Negli ultimi mesi tutto il mondo ha rivolto la sua attenzione all’intelligenza artificiale con un crescendo di dibattiti e articoli in cui concetti quali AI generativa, machine learning, reti neurali e altro ancora si sono alternati, a volte mescolandosi, senza apparente distinzione. La terminologia, tuttavia, costituisce una componente fondamentale nel modo in cui comprendiamo la tecnologia e interagiamo con essa.
Negli anni ’80, comparve sul mercato un curioso gioco chiamato Tubolario, sviluppato dal professor Marco Marchi dell’Istituto di Biostatistica ed Epidemiologia dell’Università di Pisa e dal professor Piero Morosini, direttore di laboratorio dell’Istituto Superiore di Sanità. Questo gioco consentiva di associare pezzi di frasi attraverso un procedimento meccanico, formando frasi semanticamente corrette e potenzialmente sensate. La scatola del gioco riportava questa frase: “10 milioni di frasi pronte per straparlare di politica, sport o amore”. Questo esempio, sebbene apparentemente semplice, evidenzia come l’idea di assemblare il linguaggio non sia affatto nuova.
Una terminologia fuorviante
Oggi, la terminologia intelligenza artificiale (AI) viene spesso utilizzata a sproposito in relazione ai cosiddetti modelli di linguaggio di grandi dimensioni (LLM). In realtà, questi sistemi non sono alimentati da processi intelligenti nel senso umano del termine. Piuttosto, operano attraverso un criterio di massimizzazione probabilistica nell’associazione delle parole: un processo che produce frasi tanto più sensate quanto più vasto e corretto è il volume di dati analizzati.
Questi modelli, addestrati su vasti corpora di testo, sono in grado di comprendere e generare linguaggio umano con un livello di fluidità e coerenza, invero, senza precedenti. Utilizzando reti neurali profonde, gli LLM apprendono le intricate sfumature del linguaggio, come il contesto, la sintassi e il significato semantico, riuscendo a produrre testi che spaziano dalle risposte alle domande complesse alla generazione di contenuti creativi come racconti o poesie.
Per questo motivo, gli LLM dovrebbero essere considerati un modello artificiale di comunicazione più che di intelligenza.
Applicazioni pratiche
Gli LLM trovano applicazione in una vasta gamma di settori, specialmente quelli che richiedono l’analisi di grandi quantità di dati con la successiva sintesi delle informazioni esaminate.
In ambito sanitario, per esempio, le tecnologie basate su AI supportano diagnosi e trattamenti attraverso l’analisi di grandi volumi di dati clinici, identificando pattern e correlazioni che possono sfuggire all’occhio umano. Questi sistemi offrono un supporto cruciale ai professionisti del settore, migliorando la precisione e l’efficacia delle cure.
Il mondo del customer service può beneficiare dell’automazione delle risposte alle domande frequenti e della risoluzione dei problemi comuni.
Nel settore finanziario e assicurativo gli LLM possono essere utilizzati per il calcolo dei mutui e la valutazione dei rischi, migliorando l’efficienza e la precisione delle operazioni.
Nel settore manifatturiero, possono ottimizzare la gestione delle commesse e migliorare la produttività attraverso l’analisi dei dati di produzione e la previsione della domanda.
L’interazione uomo-macchina e il ruolo emergente del “prompt engineering”
Forse per questa loro versatilità oggi molti confondono gli LLM con una sorta di sostituto dell’uomo: un fraintendimento che porta a sopravvalutarne le capacità e a sottovalutare la necessità di un’interazione umana per il loro funzionamento ottimale.
Le aziende devono comprendere che questi sistemi non rappresentano un sostituto delle attività umane. È l’interazione con l’uomo che consente agli LLM di migliorare e evolversi. Senza il contributo umano, gli LLM rimarrebbero statici e limitati nelle loro capacità di adattamento. Gli LLM possono, infatti, apprendere nuovi schemi e adattarsi a contesti diversi solo attraverso l’input umano continuo, che gli fornisce il feedback necessario per affinarsi e migliorarsi.
Una logica conseguenza di ciò è l’emergere di una nuova figura professionale: il “prompt engineer“. Questa figura richiede competenze linguistiche più che tecnologiche, poiché la tecnologia di base è già assicurata dai dati su cui agisce l’LLM. Il compito del prompt engineer è di formulare domande e istruzioni in modo che il modello possa fornire risposte precise e pertinenti, massimizzando così l’utilità del sistema. In sostanza, il prompt engineer funge da intermediario tra la macchina e l’uomo, traducendo le esigenze umane in un linguaggio comprensibile per l’LLM.
L’approccio strutturato di Axiante
Axiante è una società che vanta una lunga tradizione nella gestione dei dati e suggerisce un approccio strutturato per l’adozione degli LLM.
Questo approccio inizia con l’identificazione dei processi di business che potrebbero beneficiare di questa tecnologia e che sarebbero particolarmente indicati per il livello di automazione ottenibile tramite LLM. La fase successiva prevede l’analisi dei dati associati a questi processi per assicurarsi che siano, innanzitutto, di elevata qualità e pertinenti: solo così, infatti, le risposte fornite non saranno solo semanticamente giuste come quelle fornite dal Tubolario, ma anche pertinenti.
Una base dati corretta e coerente è il fondamento per avviare il successivo processo di training del modello, in modo da poterlo addestrare efficacemente. L’ultima fase, spesso sottovalutata o troppo accelerata, è quella in cui si verifica e si valida il risultato ottenuto per garantire che il modello funzioni come previsto e sia effettivamente in grado di apportare valore all’organizzazione.
Per Axiante gli LLM rappresentano anche “una nuova pelle” con cui affrontare i bisogni delle aziende. Questa tecnologia, infatti, offre la possibilità di integrare soluzioni avanzate con l’esperienza e la competenza umana, creando strumenti innovativi e sempre più efficaci. Non va però commesso l’errore di pensare che l’adozione degli LLM sia solo una questione di carattere tecnologico. Serve anche un cambiamento culturale all’interno delle organizzazioni, che devono essere pronte e disposte a sfruttarne appieno le potenzialità. A mano a mano che gli LLM continueranno a migliorare e a espandere le loro capacità, l’interazione umana rimarrà, comunque, un componente cruciale per il loro successo e per garantire che le soluzioni implementate siano davvero utili e rilevanti.