“Generative Artificial Intelligence describes algorithms (such as ChatGPT) that can be used to create new content, including audio, code, images, text, simulations, and videos.”
Che cosa si intende per Intelligenza Artificiale generativa
Con queste parole, McKinsey definisce l’Intelligenza Artificiale generativa come un tipo di Intelligenza Artificiale in grado di generare immagini, testi, video, musica, codice di programmazione e molto altro.
Parliamo di una tecnologia, derivante dall’evoluzione dell’Intelligenza Artificiale e del Machine Learning, che ha tutti i requisiti per dare vita ad una nuova rivoluzione del modo di lavorare e di creare e che è stata resa, in poco tempo, disponibile al grande pubblico.
L’Intelligenza Artificiale generativa è diventata di pubblico dominio grazie alla diffusione di alcune sue applicazioni, come ad esempio il chatbot ChatGPT, che hanno creato moltissimo interesse (o hype) e dato vita a innumerevoli dibattiti sulle sue potenzialità. Secondo diversi analisti ed osservatori, l’interesse verso l’Intelligenza Artificiale generativa può essere in parte paragonato a quello verso il metaverso. La grossa differenza consiste nella difficoltà (per il metaverso) o facilità (per l’Intelligenza Artificiale generativa) nell’identificare una specifica tecnologia e poterla sperimentare agevolmente. Basti pensare a ChatGPT basato su GPT-3, il cui accesso è stato per mesi gratuito e possibile semplicemente attraverso browser.
Si può dunque parlare di una rivoluzione pari all’avvento di Internet che ha cambiato il modo di accedere, scambiare, produrre informazioni e contenuti.
Come funziona l’Intelligenza Artificiale generativa
L’Intelligenza Artificiale generativa è una forma di Machine Learning basata su apprendimento non-supervisionato, ossia sull’utilizzo di dati non “etichettati”.
Nell’apprendimento supervisionato l’addestramento dell’algoritmo avviene fornendo sia l’input che l’output. Ad esempio, come input possono essere fornite diverse immagini di animali, tra cui dei gatti, insieme alle informazioni relative alle loro caratteristiche e, come output, i nomi di ciascun animale. L’algoritmo imparerà a riconoscere uno schema che unisce le caratteristiche degli animali (input) ai loro nomi (output). Successivamente, dato un insieme di immagini saprà riconoscere “gatto”.
Nell’apprendimento non supervisionato vengono, invece, forniti gli input (le immagini degli animali e le loro caratteristiche), ma non l’output (i nomi degli animali).
Il modello (il risultato ottenuto dall’esecuzione di un algoritmo di Machine Learning su una base dati) utilizzerà un algoritmo idoneo per allenarsi autonomamente a dividere gli animali in diversi gruppi in base alle caratteristiche che li accomunano maggiormente.
L’Intelligenza Artificiale generativa consiste in un passo ulteriore: piuttosto che classificare o riuscire a riconoscere la foto di un gatto, l’apprendimento automatico è ora in grado di generarne un’immagine o una descrizione testuale.
Ciò che viene generato da un’Intelligenza Artificiale generativa consiste, in altre parole, in una ricombinazione dei dati utilizzati per addestrare l’algoritmo.
Il risultato che otteniamo può sembrare un prodotto creativo ma è necessario tenere presente che questa percezione è dovuta principalmente a due fattori: da un lato, la quantità di dati utilizzata per addestrare gli algoritmi è enorme, molto oltre la capacità di elaborazione della mente umana e, dall’altro, i risultati prodotti contengono degli elementi casuali. Ne consegue che la varietà di risposte è infinita e ciò le fa sembrare ancor più originali.
Intelligenza Artificiale generativa: vantaggi e criticità
Siamo agli inizi di quella che si presenta come una rivoluzione tecnologica in grado di cambiare il nostro approccio al lavoro e alle informazioni, per questo possiamo iniziare ad ipotizzare quali vantaggi e quali criticità porterà con sé.
Dal punto di vista dei vantaggi, con l’utilizzo di sistemi di Intelligenza Artificiale generativa è possibile produrre output di qualità attraverso l’impiego di minori risorse. Ad esempio, con i programmi di generazione video è possibile ottenere dei buoni risultati senza la necessità di effettuare realmente delle riprese o noleggiare l’attrezzatura.
Inoltre, l’Intelligenza Artificiale generativa può portare ad una maggiore efficienza: la velocità di produzione di output permette di ridurre tempi e costi necessari alla produzione, automatizzando attività ripetitive o noiose e permettendo alle persone di concentrarsi su altri aspetti. Secondo una recente ricerca di Goldman Sachs, l’Intelligenza Artificiale generativa può contribuire ad aumentare la produttività del lavoro (e di, conseguenza, anche produzione e PIL globale), proprio perché le energie e capacità “liberate” dall’IA potranno essere concentrate su attività più strategiche.
Ma non ci sono solo vantaggi. L’avvento di una tecnologia così dirompente porta con sé anche criticità e dubbi.
Una prima criticità è legata al fatto che non conosciamo gli effetti sul lungo termine, e quindi il reale impatto, dell’utilizzo intensivo di questa tecnologia.
Inoltre, gli attuali strumenti di Intelligenza Artificiale generativa hanno già evidenziato di non essere infallibili: anche l’Intelligenza Artificiale sbaglia ed è possibile che negli output siano presenti pregiudizi o che vengano utilizzati per scopi illeciti.
Ciò si lega al concetto di potenziale pericolo nell’uso di dati sintetici ed in generale nella definizione e costruzione del dataset di addestramento. Se i dati contengono pregiudizi o se non rispecchiano fedelmente la realtà, questo si rifletterà anche nelle risposte generate.
Esempi di Intelligenza Artificiale generativa
Esistono diversi esempi molto interessanti di Intelligenza Artificiale generativa:
- ChatGPT, un software che simula ed elabora conversazioni umane, in grado di generare testi che rispondano coerentemente a domande poste dall’utente;
- Midjourney, Stable Diffusion e Dall-E che creano immagini a partire da un testo di input;
- Make-a-video, che converte input testuali in brevi video;
- Synthesia, permette di creare dei video “avatar AI” molto realistici ed in grado di “parlare” 120 lingue;
- MusicLM, ancora in fase di studio e sperimentazione, permette di generare musica da una descrizione testuale.
È evidente che ci troviamo in un momento storico di grande evoluzione: siamo ancora agli inizi e dovremo attendere ancora un po’ per capire meglio quali saranno gli sviluppi reali dell’Intelligenza Artificiale generativa e quali le conseguenze sulla nostra vita e sul lavoro.
Continua a seguire il blog per rimanere aggiornato sui prossimi sviluppi!