AS 1

Gennaio - Febbraio 2024 n Automazione e Strumentazione Approfondimenti 36 INDAGINE gini, testi e altri contenuti. Anche le architetture di reti neurali profonde, come le reti neurali ricorrenti (RNN, Recurrent Neural Network) e le reti neurali trasformazionali (TNN, Transformer Neural Net- works), sono utilizzate nell’AI generativa per cattu- rare relazioni complesse nei dati e generare output di qualità. Oltre alle reti neurali, i modelli linguistici di grandi dimensioni (LLM, Large Language Models), addestrati su vasti archivi di dati testuali, sono in grado di prevedere la probabilità di una sequenza di parole. Nell’ambito del NLP (Natural Language Processing ) , l’AI generativa fa ampio uso di modelli basati su apprendimento profondo, come N-Gram, GPT (Generative Pre-trained Transformer) e BERT (Bidirectional Encoder Representations from Tran- sformers), i quali consentono di generare testo coe- rente e contestualmente rilevante. Infine, un cenno ai tool. Framework di machine lear- ning come TensorFlow, PyTorch e Keras forniscono gli strumenti necessari per sviluppare, addestrare e implementare modelli di AI generativa. Oltretutto questi strumenti semplificano il processo di svi- luppo e consentono una rapida sperimentazione. Business e Applicazioni Rispetto al machine learning tradizionale l’AI gene- rativa consente di gestire un numero di parametri esponenzialmente superiore. Settori come la proget- tazione di farmaci, la progettazione di chip, lo svi- luppo di materiali e l’industria dell’intrattenimento la stanno già sfruttando con risultati tangibili. Sistemi di AI generativa possono far evolvere rapidamente il settore del customer care e dei servizi alla clientela, ad esempio con chatbot, advisor e assistenti virtuali per la gestione dei contatti, del supporto tecnico e di ticketing dei servizi. Nel settore amministrativo e finanziario, l’AI generativa è utilizzata per lo svi- luppo di nuovi servizi, come la generazione automa- tica di report e la previsione di tendenze di mercato. Nell’industria della salute, l’AI generativa può essere utilizzata per analizzare dati complessi, individuare pattern e supportare la diagnosi medica. Nel settore farmaceutico, secondo i dati Gartner, entro il 2025 oltre il 30% dei nuovi farmaci e materiali sarà sco- perto utilizzando tecniche di AI generativa. Nel marketing, si prevede che entro il 2025 il 30% dei contenuti sarà generato sinteticamente. Nel settore scientifico e industriale, l’AI generativa può essere utilizzata per la sintesi di nuovi materiali e per il design di prodotti innovativi. Lo sviluppo dell’intel- ligenza artificiale (generativa e non) nella robotica porterà un’enorme semplificazione accelerando la diffusione della programmazione low code o no code dei robot. Strumenti AI per la generazione di immagini e contenuti 3D potranno essere utilizzati nella progettazione di edifici. Altre possibili appli- cazioni si ritrovano nell’efficientamento dei consumi energetici dei macchinari e nell’ottimizzazione del traffico dati nelle telecomunicazioni. Tra le prin- cipali applicazioni pratiche troviamo ovviamente anche l’editing avanzato dei testi, la co-creazione uomo-macchina supportata dall’AI e l’ingegneria dei prompt (comandi di testo). Rischi e limiti dell’AI Generativa Ma c’è un rovescio della medaglia. L’intelligenza artificiale generativa presenta non pochi rischi, limiti e punti oscuri. Si è recentemente speculato sul progetto Q star di OpenAI, una sorta di AI Generale indifferente all’etica, alla privacy e all’uso di infor- mazioni sensibili. Per intanto il cybercrime sfrutta già questa tecnologia per creare ‘deep fake’ e truffe sempre più sofisticate. Allo stato attuale, le piatta- forme di AI generativa possono generare informa- zioni fuorvianti, dettagli superflui, risposte inaccu- rate e immagini sorrette con conseguenze non sem- pre prevedibili o innocue. Un altro problema è legato alla sostenibilità dal momento che l’AI generativa richiede l’utilizzo di grandi quantità di energia. Una serie di criticità è relativa ai bias presenti nei dati di addestramento. Gli algoritmi imparano dai dati esistenti, i quali possono contenere pregiudizi sociali o culturali che l’AI può replicare in forma acritica o far proliferazione in forma incontrollata. Alcuni studi recenti hanno dimostrato che l’addestramento ricorsivo di modelli basati sui dati di altri modelli generativi potrebbe portare a un processo degene- rativo, restituendo una percezione errata della realtà (Model Collapse e Model Autophagy Disorder). Sulla protezione dei dati delle imprese, della privacy degli utenti e della sicurezza informatica si gioca buona parte del futuro delle soluzioni di AI genera- tiva. L’Unione Europea, con normative come le leggi sulla proprietà intellettuale, il GDPR e l’AI Act cerca di regolamentare l’uso di questa tecnologia. Ma dal momento che queste leggi possono agire come un freno all’innovazione, le stesse aziende europee potrebbero trovarsi in una posizione svantaggiata nella competizione internazionale. C’è anche il tema della co-creazione uomo-macchina e dell’equo compenso per la creatività, dal momento che l’AI si addestra anche con contenuti coperti da copyright o generati da esseri umani. È probabile che si affer- merà una concezione di autorialità generativa che