Analisi dell'intelligenza artificiale: troppo clamore intorno all'AI?
Forse non c'è argomento più onnipresente, o più dibattuto, in ambito tecnologico dell'intelligenza artificiale (AI). Quando OpenAI ha presentato al pubblico l'intelligenza artificiale, con il rilascio di ChatGPT nel novembre 2022, il mondo è cambiato per sempre. Le startup hanno iniziato ad attrarre ingenti finanziamenti, le grandi aziende tecnologiche come Microsoft e Apple si sono affrettate a implementare l'intelligenza artificiale nei propri prodotti e la consapevolezza pubblica dell'intelligenza artificiale come strumento tangibile ha raggiunto l'apice.
Ora, termini come intelligenza artificiale generativa, modelli linguistici di grandi dimensioni, apprendimento automatico e reti neurali stanno comparendo praticamente in ogni ambito commerciale, dai servizi professionali all'elettronica di consumo. Esiste addirittura un tostapane con intelligenza artificiale.
Ma cosa è esattamente l'AI? E come si fa a sapere se viene usata come parola chiave per vendere un prodotto o se si tratta davvero di un livello di intelligenza superiore? In questo blog, approfondiremo queste e altre domande, analizzando i limiti dell'intelligenza artificiale, condividendo suggerimenti per identificare l'AI Washing ed esplorando in che modo l'intelligenza artificiale sta trasformando settori come la cybersicurezza.
Approfondimento sull'AI e sul suo clamore: cosa può fare l'intelligenza artificiale?
L'intelligenza artificiale è un'area delle scienze informatiche dedicata alla creazione di sistemi in grado di eseguire attività normalmente associate agli esseri umani. Questi sistemi possono essere creati per svolgere diverse attività, come prendere decisioni, risolvere problemi complessi e pensare in modo creativo. Per conseguire questi risultati, i sistemi di intelligenza artificiale utilizzano dati (molti) e algoritmi sofisticati.
Ma questa definizione generale scalfisce solo la superficie. Per comprendere meglio cosa è e cosa non è l'AI, iniziamo definendo due ampie categorie: AI di inferenza e AI generativa.
AI di inferenza
L'AI di inferenza è un tipo di tecnologia che si concentra sull'inferenza di informazioni da contenuti quali testo, immagini, audio e video.
Ad esempio, quando viene presentata una foto di un gatto, la tecnologia può utilizzare indizi contestuali per identificare correttamente il soggetto della foto.
Sebbene questo tipo di intelligenza artificiale possa fare inferenze basate sulle informazioni, non può generare contenuti propri.
AI generativa
L'AI generativa, o GenAI, è una tecnologia in grado di generare nuovi contenuti (testo, immagini, audio e video) a partire da istruzioni.
Ad esempio, se viene presentata l'istruzione "disegna un gatto", un modello GenAI genererà l'immagine di un gatto.
Potete pensare all'AI di inferenza e all'AI generativa come due facce di una stessa medaglia, dove quest'ultima è generalmente considerata più sofisticata. Lo sviluppo della GenAI implica una combinazione di apprendimento automatico e addestramento di reti neurali.
Comprensione dei componenti: come funziona l'AI?
Una rete neurale si ispira ai meccanismo propri del cervello, ma funziona in modo più semplice e pratico. È una macchina composta da molti strati di neuroni artificiali, o nodi, che elaborano le informazioni. Ogni neurone riceve numeri (input), esegue un calcolo semplice e quindi invia il risultato (output).
La rete apprende regolando una serie di numeri chiamati "pesi". Questi pesi determinano il comportamento della rete. Durante l'apprendimento supervisionato, la rete è costituita da dati trasmessi e un output desiderato, che usa per impostare i pesi. Imparando dagli errori attraverso ogni iterazione, la rete regola i suoi pesi per aumentare le possibilità di raggiungere l'output desiderato.
L'apprendimento approfondito è un sottoinsieme dell'apprendimento automatico emerso con l'arrivo di unità di elaborazione grafica (GPU) più potenti e algoritmi di addestramento più sofisticati. È molto più capace grazie all'aggiunta di più strati di neuroni. Una nota importante: il termine "approfondito" fa riferimento al numero di strati di cui è dotata una rete neurale: è "profondo" fisicamente, non intellettualmente.
Un esempio popolare di algoritmo di apprendimento approfondito è un modello linguistico di grandi dimensioni (LLM), come ChatGPT, che è addestrato per comprendere e generare testo in linguaggio umano. Gli LLM prendono una sequenza di testo come input e poi generano probabilità per la parola successiva nella sequenza, una funzionalità che aiuta i chatbot a fornire risposte pertinenti a domande o commenti.
GLI LLM vengono addestrati su enormi volumi di testo, solitamente ricavati dal web. Come per le reti neurali, i pesi degli LLM vengono regolati attraverso l'apprendimento auto-supervisionato per aumentare la probabilità di una parola successiva ragionevole. Gli LLM più sofisticati attualmente in uso hanno centinaia di miliardi di pesi che regolano gli output.
Si tratta di AI o AI Washing?
Ora che abbiamo una conoscenza di base dell'apprendimento approfondito e degli LLM, possiamo valutare se un particolare prodotto commerciale sia realmente basato sull'AI o sia un esempio di AI Washing.
L'AI Washing si verifica quando le aziende fanno affermazioni fuorvianti o esagerate sull'intelligenza artificiale utilizzata nei loro prodotti nel tentativo di aumentare la redditività sfruttando il clamore di questa tecnologia.
