AI predittiva e AI generativa, cosa sono e come funzionano

Indice

• Intelligenza artificiale predittiva e previsioni future
• Tecniche di previsione
  • L’approccio dell’AI generativa
  • Deep learning e intelligenza artificiale
  • Conclusioni algoritmiche

Quando cerchiamo di creare attraverso un prompt ben definito un’immagine o un contenuto o se dobbiamo addestrare un modello ad archiviare un gran numero di informazioni allora tocchiamo le sfere dell’AI predittiva e di quella generativa, e viceversa. La prima si concentra sull’analisi dei dati per prevedere eventi futuri, ed è cosa molto importante. E lo fa attraverso algoritmi statistici e linee attive di machine learning per analizzare i dati storici e identificare quei modelli o tendenze che ne nascono. Questi stessi modelli sono poi il trampolino esecutivo per fare previsioni su altri dati ancora non analizzati. Dalla previsione delle tendenze di mercato, alla diagnosi medica basata su informazioni acquisite dei pazienti, fino alla previsione di un dato comportamento dei consumatori.

Intelligenza artificiale predittiva e previsioni future

L’intelligenza artificiale predittiva è quindi estremamente utile in settori come quello della finanza, nelle lande immense del marketing, per la sanità, e anche nella gestione di eventi naturali. Quindi ormai abbiamo capito che l’AI è in tutto, e può definire molte delle mosse che un domani faremo all’interno di un dato settore. Vogliamo prevedere le fluttuazioni del mercato azionario? L’evoluzione delle esigenze dei clienti, o l’insorgenza di determinate malattie in base ai sintomi registrati? Il suo nome è intelligenza artificiale predittiva, e può rispondere a tutte le nostre domande. E come funziona questa AI onnipresente?

Tecniche di previsione

Se vi parlo di tecnica di regressione (lineare, logistica, ecc.), alberi decisionali, reti neurali, e metodi ensemble come Random Forests o Gradient Boosting Machines. Cosa pensate che siano? Semplice. Si tratta di metodiche basate sulla correlazione e causazione (dal latino causatio –onis, der. di causari «causare») identificate nei dati per fare delle previsioni. In questo percoso la qualità e la quantità dei dati storici appaiono davvero cruciali. I modelli predittivi sono tanto più accurati quanto più ampio e rappresentativo è il dataset di addestramento. Un piccolo limite forse, per questa capacità di essere predittiva, è che l’AI di questa tipologia si basa unicamente sull’assunto secondo cui i modelli futuri seguiranno obbligatoriamente quelli passati. Questo vuol dire che se abbiamo a che fare con eventi senza precedenti o cambiamenti improvvisi nei dati, il tutto può sfuggire a qualunque tipo di previsione.

L’approccio dell’AI generativa

L’AI generativa a differenza di quella predittiva si concentra invece sulla creazione di nuovi dati che sono simili (ma non identici) ai dati su cui è stata addestrata. Di questa fanno parte tutte quelle immagini, quei testi, la musica, che amiamo tanto creare. Gli algoritmi generativi non solo imparano dai dati esistenti, ma generano anche nuovi esempi. Uno molto noto è rappresentato dalle Generative Adversarial Networks¹ (GANs), che possono creare immagini che sembrano realistiche ma che in realtà non esistono nel mondo reale. E di queste se ne vedono moltissime in giro. Le GANs sono particolarmente famose nell’AI generativa. Sono composte da due reti neurali, una generatrice e una discriminante, che si “sfidano” a vicenda: la generatrice crea dati, mentre la discriminante valuta la loro autenticità.

Quindi l’intelligenza artificiale generativa non solo analizza i dati, ma è in grado di generarne di nuovi che sono statisticamente simili ai dati originali. Oltre alla creazione artistica, questa AI ha diverse applicazioni pratiche. Una fra tutte è la simulazione dei dati per l’addestramento di altri modelli di intelligenza artificiale, il miglioramento della qualità dell’immagine, e la generazione di modelli 3D per il Metaverso.

Deep learning e intelligenza artificiale

Sia l’AI predittiva che quella generativa sono strettamente collegate al deep learning. Questo utilizza reti neurali profonde, che sono strati di algoritmi ispirati al funzionamento del cervello umano, per imparare dai dati. E impara davvero tanto. Nell’AI predittiva, queste reti neurali possono identificare determinati profili complessi presenti nei dati che sono difficili da rilevare tramite metodi statistici tradizionali. Nell’AI generativa, invece le reti neurali sono addestrate per generare soprattutto nuovi dati che imitano gli input di addestramento.

In entrambi i casi, il deep learning ha rivoluzionato le capacità in potenza dell’intelligenza artificiale. Rendendo possibile l’elaborazione di moltissime informazioni e l’identificazione di modelli che non potrebbero essere evidenti o scopribili con tecniche più semplici. Inoltre, la capacità delle reti neurali di apprendere caratteristiche a diversi livelli di astrazione le rende straordinariamente potenti sia in applicazioni predittive che generative.

Conclusioni algoritmiche

Queste tecnologie hanno un impatto davvero enorme in moltissimi settori. Mi piace ricordare quanto sia diventata importante l’implementazione dell’AI all’interno del Metaverso, o di come la comunicazione, stia prendendo nuove forme di creazione e soprattutto di interazione con gli utenti finali. Nulla sarà più come era prima, questo è sicuro. E di come si mostrerà il futuro ancora non abbiamo un perfetto calcolo di ritorno…ancora per poco.

1. Le Generative Adversarial Networks (GANs) sono una classe di algoritmi di intelligenza artificiale, particolarmente nel campo dell’apprendimento profondo. Sono state introdotte da Ian Goodfellow e i suoi colleghi nel 2014 e da allora hanno guadagnato una grande popolarità, soprattutto per la loro capacità di generare immagini molto realistiche, ma anche per altre applicazioni. ↩︎