Cos'è l'intelligenza artificiale?
L’intelligenza artificiale è un insieme di metodi che aiutano i computer a risolvere compiti.
Cosa imparerai
- Spiega: l'ai non è un tipo di modello
- Applica l'idea in un esempio: cos'è l'intelligenza artificiale?
- Riconoscere i limiti e verificare il risultato dell'esercizio
L’intelligenza artificiale è un insieme di metodi che aiutano i computer a risolvere compiti. Noi di Luna Workshop vogliamo scegliere lo strumento giusto prima di scegliere un modello.
Puoi seguire questo corso senza un account o una programmazione. Gli esempi utilizzano dati sintetici e i risultati dell’intelligenza artificiale devono essere verificati.
Come funziona, passo dopo passo
L’intelligenza artificiale non è un tipo di modello
L’intelligenza artificiale è una famiglia di metodi per il riconoscimento, la previsione, la pianificazione e la generazione. Un sistema basato su regole segue le istruzioni scritte dalle persone. L'apprendimento automatico apprende le relazioni dagli esempi; il deep learning utilizza reti con molti livelli. L’intelligenza artificiale generativa produce nuovi contenuti. Un LLM funziona con il linguaggio, ma le raccomandazioni sui prodotti o il rilevamento dei difetti possono utilizzare altri modelli. Pensa a una cassetta degli attrezzi: scegli uno strumento per il problema. Un algoritmo semplice può essere più adatto di un agente per una regola fissa.
Come l'apprendimento cambia un modello
I dati di training sono l'insieme di esempi utilizzati per regolare i parametri del modello. L'apprendimento supervisionato include un obiettivo, come lo "spam". L'apprendimento non supervisionato trova strutture, come i gruppi di clienti. L'apprendimento autosuperato crea obiettivi dai dati, ad esempio prevedendo il testo successivo. La convalida aiuta a scegliere le impostazioni; il set di test rimane separato fino alla valutazione finale. Un modello che memorizza esempi e fallisce sui nuovi dati è eccessivo. Una suddivisione corretta impedisce che le informazioni provenienti dal set di test si diffondano nell'addestramento.
Dai token alla risposta
Un token è un'unità di testo: a volte una parola, a volte un frammento di parola o un segno di punteggiatura. Il modello elabora i token di contesto e stima una distribuzione sul token successivo. La selezione si ripete fino all'arresto. Il meccanismo di attenzione dei Transformer combina le informazioni sulle relazioni tra i token; non è attenzione umana. L'addestramento modifica i parametri, mentre l'inferenza utilizza il modello addestrato. Una risposta può sembrare coerente senza essere vera: la generazione del testo non verifica in modo indipendente i fatti.
Lo schema esplicativo
Seguire le frecce continue per il flusso principale. Le frecce blu tratteggiate forniscono dati o contesto; le frecce rosa tratteggiate mostrano feedback o risultati restituiti. Colori e forme distinguono modelli, negozi, decisioni e risultati. Su schermi piccoli, scorri in orizzontale per seguire l’intero schema.
Un esempio completo
Una calcolatrice aggiunge i prezzi utilizzando le regole. Un filtro antispam impara dagli esempi. Un LLM scrive descrizioni. La vista rileva i difetti; un raccomandatore classifica i prodotti. Un robot combina percezione e azione.
Provalo tu stesso
- Raggruppa questi esempi: calcolatrice, filtro antispam, chatbot, OCR, raccomandazioni, robot, previsione e traduzione.
- Registrare l'input, la fonte e il risultato atteso prima di eseguire l'esperimento. Utilizzare solo i dati fittizi nell'esempio.
- Seguire le fasi del diagramma. Ad ogni passaggio registrare quali informazioni vengono ricevute e prodotte; non confondere il risultato intermedio con il risultato finale.
- Ripetere dopo aver rimosso le informazioni necessarie o reso ambiguo l'input. Controlla se il sistema chiarisce, ferma o inventa una risposta.
- Confrontare con la soluzione spiegata. Conserva la configurazione, la data, il risultato e una spiegazione delle differenze. Cambia una cosa e riprova.
Una soluzione spiegata
Regole fisse per gli usi aritmetici; la classificazione apprende; la scrittura genera. Non tutti hanno bisogno di un LLM o di un agente. Un esercizio riuscito ti consente di mostrare la connessione tra input, fasi e risultato. Quando mancano le informazioni, una risposta cauta è più utile dei dettagli inventati. Confrontare non solo stile: verificare anche condizioni, fonti e operazioni.
Quando è utile e quali sono i suoi limiti
Un'interfaccia di chat non identifica la tecnologia dietro di essa. Scegli questo approccio quando migliora un bisogno misurato. Mantieni una linea di base semplice e confronta i risultati utilizzando input identici. Un esempio di successo non stabilisce l’affidabilità in ogni situazione.
Verifica ciò che hai imparato
Ogni automazione è AI?
No. Una regola fissa può automatizzare qualcosa senza apprendimento o ragionamento flessibile.
Perché non valutare solo sui dati di allenamento?
Vogliamo prestazioni in situazioni nuove, non prove di memorizzazione.
Quale risultato dovrebbe produrre questo esercizio?
Regole fisse per gli usi aritmetici; la classificazione apprende; la scrittura genera. Non tutti hanno bisogno di un LLM o di un agente.
Termini da ricordare
- AI: Una famiglia di metodi, non un sinonimo di chatbot.
- Sovradattamento: Il modello si adatta troppo agli esempi che ha visto.
- Token: unità utilizzata dal modello per i limiti di testo e contesto.
Fonti e il prossimo passo
Per prepararsi: non sono richiesti corsi precedenti.
Continua con: F02 — Come impara una macchina? · F06 — Chatbot, assistente, agente e sistema agentico