Per identificare l'AI Washing, considerate le seguenti domande durante la valutazione dei prodotti:
Questo prodotto richiede un significativo coinvolgimento umano per generare un output accettabile? La vera AI è caratterizzata da un alto grado di autonomia, producendo un risultato accettabile con un input umano minimo.
L'azienda dietro questo prodotto è trasparente sui tipi di dati e sugli algoritmi che utilizza per alimentare la sua AI? L' approccio "black box", che si concentra esclusivamente sugli input e sugli output di un prodotto anziché rivelarne i processi e il funzionamento interno, è spesso un campanello d'allarme che la tecnologia potrebbe non essere all'altezza delle aspettative.
Sfortunatamente, ci sono troppi casi di aziende che usano il termine AI per promuovere un prodotto o un servizio che non riesce a superare il test di cui sopra. Ecco perché è importante guardare oltre le affermazioni iniziali delle aziende e indagare un po' più a fondo per determinare se un prodotto sia realmente basato sull'intelligenza artificiale.
Pregiudizi e allucinazioni
Ci sono anche altre considerazioni importanti da fare quando si valuta una soluzione di intelligenza artificiale. Le "allucinazioni" sono un concetto chiave da tenere a mente. Le allucinazioni dell'AI sono risultati falsi, fuorvianti o privi di senso causati da una serie di fattori, tra cui l'addestramento con dati insufficienti o distorti, che possono portare a supposizioni da parte dell'intelligenza artificiale.
È importante ricordare che i modelli di intelligenza artificiale sono progettati per prevedere i risultati in base ai dati su cui si addestrano; pertanto, l'inserimento di dati errati comporterà semplicemente risultati errati.
Comprensione dell'Hype Cycle per l'intelligenza artificiale
Un modo per comprendere le tendenze in rapida evoluzione, le false promesse e le aspettative troppo elevate che sembrano accompagnare ogni nuova svolta dell'intelligenza artificiale è esaminare un grafico sviluppato da Gartner.
A giugno, Gartner ha pubblicato il suo Hype Cycle per l'intelligenza artificiale del 2024, che traccia l'evoluzione, la maturazione e l'adozione della tecnologia emergente da parte del grande pubblico.
Nella sua prima fase, una nuova tecnologia passa attraverso il trigger dell'innovazione, guadagnando diffusione e clamore mentre si dirige verso il picco dell'innovazione.
Dopo aver raggiunto questo picco, la tecnologia precipita nel baratro della disillusione, dove inizia il duro lavoro. Non più influenzate da aspettative eccessive, le persone possono iniziare a comprendere le vere capacità della tecnologia e a ideare relative applicazioni pratiche, facendola avanzare lungo il ciclo fino al plateau della produttività.
Secondo Gartner, l'AI sta attraversando rapidamente l'hype cycle e l'AI generativa ha già raggiunto il baratro della disillusione. Tuttavia, nonostante il suo nome malinconico, questa fase del ciclo rappresenta un'opportunità per una vera innovazione, poiché spinge le persone a comprendere meglio i limiti dell'intelligenza artificiale e a mettere in pratica le sue potenzialità. Un settore in cui ciò sta accadendo è la cybersicurezza.
AI nella cybersicurezza: il futuro del rilevamento delle minacce
Non c'è alcun dubbio che la rivoluzione dell'intelligenza artificiale abbia trasformato la cybersicurezza, nel bene e nel male.
Man mano che i modelli di intelligenza artificiale diventano più sofisticati, lo diventano anche le tattiche impiegate dai criminali informatici. Gli attori delle minacce utilizzano sempre di più l'AI generativa per automatizzare, migliorare e scalare i propri attacchi, determinando minacce più difficili da rilevare e mitigare.
Tuttavia, l'integrazione dell'automazione nella cybersicurezza presenta opportunità significative, soprattutto nel campo del rilevamento delle minacce. I professionisti della cybersicurezza possono usare l'intelligenza artificiale per analizzare grandi quantità di dati molto più velocemente di quanto potrebbero fare loro stessi per identificare modelli e rilevare anomalie nel comportamento degli utenti che potrebbero segnalare potenziali minacce.
L'intelligenza artificiale può essere usata anche per semplificare i processi di risposta agli incidenti. Eseguendo automaticamente azioni predefinite in risposta alle minacce rilevate, come l'isolamento dei sistemi interessati, il blocco del traffico dannoso o l'avvio di avvisi, l'intelligenza artificiale può rispondere alle potenziali minacce in tempo reale.
Mantenere una visione realistica: nessun clamore intorno all'AI, solo risultati
Akamai utilizza l'intelligenza artificiale basata sull'apprendimento approfondito per potenziare le soluzioni dal 2015.
I nostri strumenti di intelligenza artificiale eseguono una serie di attività critiche, dalla identificazione di bot o utenti effettivi all'identificazione di abusi di API e siti web fraudolenti. Le soluzioni Akamai sfruttano l'apprendimento automatico da quasi 10 anni e oggi continuiamo il nostro percorso aggiungendo gli ultimi progressi nell'intelligenza artificiale ai prodotti quando offrono un chiaro vantaggio per i nostri clienti.
Il nostro principio fondamentale in materia di intelligenza artificiale è mantenere la trasparenza su come e perché impieghiamo questa tecnologia, assicurandoci di non sovrastimare mai le nostre capacità o di non incorrere nell'AI Washing.
In Akamai, ci impegniamo a utilizzare l'intelligenza artificiale in modo giudizioso ed efficace, espandendo gradualmente le nostre capacità man mano che la comprensione dell'intelligenza artificiale continua a evolversi. È così che manteniamo l'AI reale... senza clamore artificiale.