Glossario di intelligenza artificiale Termini di base che tutti gli utenti di ChatGPT dovrebbero conoscere
Glossary of Artificial Intelligence Basic terms that all ChatGPT users should know.
La tua prima introduzione all’AI potrebbe essere stata ChatGPT, l’AI-chatbot di OpenAI che ha la straordinaria capacità di rispondere a qualsiasi domanda. Dallo scrivere poesie, curriculum e ricette di fusione, il potere di ChatGPT è stato paragonato all’autocompletamento su steroidi.
Ma i chatbot AI sono solo una parte del panorama dell’AI. Certo, avere ChatGPT che aiuta a fare i compiti o avere Midjourney che crea immagini affascinanti di mech basate sul paese d’origine è fantastico, ma il suo potenziale potrebbe completamente ridisegnare le economie. Secondo il McKinsey Global Institute, tale potenziale potrebbe valere 4,4 trilioni di dollari all’anno per l’economia globale, ed è per questo che dovresti aspettarti di sentire sempre più parlare di intelligenza artificiale.
Man mano che le persone si abituano sempre di più a un mondo intrecciato con l’AI, nuovi termini stanno spuntando ovunque. Quindi, che tu stia cercando di sembrare intelligente durante un aperitivo o di impressionare in un colloquio di lavoro, ecco alcuni importanti termini sull’AI che dovresti conoscere.
Questo glossario verrà continuamente aggiornato.
—
- L’evento del MacBook M3 di Apple potrebbe essere in pericolo,...
- L’annuncio scritto a mano di Steve Jobs per Apple-1 viene ven...
- Surface Pro 10 ecco cosa aspettarsi dalla prossima generazione | ENBLE
Intelligenza artificiale generale, o AGI: Un concetto che suggerisce una versione più avanzata dell’AI rispetto a quella che conosciamo oggi, in grado di svolgere compiti molto meglio degli esseri umani e allo stesso tempo insegnare e sviluppare le proprie capacità.
Etica dell’AI: Principi volti a impedire che l’AI faccia del male agli esseri umani, ottenuti attraverso mezzi come stabilire come i sistemi AI dovrebbero raccogliere dati o gestire il pregiudizio.
Sicurezza dell’AI: Un campo interdisciplinare che si occupa degli impatti a lungo termine dell’AI e di come potrebbe progredire improvvisamente verso un’intelligenza superiore ostile agli esseri umani.
Algoritmo: Una serie di istruzioni che permette a un programma informatico di apprendere e analizzare dati in modo particolare, come riconoscere pattern, per poi apprendere da esso e svolgere compiti autonomamente.
Allineamento: Modificare un’AI per produrre meglio l’obiettivo desiderato. Questo può riguardare qualsiasi cosa, dalla moderazione dei contenuti al mantenimento di interazioni positive con gli esseri umani.
Antropomorfismo: Quando gli esseri umani tendono a attribuire caratteristiche umanoidi a oggetti non umani. Nell’AI, questo può includere il credere che un chatbot sia più simile e consapevole di un essere umano di quanto non sia in realtà, come credere che sia felice, triste o addirittura senziente del tutto.
Intelligenza artificiale, o AI: L’uso della tecnologia per simulare l’intelligenza umana, sia nei programmi informatici che nella robotica. Un campo della scienza informatica che mira a costruire sistemi in grado di svolgere compiti umani.
Pregiudizio: Riguardo ai modelli di linguaggio ampi, errori derivanti dai dati di addestramento. Ciò può portare all’attribuzione errata di determinate caratteristiche a determinate razze o gruppi basandosi sugli stereotipi.
Chatbot: Un programma che comunica con gli esseri umani tramite testo simulando il linguaggio umano.
ChatGPT: Un chatbot AI sviluppato da OpenAI che utilizza tecnologia di modelli di linguaggio ampi.
Calcolo cognitivo: Un altro termine per l’intelligenza artificiale.
Aumento dei dati: Remixare dati esistenti o aggiungere un insieme di dati più diversificato per addestrare un’AI.
Apprendimento profondo: Un metodo di AI, e un sottocampo dell’apprendimento automatico, che utilizza molti parametri per riconoscere pattern complessi in immagini, suoni e testi. Il processo è ispirato al cervello umano e utilizza reti neurali artificiali per creare pattern.
Diffusione: Un metodo di apprendimento automatico che prende un dato esistente, come una foto, e aggiunge rumore casuale. I modelli di diffusione addestrano le loro reti per rielaborare o recuperare quella foto.
Comportamento emergente: Quando un modello di AI presenta abilità non intenzionali.
Apprendimento end-to-end, o E2E: Un processo di apprendimento profondo in cui un modello viene istruito a svolgere un compito dall’inizio alla fine. Non viene addestrato per svolgere un compito in modo sequenziale, ma invece impara dagli input e lo risolve tutto in una volta.
Considerazioni etiche: Una consapevolezza delle implicazioni etiche dell’AI e delle questioni legate alla privacy, all’uso dei dati, all’equità, all’abuso e ad altre questioni di sicurezza.
Foom: Nota anche come “fast takeoff” o “hard takeoff”. Il concetto che se qualcuno costruisce un AGI potrebbe essere già troppo tardi per salvare l’umanità.
