Le 7 parole dell'AI che tutti usano e pochi sanno spiegare

Chiedere a un chatbot di scrivere una mail di auguri, generare un’immagine o riassumere un documento è diventato un gesto quotidiano, come controllare le previsioni del tempo. Lo si fa senza pensarci, e senza sapere cosa succede dall’altra parte dello schermo. Poi si incappa in un articolo che parla di “modelli linguistici di grandi dimensioni”, “reti neurali” e “token”, e a quel punto o si finge di capire o si chiude la pagina. Non servono competenze da ingegnere per orientarsi in questo vocabolario, ma definizioni spiegate con chiarezza.

7 parole dell’AI da conoscere

1. Modello linguistico di grandi dimensioni

È il motore che fa funzionare i chatbot più diffusi. L’espressione si capisce meglio scomponendola. “Grandi dimensioni” si riferisce alla quantità enorme di testo su cui il sistema è stato addestrato: libri, articoli, siti, documentazione tecnica, conversazioni pubbliche, miliardi di parole in decine di lingue. “Linguistico” indica il suo campo d’azione: il linguaggio umano, che il modello impara a comprendere, elaborare e produrre. “Modello” descrive il tipo di programma: non un archivio che cerca risposte preconfezionate, ma un sistema che ha interiorizzato le strutture della lingua e le usa per costruire risposte nuove ogni volta.

Quando gli si chiede di scrivere un messaggio di compleanno per un amico, il modello non va a cercare messaggi simili in un database. Attinge agli schemi linguistici appresi durante l’addestramento e genera un testo originale, calibrato sul tono e sul contesto della richiesta. Il risultato non è sempre perfetto, ma il meccanismo è più sofisticato di quanto si creda.

2. Intelligenza artificiale generativa

È il ramo dell’intelligenza artificiale che produce contenuti originali: testo, immagini, audio, video, codice informatico. Non recupera materiale esistente, lo crea a partire dalle istruzioni ricevute. Quelle foto in cui la gente appare catapultata in un mondo al neon in stile anni Ottanta, i video di gatti che suonano il pianoforte, le canzoni generate dalla macchina che si riconoscono dopo tre secondi: tutto questo è intelligenza artificiale generativa al lavoro.

Il termine “generativa” è la chiave di volta. I motori di ricerca tradizionali trovano informazioni che già esistono. Questi sistemi ne producono di nuove. La qualità varia enormemente, un ritratto iperrealistico e un testo pieno di sciocchezze escono dallo stesso tipo di tecnologia, ma il principio di fondo resta identico. Ciò che viene prodotto non esisteva prima che qualcuno digitasse un’istruzione. È creazione, nel senso più letterale del termine, con tutti i meriti e tutti i rischi che questo comporta.

3. Apprendimento automatico

L’apprendimento automatico è il metodo con cui i computer imparano a riconoscere schemi e a fare previsioni basandosi sui dati che hanno osservato. Invece di seguire istruzioni rigide scritte da un programmatore, il sistema accumula esperienza dagli esempi e migliora nel tempo. Il paragone più immediato è con le piattaforme di streaming, come Netflix o Prime Video. Analizzano quali film e serie guardiamo, quali apprezziamo e quali interrompiamo a metà. Sulla base di queste informazioni, imparano a riconoscere i nostri gusti e a suggerirci contenuti sempre più vicini alle nostre preferenze. Più dati hanno, più i consigli diventano azzeccati.

Lo stesso principio è alla base del riconoscimento vocale, dei filtri antispam e dei sistemi che completano le frasi mentre si scrive. Non c’è nessuno che programma a mano ogni singola regola. C’è un sistema che impara dai dati e raffina le proprie risposte con l’uso. È il motore che permette all’intelligenza artificiale di migliorare senza che qualcuno la riprogrammi ogni volta da zero.

4. Rete neurale

Il nome è evocativo e non del tutto fuorviante. Una rete neurale è un sistema informatico ispirato, vagamente, al funzionamento del cervello umano. È composta da strati di nodi interconnessi che elaborano le informazioni e riconoscono schemi, un po’ come i neuroni si collegano e comunicano nella testa. Ogni strato della rete estrae caratteristiche sempre più complesse: il primo potrebbe riconoscere i contorni di un’immagine, il secondo le forme, il terzo gli oggetti interi.

Quando un sistema di intelligenza artificiale riconosce un gatto in una foto, è perché una rete neurale ha imparato, dopo aver visto milioni di immagini di gatti, quali combinazioni di forme, colori e proporzioni corrispondono a quell’animale. Non sa cosa sia un gatto nel senso in cui lo sa un essere umano. Sa che certi schemi visivi ricorrono ogni volta che l’etichetta dice “gatto”. È una forma di conoscenza diversa, più statistica che concettuale, ma per gli scopi pratici funziona, e funziona anche con i volti, le lingue, le malattie nelle lastre e le frodi bancarie.

5. Allucinazioni

È forse il termine più importante da conoscere, perché riguarda i limiti dello strumento. Quando un chatbot fornisce con assoluta sicurezza un’informazione sbagliata o completamente inventata, come una statistica inesistente, una fonte mai pubblicata, un fatto storico distorto, si dice che sta avendo un’allucinazione. Il sistema non mente nel senso umano del termine, non sa di essere in errore. Genera la sequenza di parole più probabile in base ai propri schemi, e a volte quella sequenza è falsa.

Il problema è che le allucinazioni sembrano identiche alle risposte corrette. Non hanno un segnale di avvertimento, non cambiano tono, non esitano. Per questo è sempre necessario verificare le informazioni che il chatbot fornisce, soprattutto quando riguardano dati numerici, riferimenti scientifici o consigli in ambito medico, finanziario e legale. La regola è semplice: fidarsi del chatbot come ci si fida di un collega brillante, ma un po’ troppo sicuro di sé, incrociando le informazioni.

6. Prompt engineering

L’arte di scrivere istruzioni efficaci per ottenere risultati migliori dal chatbot ha un nome tecnico, e vale la pena conoscerlo. Non basta digitare una richiesta generica, il modo in cui la si formula cambia radicalmente la qualità della risposta. La differenza tra dammi delle idee per la cena e suggeriscimi cinque ricette che richiedano meno di trenta minuti, costino meno di quindici euro a porzione e usino ingredienti reperibili al supermercato sotto casa è la differenza tra un risultato vago e uno utilizzabile.

Si tratta di imparare a essere specifici, a dare contesto, a indicare il formato desiderato e a prevedere i possibili fraintendimenti. Non servono formule magiche, ma la stessa chiarezza che si userebbe nel dare istruzioni a una persona in carne e ossa.

7. Token

L’ultimo termine è quello che compare nelle pagine dei piani di abbonamento e che quasi nessuno si ferma a capire. I token sono le unità minime di testo che il modello elabora quando legge e genera linguaggio. Il sistema non lavora sulle parole intere come farebbe un lettore umano, spezza il testo in frammenti più piccoli. Una parola breve diventa un singolo token, una parola lunga ne occupa due o tre, e anche la punteggiatura conta.

Quando si digita una domanda, il chatbot la scompone in token, li elabora e produce una risposta anch’essa composta di token. I piani di abbonamento indicano un limite massimo perché ogni conversazione consuma risorse di calcolo proporzionali al numero di token scambiati. Più lunga è la conversazione, più token si usano. È il motivo per cui alcune risposte vengono troncate e per cui i piani a pagamento offrono limiti più generosi. In parole povere, i token sono la valuta invisibile di ogni conversazione con l’intelligenza artificiale. Non si vedono, ma si spendono.