Molti strumenti di IA generativa sembrano possedere un potere di previsione. I chatbot di IA conversazionale come ChatGPT possono suggerire il verso successivo in una canzone o una poesia. I software come DALL-E o Midjourney possono creare opere d'arte originali o immagini realistiche a partire da descrizioni in linguaggio naturale. Gli strumenti di completamento automatico come GitHub Copilot possono raccomandare le linee di codice successive.
Ma l'IA generativa non è l'IA predittiva. L'IA predittiva è una classe di intelligenza artificiale a sé stante, e anche se è un approccio meno conosciuto, rimane uno strumento potente per le aziende. Esaminiamo le due tecnologie e le loro principali differenze.
Cos'è l'IA generativa?
L'IA generativa (gen AI) è l'intelligenza artificiale che risponde al prompt di un utente con un contenuto originale generato (audio, immagini, codice software, testo o video).
I modelli di IA generativa sono addestrati su volumi massivi di dati grezzi. Questi modelli si basano poi sugli schemi e sulle relazioni codificate nei loro dati di addestramento per comprendere le query degli utenti e creare un nuovo contenuto pertinente, simile, senza essere identico, ai dati di origine.
La maggior parte dei modelli di IA generativa inizia con un modello di fondazione, un tipo di apprendimento profondo che «impara» a generare produzioni statisticamente probabili quando gli viene sottoposto un prompt. I grandi modelli di linguaggio (LLM) sono un modello di fondazione comune per la generazione di testo, ma altri modelli di fondazione esistono per diversi tipi di generazione di contenuto.
Le ultime tendenze in materia di IA, viste dagli esperti: ottieni informazioni sulle notizie più importanti e intriganti in materia di intelligenza artificiale. Abbonati alla nostra newsletter settimanale Think. Leggi la dichiarazione di privacy di IBM.
Grazie! Sei abbonato/a.
Cos'è l'IA predittiva?
L'IA predittiva mescola l'analisi statistica agli algoritmi di machine learning per individuare le tendenze nei dati e prevedere i risultati. Essa estrae informazioni dai dati storici per fare previsioni accurate sull'evento, il risultato o la tendenza futura più probabili.
I modelli di IA predittiva migliorano la rapidità e la precisione dell'analisi predittiva e sono generalmente utilizzati per la previsione aziendale al fine di proiettare le vendite, stimare la domanda di prodotti o servizi, personalizzare l'esperienza del cliente e ottimizzare la logistica. In breve, l'IA predittiva aiuta le aziende a prendere decisioni informate riguardo al prossimo passo da intraprendere per la loro attività.
AI Academy: L'ascesa dell'IA generativa per le aziende. Scopri l'ascesa storica dell'IA generativa e cosa significa per le aziende. Accedi all'episodio.
Qual è la differenza tra l'IA generativa e l'IA predittiva?
L'IA generativa e l'IA predittiva rientrano entrambe nell'IA, ma sono distinte. Ecco in cosa le due tecnologie differiscono:
Dati di input o di addestramento
L'IA generativa è addestrata su grandi set di dati che contengono milioni di esempi di contenuti. L'IA predittiva può utilizzare set di dati più piccoli e più mirati come dati di input.
Output
Mentre entrambi i sistemi di IA utilizzano un elemento di previsione per le loro produzioni, l'IA generativa crea contenuti nuovi, mentre l'IA predittiva prevede eventi e risultati futuri.
Algoritmi e architetture
La maggior parte dei modelli di IA generativa si basa su queste architetture:
- I modelli di diffusione funzionano aggiungendo prima rumore ai dati di addestramento in modo da renderli casuali e incomprensibili, quindi addestrando l'algoritmo a diffondere il rumore in modo iterativo per rivelare l'output desiderato.
- Le reti antagoniste generative (GAN) sono costituite da due reti neurali: un generatore che produce nuovi contenuti e un discriminatore che valuta la precisione e la qualità del contenuto generato. Questi algoritmi antagonisti spingono il modello a generare risultati di qualità crescente.
- I modelli di Transformers utilizzano il concetto di attenzione per determinare cosa è più importante nei dati di una sequenza. I Transformers utilizzano quindi questo meccanismo di auto-attenzione per elaborare simultaneamente sequenze intere di dati, catturare il contesto dei dati all'interno della sequenza e codificare i dati di addestramento in embedding o iperparametri che rappresentano i dati e il loro contesto.
- Gli autoencoder variazionali (VAE) sono modelli generativi che apprendono rappresentazioni compresse dei loro dati di addestramento e creano variazioni di queste rappresentazioni per generare nuovi campioni di dati.
Nel frattempo, molti modelli di IA predittiva applicano questi algoritmi statistici e questi modelli di machine learning:
- Il clustering permette di classificare diversi punti di dati o osservazioni in gruppi o cluster in base alle somiglianze, con l'obiettivo di comprendere gli schemi di dati sottostanti.
- Gli alberi di decisione implementano una strategia di frazionamento di tipo «dividi e conquista» per una classificazione ottimale. Allo stesso modo, gli algoritmi di foresta casuale combinano la produzione di più alberi di decisione per raggiungere un unico risultato.
- I modelli di regressione determinano le correlazioni tra le variabili. La regressione lineare, ad esempio, rappresenta una relazione lineare tra due variabili.
- I metodi di serie temporali modellano i dati storici sotto forma di una serie di punti di dati tracciati in ordine cronologico al fine di fare previsioni sulle tendenze future.
Spiegabilità e interpretabilità
La maggior parte dei modelli di IA generativa manca di spiegabilità, poiché è spesso difficile, se non impossibile, comprendere i processi decisionali che sottostanno ai loro risultati. Al contrario, le stime predittive dell'IA sono più spiegabili, poiché si basano su numeri e statistiche. Ma l'interpretazione di queste stime dipende sempre dal giudizio umano, e un'interpretazione errata può portare a misure sbagliate.
Casi d'uso dell'IA generativa e dell'IA predittiva
La scelta di utilizzare l'IA dipende da diversi fattori. In un video di IBM AI Academy, che presenta la selezione del giusto caso d'uso di IA per la tua attività, Nicholas Renotte, ingegnere capo dell'IA presso IBM Client Engineering, sottolinea che «in fin dei conti, scegliere il giusto caso d'uso per gli strumenti di IA generativa, IA e machine learning richiede di prestare particolare attenzione alle numerose componenti. Devi assicurarti che la migliore tecnologia risolva il problema adeguato.»
Il discorso è lo stesso per la scelta di optare per l'IA generativa o l'IA predittiva. «Se stai implementando l'IA per la tua attività, devi davvero riflettere sul tuo caso d'uso per sapere se è adatto all'IA generativa o se è più appropriato per un'altra tecnica o un altro strumento di IA», spiega il signor Renotte. «Ad esempio, molte aziende desiderano generare previsioni finanziarie, ma ciò non richiederà generalmente una soluzione di IA generativa, soprattutto quando esistono modelli che possono farlo per una frazione del costo.»
I casi d'uso dell'IA generativa
Poiché eccelle nella creazione di contenuto, l'IA generativa ha molteplici casi d'uso. Altri sono suscettibili di apparire a misura che la tecnologia progredisce. Ecco come le applicazioni di IA generativa possono essere implementate in diversi settori: