𝐃𝐚𝐥 𝐬𝐢𝐬𝐭𝐞𝐦𝐚 𝐛𝐢𝐧𝐚𝐫𝐢𝐨 (𝟎 𝐞 𝟏) 𝐚𝐥𝐥’𝐢𝐧𝐭𝐞𝐥𝐥𝐢𝐠𝐞𝐧𝐳𝐚 𝐚𝐫𝐭𝐢𝐟𝐢𝐜𝐢𝐚𝐥𝐞: 𝐜𝐡𝐞 𝐜𝐨𝐬𝐚 𝐚𝐜𝐜𝐚𝐝𝐞 𝐝𝐚𝐯𝐯𝐞𝐫𝐨 𝐝𝐞𝐧𝐭𝐫𝐨 𝐮𝐧 𝐚𝐥𝐠𝐨𝐫𝐢𝐭𝐦𝐨?
Quando interroghiamo un sistema di intelligenza artificiale, riceviamo in pochi secondi un testo, un’analisi o un’immagine.
L’esperienza è così naturale da farci pensare che dall’altra parte esista qualcosa che comprende e ragiona come una persona.
Ma che cosa accade davvero?
Come si passa da funzioni, equazioni e algoritmi a una macchina capace di produrre una risposta? E quale ruolo svolgono lo 0 e l’1?
Per comprenderlo dobbiamo distinguere alcuni concetti matematici e informatici che vengono spesso confusi.
𝐅𝐮𝐧𝐳𝐢𝐨𝐧𝐢, 𝐞𝐪𝐮𝐚𝐳𝐢𝐨𝐧𝐢 𝐞 𝐚𝐥𝐠𝐨𝐫𝐢𝐭𝐦𝐢
Una funzione descrive come un risultato dipende da uno o più dati in ingresso.
La scrittura:
- y = f(x)
significa che a ogni valore ammesso di x viene associato un valore di y, secondo una determinata regola.
Se, per esempio:
- f(x) = 2x − 6
allora:
• per x = 1, otteniamo y = −4; • per x = 2, otteniamo y = −2; • per x = 3, otteniamo y = 0.
Possiamo rappresentare questo processo così:
- x → f(x) → y
La freccia → si legge “porta a”, “produce” oppure “viene trasformato in”. Non indica un’uguaglianza matematica, ma il percorso attraverso il quale un input viene elaborato per produrre un risultato.
Un’equazione pone invece una condizione da soddisfare.
Se scriviamo:
- 2x − 6 = 0
stiamo chiedendo:
per quale valore di x il risultato della funzione è uguale a zero?
La risposta è x = 3.
La funzione descrive quindi come varia un risultato. L’equazione impone una condizione. L’algoritmo stabilisce i passaggi necessari per eseguire il calcolo o trovare la soluzione.
𝐃𝐞𝐫𝐢𝐯𝐚𝐭𝐞 𝐞 𝐢𝐧𝐭𝐞𝐠𝐫𝐚𝐥𝐢: 𝐯𝐚𝐫𝐢𝐚𝐳𝐢𝐨𝐧𝐞 𝐞 𝐚𝐜𝐜𝐮𝐦𝐮𝐥𝐚𝐳𝐢𝐨𝐧𝐞
Una derivata misura come cambia il risultato di una funzione quando cambia il suo input.
In termini intuitivi, risponde alla domanda:
se modifico leggermente x, quanto e in quale direzione cambia y?
Quando gli input sono numerosi, si utilizza un insieme di derivate chiamato gradiente.
Questo concetto è fondamentale nell’addestramento dell’intelligenza artificiale: il gradiente indica in quale direzione modificare i parametri del modello per ridurre l’errore.
L’integrale considera invece il valore complessivamente accumulato lungo un intervallo. Se la derivata misura la variazione, l’integrale aiuta a ricostruire un totale, una quantità o una probabilità complessiva.
Derivate e integrali non sono “intelligenza”. Sono strumenti matematici che permettono di rappresentare variazioni, accumulazioni, probabilità e processi di ottimizzazione.
𝐂𝐡𝐞 𝐜𝐨𝐬’𝐞̀ 𝐮𝐧 𝐚𝐥𝐠𝐨𝐫𝐢𝐭𝐦𝐨?
