Pubblicato: 17 febbraio 2024, ultimo aggiornamento: 22 aprile 2025
L'intelligenza artificiale (IA) comprende molte tecnologie emergenti complesse che un tempo richiedevano l'intervento umano e ora possono essere eseguite da un computer. In generale, l'IA è un programma, un modello o un computer non umano che dimostra una vasta gamma di creatività e capacità di risolvere problemi. I computer possono eseguire funzioni avanzate, che storicamente sono state utilizzate per comprendere e consigliare informazioni. Con l'IA generativa, i computer possono persino generare nuovi contenuti.
L'acronimo AI viene spesso utilizzato in modo intercambiabile per rappresentare vari tipi di tecnologie nel campo dell'intelligenza artificiale, ma le funzionalità dell'IA possono variare notevolmente.
Qui troverai una serie di termini e concetti relativi all'IA in pratica sul web. Per saperne di più sul machine learning, consulta il glossario del machine learning.
Come funziona l'AI?
L'addestramento è il primo passaggio per ogni modello, in cui gli ingegneri del machine learning creano un algoritmo per fornire al modello input specifici e dimostrare gli output ottimali. In generale, gli sviluppatori web non devono eseguire questo passaggio, anche se potrebbe essere utile capire in che modo è stato addestrato un determinato modello. Sebbene sia possibile ottimizzare un modello, è meglio impiegare il tuo tempo per scegliere il modello migliore per la tua attività.
L'inferenza è il processo mediante il quale un modello trae conclusioni in base a nuovi dati. Maggiore è l'addestramento di un modello in un'area specifica, maggiore è la probabilità che l'inferenza crei un output utile e corretto. Tuttavia, non esiste alcuna garanzia di inferenza perfetta, indipendentemente dall'addestramento ricevuto da un modello.
Ad esempio, Green Light utilizza un modello di IA addestrato sui dati di Google Maps per comprendere i pattern di traffico. Man mano che vengono ricevuti più dati, viene eseguita l'inferenza per fornire consigli per ottimizzare i semafori.
Dove viene eseguita l'AI?
L'addestramento dell'IA viene completato prima del rilascio di un modello. Potrebbe essere necessaria un'ulteriore formazione che potrebbe portare a nuove versioni dei modelli con più funzionalità o accuratezza.
Gli sviluppatori web devono preoccuparsi di dove viene eseguita l'inferenza IA. Il costo dell'utilizzo dell'IA è in gran parte influenzato dall'inferenza. Anche l'ampiezza delle funzionalità di un singolo modello è notevolmente influenzata.
AI lato client
Sebbene la maggior parte delle funzionalità di IA sul web si basi su server, l'IA lato client viene eseguita nel browser dell'utente ed esegue l'inferenza sul suo dispositivo. Ciò offre una latenza inferiore, costi lato server ridotti, requisiti delle chiavi API rimossi, maggiore privacy degli utenti e accesso offline. Puoi implementare l'AI lato client che funziona su più browser con librerie JavaScript, tra cui Transformers.js, TensorFlow.js e MediaPipe.
È possibile che un modello lato client piccolo e ottimizzato abbia un rendimento migliore rispetto a un corrispondente lato server più grande, soprattutto se ottimizzato per il rendimento. Valuta il tuo caso d'uso per determinare la soluzione più adatta a te.
IA lato server
L'IA lato server comprende i servizi di IA basati su cloud. Pensa a Gemini 1.5 Pro in esecuzione su un cloud. Questi modelli tendono ad essere molto più grandi e potenti. Ciò è particolarmente vero per i modelli linguistici di grandi dimensioni.
IA ibrida
Per IA ibrida si intende qualsiasi soluzione che includa sia un componente client sia un componente server. Ad esempio, puoi utilizzare un modello lato client per eseguire un'attività e passare a un modello lato server quando l'attività non può essere completata sul dispositivo.
Machine learning (ML)
Il machine learning (ML) è il processo mediante il quale un computer apprende ed esegue attività senza una programmazione esplicita. Mentre l'IA si impegna a generare intelligenza, l'ML è costituita da algoritmi per fare previsioni sui set di dati.
Ad esempio, supponiamo di voler creare un sito web che valuti il meteo in un determinato giorno. Tradizionalmente, questa operazione può essere eseguita da uno o più meteorologi, che possono creare una rappresentazione dell'atmosfera e della superficie della Terra, calcolare e predire i modelli meteorologici e determinare una classificazione confrontando i dati attuali con il contesto storico.
Potremmo invece fornire a un modello di ML una quantità enorme di dati meteo, finché il modello non impara la relazione matematica tra modelli meteorologici, dati storici e linee guida su cosa rende il tempo buono o cattivo in un determinato giorno. In effetti, lo abbiamo creato sul web.
IA generativa e modelli linguistici di grandi dimensioni (LLM)
L'IA generativa è una forma di machine learning che aiuta gli utenti a creare contenuti familiari che simulano la creazione umana. L'IA generativa utilizza modelli linguistici di grandi dimensioni per organizzare i dati e creare o modificare testo, immagini, video e audio in base al contesto fornito. L'IA generativa va oltre la corrispondenza dei pattern e le previsioni.
Un modello linguistico di grandi dimensioni (LLM) ha numerosi (spesso miliardi) parametri che puoi utilizzare per svolgere un'ampia gamma di attività, come generare, classificare o riassumere testo o immagini.