Reti generative avversariali, o GAN: Un modello di AI generativo composto da due reti neurali per generare nuovi dati: un generatore e un discriminatore. Il generatore crea nuovi contenuti e il discriminatore verifica se sono autentici.
IA generativa: Una tecnologia che genera contenuti utilizzando l’intelligenza artificiale per creare testo, video, codice informatico o immagini. L’IA viene alimentata con grandi quantità di dati di addestramento, individua pattern per generare le proprie risposte originali, che a volte possono essere simili al materiale di origine.
Google Bard: Un chatbot basato sull’intelligenza artificiale sviluppato da Google che funziona in modo simile a ChatGPT, ma ottiene informazioni direttamente dal web attuale, mentre ChatGPT è limitato ai dati fino al 2021 e non è collegato a internet.
Limiti di sicurezza: Politiche e restrizioni imposte ai modelli di intelligenza artificiale per garantire che i dati vengano gestiti in modo responsabile e che il modello non crei contenuti disturbanti.
Allucinazione: Una risposta errata da parte dell’intelligenza artificiale. Può includere l’IA generativa che produce risposte errate ma espresse con sicurezza come se fossero corrette. Le ragioni di ciò non sono del tutto conosciute. Ad esempio, quando si chiede a un chatbot basato sull’IA “Quando Leonardo da Vinci ha dipinto la Gioconda?”, potrebbe rispondere con una dichiarazione errata dicendo che “Leonardo da Vinci ha dipinto la Gioconda nel 1815”, che è 300 anni dopo la data effettiva.
Modello di linguaggio esteso, o LLM: Un modello di intelligenza artificiale addestrato su grandi quantità di dati testuali per comprendere il linguaggio e generare contenuti originali in un linguaggio simile a quello umano.
Apprendimento automatico, o ML: Un componente dell’intelligenza artificiale che consente ai computer di apprendere e ottenere risultati predittivi migliori senza programmazione esplicita. Può essere combinato con set di addestramento per generare nuovi contenuti.
Microsoft Bing: Un motore di ricerca sviluppato da Microsoft che ora utilizza la tecnologia che alimenta ChatGPT per fornire risultati di ricerca basati sull’intelligenza artificiale. È simile a Google Bard perché è collegato a internet.
IA multimodale: Un tipo di intelligenza artificiale che può elaborare diversi tipi di input, inclusi testi, immagini, video e discorsi.
Elaborazione del linguaggio naturale: Un ramo dell’intelligenza artificiale che utilizza l’apprendimento automatico e l’apprendimento profondo per dare ai computer la capacità di comprendere il linguaggio umano, spesso utilizzando algoritmi di apprendimento, modelli statistici e regole linguistiche.
Rete neurale: Un modello computazionale che assomiglia alla struttura del cervello umano ed è progettato per riconoscere pattern nei dati. È composta da nodi interconnessi, o neuroni, che possono riconoscere pattern e apprendere nel tempo.
Sovradattamento: Errore nell’apprendimento automatico in cui il modello funziona troppo strettamente sui dati di addestramento e potrebbe essere in grado di identificare solo esempi specifici in tali dati ma non nuovi dati.
Parametri: Valori numerici che conferiscono struttura e comportamento ai LLM, consentendo loro di fare previsioni.
Concatenazione delle richieste: La capacità dell’intelligenza artificiale di utilizzare informazioni da interazioni precedenti per influenzare le risposte future.
Parrocchia stocastica: Un’analogia che illustra come i LLM non abbiano una comprensione più ampia del significato del linguaggio o del mondo circostante, indipendentemente dalla convincente qualità dell’output. La frase si riferisce al fatto che un pappagallo può imitare le parole umane senza capirne il significato.
Trasferimento di stile: La capacità di adattare lo stile di un’immagine al contenuto di un’altra, consentendo all’intelligenza artificiale di interpretare gli attributi visivi di un’immagine e utilizzarli su un’altra. Ad esempio, prendere l’autoritratto di Rembrandt e ricrearlo nello stile di Picasso.
Temperatura: Parametri impostati per controllare il grado di casualità dell’output di un modello di linguaggio. Una temperatura più alta significa che il modello assume più rischi.
Generazione di testo-immagine: Creazione di immagini basate su descrizioni testuali.
Dati di addestramento: I set di dati utilizzati per aiutare i modelli di intelligenza artificiale a imparare, inclusi testi, immagini, codice o dati.
Modello Transformer: Un’architettura di rete neurale e un modello di apprendimento profondo che apprende il contesto tracciando le relazioni nei dati, come nelle frasi o nelle parti delle immagini. Quindi, anziché analizzare una frase parola per parola, può guardare l’intera frase e comprendere il contesto.
Test di Turing: Intitolato al famoso matematico e informatico Alan Turing, testa la capacità di una macchina di comportarsi come un essere umano. La macchina supera il test se un essere umano non riesce a distinguere la risposta della macchina da quella di un altro essere umano.
IA debole, anche conosciuta come IA ristretta: IA focalizzata su un compito specifico e incapace di apprendere oltre le sue capacità. La maggior parte delle IA attuali è debole.
Apprendimento senza supervisione: Un test in cui un modello deve completare un compito senza essere fornito dei dati di addestramento necessari. Un esempio potrebbe essere riconoscere un leone avendo ricevuto addestramento solo sui tigri.