Un algoritmo è una sequenza definita di operazioni che trasforma determinati dati in ingresso in un risultato.
Deve stabilire:
• quali dati ricevere; • quali operazioni eseguire; • in quale ordine; • quali condizioni verificare; • quando ripetere o interrompere il procedimento; • quale risultato produrre.
Immaginiamo un programma che controlli i pagamenti. Può acquisire la scadenza di una fattura, confrontarla con la data dell’incasso, calcolare il ritardo e generare un alert oltre una determinata soglia.
Non è necessariamente intelligenza artificiale. È un algoritmo basato su regole definite anticipatamente.
Ogni sistema di AI utilizza algoritmi, ma non ogni algoritmo è intelligenza artificiale.
𝐏𝐞𝐫𝐜𝐡𝐞́ 𝐢 𝐜𝐨𝐦𝐩𝐮𝐭𝐞𝐫 𝐮𝐭𝐢𝐥𝐢𝐳𝐳𝐚𝐧𝐨 𝟎 𝐞 𝟏?
Il sistema binario utilizza soltanto due simboli: 0 e 1.
La ragione è soprattutto fisica. È relativamente affidabile costruire circuiti capaci di distinguere due stati:
• acceso o spento; • tensione alta o bassa; • vero o falso; • presenza o assenza di un segnale.
Ogni unità binaria prende il nome di bit. Combinando moltissimi bit possiamo rappresentare numeri, testi, immagini, suoni e istruzioni.
Ma l’intelligenza artificiale non ragiona semplicemente alternando zero e uno.
I modelli utilizzano funzioni, numeri, probabilità, vettori e matrici. L’hardware rappresenta ed elabora queste strutture attraverso codifiche digitali (cioè rappresentazioni delle informazioni mediante sequenze di bit, nelle quali numeri, testi, immagini e istruzioni vengono convertiti in combinazioni di 0 e 1 elaborabili dai circuiti elettronici).
Zero e uno non sono quindi la lingua dell’intelligenza: sono la base fisica e logica con cui il computer rappresenta ed elabora le informazioni.
𝐃𝐚𝐥𝐥’𝐚𝐥𝐠𝐨𝐫𝐢𝐭𝐦𝐨 𝐭𝐫𝐚𝐝𝐢𝐳𝐢𝐨𝐧𝐚𝐥𝐞 𝐚𝐥 𝐦𝐚𝐜𝐡𝐢𝐧𝐞 𝐥𝐞𝐚𝐫𝐧𝐢𝐧𝐠
In un algoritmo tradizionale il programmatore definisce esplicitamente gran parte delle regole:
- dati + regole → risultato
Nel machine learning il rapporto cambia:
- dati + obiettivo + apprendimento → modello
Immaginiamo di voler prevedere quali clienti potrebbero pagare in ritardo.
Un algoritmo tradizionale utilizzerebbe soglie rigide. Un modello di machine learning potrebbe analizzare casi storici e individuare relazioni tra importi, settori, scadenze, contestazioni e comportamenti precedenti.
Il risultato prodotto viene confrontato con quello atteso attraverso una funzione di perdita, che misura l’errore.
Il gradiente indica quindi come modificare i parametri per ridurre quell’errore. Ripetendo il procedimento moltissime volte, il modello migliora progressivamente le proprie prestazioni.
Questo non significa che la macchina decida tutto autonomamente. Le persone continuano a stabilire:
• quali dati utilizzare; • quale obiettivo perseguire; • come misurare l’errore; • quali risultati accettare; • quali controlli introdurre; • quali decisioni mantenere umane.
La macchina apprende all’interno di un sistema progettato da persone.
𝐂𝐨𝐦𝐞 𝐟𝐮𝐧𝐳𝐢𝐨𝐧𝐚 𝐮𝐧’𝐀𝐈 𝐠𝐞𝐧𝐞𝐫𝐚𝐭𝐢𝐯𝐚?
Quando scriviamo una domanda a un modello linguistico, il processo può essere semplificato così:
- il testo viene suddiviso in token (unità elementari di testo che possono corrispondere a una parola intera, a una parte di parola, a un numero, a un simbolo o a un segno di punteggiatura);
- i token vengono trasformati in rappresentazioni numeriche;
- il modello valuta relazioni e contesto;
- funzioni matematiche e parametri contribuiscono al calcolo;
- il sistema determina una distribuzione di probabilità;
- viene selezionato il token successivo;
- il procedimento viene ripetuto fino a costruire la risposta.
