di Cloudflare, inoltre, aiuta gli amministratori dei siti Web a definire le proprie preferenze in merito a quali bot IA possono accedere ai loro contenuti.
Cloudflare for AI consente agli sviluppatori di creare e distribuire nuove applicazioni di intelligenza artificiale sulla rete globale di Cloudflare. Scopri di più su Cloudflare for AI.
L'intelligenza artificiale è la capacità di una macchina, come un computer, di simulare o duplicare le attività cognitive umane. Una macchina dotata di intelligenza artificiale può analizzare i dati per fare previsioni, identificare simboli, conversare con gli esseri umani e aiutare a svolgere attività senza input manuali.
Oggi la maggior parte dell'intelligenza artificiale viene sviluppata analizzando enormi set di dati per identificare schemi (questo processo è chiamato apprendimento automatico). Il modello di intelligenza artificiale utilizza quindi questi modelli identificati, insieme all'analisi statistica e di probabilità, per prevedere modelli futuri. Alcuni modelli avanzati possono diventare così efficaci da riuscire a imitare i comportamenti umani.
Il Machine learning è un tipo di intelligenza artificiale in cui un programma viene addestrato su dati strutturati o etichettati per imparare a identificare autonomamente tali dati. Il deep learning è un tipo più avanzato di apprendimento automatico che identifica differenze e individua modelli a partire da dati grezzi e non etichettati, senza che venga detto esplicitamente cosa cercare.
L' IA generativa è un tipo di modello di intelligenza artificiale che può creare contenuti, inclusi testo, immagini, audio e video. Sebbene il contenuto prodotto sia nuovo, si basa sui dati su cui il modello è stato precedentemente addestrato.
AGI è il termine che indica la capacità di un computer teorico di concepire pensieri originali, ragionare e riprodurre l'intera gamma delle capacità cognitive umane. Viene spesso descritta come una macchina dotata di intelligenza "cosciente" o "umana", anche se la maggior parte degli esperti concorda sul fatto che ci vorranno ancora molti anni.