L'intelligenza artificiale (IA) predittiva si riferisce all'uso del machine learning per identificare modelli in eventi passati ed effettuare previsioni su eventi futuri.
Dopo aver letto questo articolo sarai in grado di:
Argomenti correlati
Cos'è l'intelligenza artificiale (IA)?
Cos'è il machine learning?
Cos'è un LLM?
Cosa sono gli incorporamenti?
Database vettoriale
Abbonati a theNET, il riepilogo mensile di Cloudflare sulle tematiche più discusse in Internet.
Copia link dell'articolo
L'intelligenza artificiale (IA) predittiva è la capacità di un programma per computer di utilizzare l'analisi statistica per identificare modelli, anticipare comportamenti e prevedere eventi futuri. Il campo della statistica è stato a lungo utilizzato per fare previsioni sul futuro; l'IA predittiva rende l'analisi statistica più veloce e (teoricamente) più accurata grazie al machine learning e all'accesso a grandi quantità di dati. Sebbene le sue previsioni non siano garantite, l'IA predittiva può aiutare le aziende a prepararsi per il futuro e a personalizzare le esperienze dei propri clienti.
Immagina che Joey sia un pescatore che ha bisogno di sapere che tempo farà prima di uscire con la sua barca. Negli ultimi mesi, ogni volta che Joey vede un cielo rosso al mattino, si è verificata una tempesta. Joey comincia a concludere che ogni volta che vede un cielo rosso, dovrebbe prenderlo come un avvertimento che sta arrivando una tempesta. L'IA predittiva giunge a conclusioni simili, ma analizzando migliaia di fattori (invece del solo colore del cielo) e decenni di dati (anziché solo alcuni mesi).
L'IA predittiva è solo una delle tante capacità offerte dall'intelligenza artificiale, ovvero un insieme di capacità che i computer possono avere per imitare la cognizione umana.
In statistica, più dati generalmente portano a un'analisi più accurata. Ad esempio, un sondaggio d'opinione deve avere un numero minimo di intervistati per essere considerato affidabile, mentre gli studi scientifici devono essere ripetuti più volte per essere considerati statisticamente significativi.
Allo stesso modo, l'intelligenza artificiale predittiva richiede l'accesso a grandi quantità di dati, i cosiddetti "big data", come vengono spesso chiamati. Più dati vengono forniti, migliori saranno le previsioni. Un sondaggio d'opinione può coinvolgere diverse migliaia di persone. Un modello di intelligenza artificiale predittiva potrebbe prendere in considerazione migliaia o milioni di sondaggi di opinione condotti in passato per formulare previsioni sull'opinione pubblica o sulle prossime elezioni.
Il machine learning è un sottoinsieme dell'intelligenza artificiale. Si tratta di un metodo per addestrare un programma informatico a identificare dati senza l'intervento umano. Ad esempio, dati sufficienti esempi di comportamento degli utenti su un sito Web, un modello di machine learning potrebbe imparare a distinguere il traffico automatizzato dei bot dal traffico umano sul sito. Oppure, con un numero sufficiente di foto del cielo e di informazioni meteorologiche, un modello di machine learning potrebbe imparare a identificare un cielo "rosso" e ad associare determinati tipi di cielo a condizioni meteorologiche tempestose.
Nell'IA predittiva, il machine learning viene applicato alle vaste raccolte di dati descritte in precedenza. Un modello di IA predittiva può elaborare enormi set di dati senza supervisione umana.
Proprio come Joey, il pescatore, ha identificato il modello di cielo rosso al mattino come associato a una tempesta in arrivo, l'IA predittiva impara ad associare determinati tipi di dati o determinati eventi. L'IA predittiva può analizzare centinaia o migliaia di fattori per identificare modelli che indicano eventi che potrebbero ripetersi in futuro.
Le applicazioni dell'IA predittiva sono vaste e di ampia portata. Avere un'idea di cosa riserva il futuro può rappresentare un enorme vantaggio per un'azienda, anche se tali previsioni non sono sempre precise. Alcuni dei possibili casi d'uso dell'IA predittiva includono:
Sia l'IA predittiva che l'IA generativa utilizzano il machine learning, combinato con l'accesso a molti dati, per produrre i propri output. Tuttavia, l'IA predittiva utilizza il machine learning per estrapolare il futuro. L'IA generativa utilizza il machine learning per creare contenuti. La versione di Joey il pescatore con IA predittiva avvisa i suoi colleghi pescatori quando sta per arrivare una tempesta. La versione di Joey con IA generativa scrive un romanzo che immagina varie interazioni tra le condizioni meteorologiche e le battute di pesca.
In un certo senso, l'IA generativa è simile all'IA predittiva, in quanto utilizza l'analisi statistica per "prevedere" quali parole e concetti stanno bene insieme. Ma gli obiettivi dell'IA generativa e dell'IA predittiva sono diversi, i modelli di machine learning che utilizzano sono diversi e i casi d'uso sono diversi.
Come la maggior parte dei tipi di IA, l'IA predittiva richiede la capacità di interrogare rapidamente ed efficientemente i database e di trovare relazioni tra elementi di dati simili. Un database di embedding rende possibili le query di similarità.
Gli embedding sono un modo per archiviare informazioni in un formato che consente l'identificazione di similarità e relazioni. Creati da livelli di rete neurale non supervisionati, gli embedding trasformano elementi di informazioni in vettori, posizionandoli all'interno di uno spazio matematico in relazione agli altri elementi di informazione nel set di dati.
Gli embedding che finiscono per essere raggruppati insieme possono essere considerati rilevanti l'uno per l'altro, e questo consente una rapida identificazione del modello. Se "cielo rosso", "nuvole temporalesche" e "maltempo" sono vicini tra loro in un database di embedding, un modello di IA predittiva può iniziare a identificare l'arrivo di una tempesta