I chatbot sono diventati strumenti incredibilmente popolari per l'utilizzo dell'IA generativa, tra cui:
Questi strumenti possono creare prosa scritta, esempi di codice e artwork. Possono aiutarti a pianificare una vacanza, ad ammorbidire o rendere professionale il tono di un'email o a classificare in categorie diversi insiemi di informazioni.
Esistono infiniti casi d'uso per sviluppatori e non.
Deep learning
Il deep learning (DL) è una classe di algoritmi di ML. Un esempio sono le reti neurali profonde (DNN), che tentano di modellare il modo in cui si ritiene che il cervello umano elabori le informazioni.
Un algoritmo di deep learning può essere addestrato ad associare determinate caratteristiche delle immagini a un'etichetta o una categoria specifica. Una volta addestrato, l'algoritmo può fare predizioni che identificano la stessa categoria in nuove immagini. Ad esempio, Google Foto può identificare la differenza tra gatti e cani in una foto.
Elaborazione del linguaggio naturale (NLP, Natural Language Processing)
L'elaborazione del linguaggio naturale è una classe di ML che si concentra sull'aiutare i computer a comprendere il linguaggio umano, dalle regole di un determinato linguaggio alle idiosincrasie, ai dialetti e allo slang utilizzati dalle persone.
Sfide dell'IA
Esistono diverse sfide nella creazione e nell'utilizzo dell'IA. Di seguito sono riportati solo alcuni aspetti da prendere in considerazione.
Qualità e attualità dei dati
I set di dati di grandi dimensioni utilizzati per addestrare vari modelli di IA sono spesso, per loro natura, obsoleti poco dopo l'utilizzo. Ciò significa che, quando cerchi le informazioni più recenti, puoi trarre vantaggio dal prompt engineering per migliorare le prestazioni di un modello di IA in attività specifiche e produrre output migliori.
I set di dati possono essere incompleti o troppo piccoli per supportare efficacemente alcuni casi d'uso. Può essere utile provare a utilizzare più strumenti o personalizzare il modello in base alle tue esigenze.
Problemi di etica e bias
La tecnologia IA è entusiasmante e ha un grande potenziale. Tuttavia, alla fine, computer e algoritmi sono creati da persone, addestrati su dati che possono essere raccolti da persone e, di conseguenza, sono soggetti a diverse sfide. Ad esempio, i modelli possono apprendere e amplificare i pregiudizi umani e gli stereotipi dannosi, con un impatto diretto sull'output. È importante affrontare la creazione di una tecnologia di IA dando priorità alla mitigazione dei bias.
Esistono numerosi aspetti etici relativi al copyright dei contenuti creati con l'IA: chi possiede l'output, soprattutto se è fortemente influenzato o copiato direttamente da materiale protetto da copyright?
Prima di generare nuovi contenuti e idee, consulta le norme esistenti su come utilizzare il materiale che crei.
Sicurezza e privacy
Molti sviluppatori web hanno dichiarato che la privacy e la sicurezza sono le loro principali preoccupazioni nell'utilizzo degli strumenti di IA. Questo è particolarmente vero in contesti aziendali con requisiti di dati rigorosi, come governi e aziende sanitarie. L'esposizione dei dati utente a più terze parti con le API cloud è un problema. È importante che qualsiasi trasmissione di dati sia sicura e monitorata continuamente.
L'AI lato client potrebbe essere la chiave per gestire questi casi d'uso. C'è ancora molto da fare in termini di ricerca e sviluppo.
Inizia a utilizzare l'IA sul web
Ora che hai familiarità con i numerosi tipi di intelligenza artificiale, puoi iniziare a valutare come utilizzare i modelli esistenti per aumentare la produttività e creare siti web e applicazioni web migliori.
Potresti utilizzare l'IA per:
- Crea un completamento automatico migliore per la ricerca del tuo sito.
- Rileva la presenza di oggetti comuni, come persone o animali domestici, con una videocamera intelligente
- Risolvi i problemi di spam nei commenti con un modello di linguaggio naturale.
- Migliora la tua produttività attivando il completamento automatico per il codice.
- Crea un'esperienza di scrittura WYSIWYG con suggerimenti per la parola o la frase successiva.
- Fornisci una spiegazione comprensibile di un set di dati.
- E altre ancora…
I modelli di IA preaddestrati possono essere un ottimo modo per migliorare i nostri siti web, le app web e la produttività, senza bisogno di comprendere appieno come creare i modelli matematici e raccogliere set di dati complessi alla base degli strumenti di IA più diffusi.
Potresti scoprire che la maggior parte dei modelli soddisfa immediatamente le tue esigenze, senza ulteriori modifiche. L'ottimizzazione è il processo di addestramento ulteriore di un modello già addestrato su un set di dati di grandi dimensioni per soddisfare le tue specifiche esigenze di utilizzo. Esistono diversi modi per ottimizzare un modello:
- L'apprendimento per rinforzo con feedback umano (RLHF) è una tecnica che utilizza il feedback umano per migliorare l'allineamento di un modello alle preferenze e alle intenzioni umane.
- L'adattamento a basso ranking (LoRA) è un metodo efficiente per i parametri degli LLM che riduce il numero di parametri addestrabili, mantenendo al contempo le prestazioni del modello.