L’AI generativa non recupera necessariamente una risposta già scritta: costruisce progressivamente il testo attraverso un calcolo probabilistico condizionato dal contesto.
Questo spiega sia la sua flessibilità sia uno dei suoi principali limiti: una risposta può essere convincente senza essere corretta.
La probabilità linguistica non coincide con la verità.
𝐃𝐚𝐥𝐥𝐚 𝐦𝐚𝐭𝐞𝐦𝐚𝐭𝐢𝐜𝐚 𝐚𝐥𝐥𝐚 𝐠𝐞𝐬𝐭𝐢𝐨𝐧𝐞 𝐚𝐳𝐢𝐞𝐧𝐝𝐚𝐥𝐞
Possiamo ora ricostruire il percorso:
- dati → funzioni → algoritmi → calcolo → probabilità → output
La freccia rappresenta una trasformazione: a ogni passaggio, le informazioni vengono codificate, elaborate e convertite in una forma successiva.
Ma se un sistema di AI utilizza dati, funzioni e obiettivi, qualcuno deve decidere quali siano quelli corretti.
Prima di introdurre l’intelligenza artificiale, un’impresa dovrebbe chiedersi:
• quale problema vogliamo risolvere? • quale risultato stiamo cercando di ottimizzare? • i dati rappresentano realmente il fenomeno? • come misuriamo l’errore? • chi verifica il risultato? • quali decisioni possono essere automatizzate? • quali devono rimanere umane? • che cosa accade quando il sistema sbaglia?
Ogni sistema di AI ottimizza qualcosa. Il problema manageriale è stabilire se ciò che viene ottimizzato coincide davvero con ciò che crea valore per l’impresa.
Un algoritmo può aumentare le vendite riducendo i margini, accelerare la produzione peggiorando la qualità o ridurre i costi aumentando il rischio.
Può anche produrre un report perfetto partendo da dati sbagliati.
La qualità matematica del modello non corregge automaticamente un obiettivo aziendale mal definito.
È il tema affrontato anche nell’articolo “L’IA non salverà la tua azienda. Se è disordinata, la renderà solo più veloce nel fare confusione”.
𝐋𝐚 𝐫𝐞𝐬𝐩𝐨𝐧𝐬𝐚𝐛𝐢𝐥𝐢𝐭𝐚̀ 𝐫𝐞𝐬𝐭𝐚 𝐮𝐦𝐚𝐧𝐚
L’AI può elaborare quantità di dati e relazioni difficilmente gestibili da una persona. Ma il valore dell’output dipende dalla qualità di dati, obiettivi, processi, controlli e competenze.
Per questo deve essere integrata con capitale umano e gestione aziendale, come approfondito nell’articolo “Intelligenza artificiale per aziende, capitale umano e gestione aziendale: la triade per competere”.
Resta poi una questione più ampia: se l’AI aumenta la produttività riducendo il lavoro necessario, come verrà distribuito il valore prodotto?
Il tema è sviluppato in “Dall’Excel all’intelligenza artificiale: che cosa accade quando la produttività non ha più bisogno del lavoro umano?”.
Nel prossimo articolo seguiremo il percorso completo che conduce dal prompt alla risposta: token, embeddings, transformer, attention, contesto, allucinazioni, retrieval, GPT verticali e human-in-the-loop.
Perché utilizzare davvero l’intelligenza artificiale non significa soltanto sapere quali pulsanti premere.
Significa comprendere che cosa il sistema sta calcolando, quale risultato sta ottimizzando e dove deve continuare a intervenire il giudizio umano.
Dietro lo 0 e l’1 non c’è magia.
Ci sono funzioni, equazioni, algoritmi, dati, capacità di calcolo e scelte umane.
Per approfondimenti: info@aml-consulting.org
#IntelligenzaArtificiale #AI #Algoritmi #SistemaBinario #MachineLearning #AIGenerativa #GPT #Dati #HumanFactor #AIGovernance #BusinessManagement #TrasformazioneDigitale #Innovazione #GestioneAziendale
