Pubblicato: 17 febbraio 2024, ultimo aggiornamento: 22 aprile 2025
L'intelligenza artificiale (AI) comprende molte tecnologie complesse ed emergenti che un tempo richiedevano l'intervento umano e ora possono essere eseguite da un computer. In termini generali, l'AI è un programma, un modello o un computer non umano che dimostra un'ampia gamma di capacità di problem solving e creatività. I computer possono eseguire funzioni avanzate, che storicamente venivano utilizzate per comprendere e consigliare informazioni. Con l'AI 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 di AI possono variare notevolmente.
Qui troverai una serie di termini e concetti relativi all'AI 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 di machine learning creano un algoritmo per fornire al modello input specifici e mostrare gli output ottimali. In generale, gli sviluppatori web non devono eseguire questo passaggio, anche se può essere utile capire come è stato addestrato un determinato modello. Sebbene sia possibile ottimizzare un modello, è meglio dedicare il tuo tempo alla scelta del modello migliore per la tua attività.
L'inferenza è il processo mediante il quale un modello trae conclusioni basate su nuovi dati. Più un modello è addestrato in un'area specifica, più è probabile che l'inferenza crei un output utile e corretto. Tuttavia, non esiste alcuna garanzia di inferenza perfetta, indipendentemente dalla quantità di addestramento ricevuta da un modello.
Ad esempio, Green Light utilizza un modello di AI addestrato sui dati di Google Maps per comprendere i pattern di traffico. Man mano che vengono ricevuti altri dati, viene eseguita l'inferenza per fornire consigli per ottimizzare i semafori
Dove viene eseguita l'AI?
L'addestramento dell'AI viene completato prima del rilascio di un modello. Potrebbe essere necessario un ulteriore addestramento, che potrebbe portare a nuove versioni dei modelli con più funzionalità o accuratezza.
Gli sviluppatori web devono preoccuparsi di dove viene eseguita l'inferenza dell'AI. Il costo dell'utilizzo dell'AI è in gran parte influenzato dall'inferenza. Anche la gamma di funzionalità di un singolo modello è notevolmente influenzata.
AI lato client
Mentre la maggior parte delle funzionalità di AI sul web si basa sui server, l'AI lato client viene eseguita nel browser dell'utente ed esegue l'inferenza sul dispositivo dell'utente. Offre latenza inferiore, costi lato server ridotti, requisiti di chiavi API rimossi, maggiore privacy degli utenti e accesso offline. Puoi implementare l'AI lato client che funziona su tutti i browser con librerie JavaScript, tra cui Transformers.js, TensorFlow.js e MediaPipe.
È possibile che un modello lato client piccolo e ottimizzato superi 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.
AI lato server
L'AI lato server comprende i servizi di AI basati sul cloud. Pensa a Gemini 1.5 Pro in esecuzione su un cloud. Questi modelli tendono a essere molto più grandi e potenti. Ciò vale soprattutto per i modelli linguistici di grandi dimensioni.
IA ibrida
L'AI ibrida si riferisce a qualsiasi soluzione che includa sia un componente client che 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'AI si impegna a generare intelligenza, l'ML è costituito 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 terrestre, calcolare e prevedere i modelli meteorologici e determinare una valutazione confrontando i dati attuali con il contesto storico.
Al contrario, potremmo fornire a un modello di ML un'enorme quantità di dati meteo, finché il modello non apprende la relazione matematica tra i modelli meteorologici, i dati storici e le linee guida su ciò che rende il tempo buono o cattivo in un determinato giorno. Infatti, l'abbiamo creato sul web.
IA generativa e modelli linguistici di grandi dimensioni
L'AI generativa è una forma di machine learning che aiuta gli utenti a creare contenuti che sembrano familiari e imitano la creazione umana. L'AI 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'AI generativa va oltre il riconoscimento di pattern e le previsioni.
Un modello linguistico di grandi dimensioni (LLM) ha numerosi parametri (spesso miliardi) che puoi utilizzare per svolgere un'ampia gamma di attività, come generare, classificare o riassumere testo o immagini.
I chatbot sono diventati strumenti molto popolari per l'utilizzo dell'AI generativa, tra cui:
Questi strumenti possono creare prosa scritta, esempi di codice e illustrazioni. Possono aiutarti a pianificare una vacanza, a rendere più professionale o meno formale il tono di un'email o a classificare diversi insiemi di informazioni in categorie.
Esistono infiniti casi d'uso per sviluppatori e non sviluppatori.
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 previsioni 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'aiuto ai computer per comprendere il linguaggio umano, dalle regole di una lingua particolare alle idiosincrasie, ai dialetti e allo slang usati dalle persone.
Sfide relative all'AI
La creazione e l'utilizzo dell'AI comportano diverse sfide. Di seguito sono riportati solo alcuni punti salienti da prendere in considerazione.
Qualità e aggiornamento dei dati
I grandi set di dati utilizzati per addestrare vari modelli di AI spesso diventano obsoleti poco dopo il loro utilizzo. Ciò significa che, quando cerchi le informazioni più recenti, potresti trarre vantaggio dal prompt engineering per migliorare il rendimento di un modello di AI in attività specifiche e produrre risultati migliori.
I set di dati possono essere incompleti o troppo piccoli per supportare efficacemente alcuni casi d'uso. Può essere utile provare a lavorare con più strumenti o personalizzare il modello in base alle tue esigenze.
Preoccupazioni relative all'etica e ai bias
La tecnologia AI è entusiasmante e ha un grande potenziale. Tuttavia, in definitiva, i computer e gli algoritmi sono creati da esseri umani, addestrati su dati che potrebbero essere raccolti da esseri umani e sono quindi soggetti a diverse sfide. Ad esempio, i modelli possono apprendere e amplificare i pregiudizi umani e gli stereotipi dannosi, influenzando direttamente l'output. È importante affrontare la creazione di tecnologie di AI con la mitigazione dei bias come priorità.
Esistono numerose considerazioni etiche sul copyright dei contenuti generati dall'AI: a chi appartiene l'output, soprattutto se è fortemente influenzato o copiato direttamente da materiale protetto da copyright?
Prima di generare nuovi contenuti e idee, considera le norme esistenti sull'utilizzo del materiale che crei.
Sicurezza e privacy
Molti sviluppatori web hanno affermato che la privacy e la sicurezza sono le loro principali preoccupazioni nell'utilizzo degli strumenti di AI. Ciò è particolarmente vero nei contesti aziendali con requisiti di dati rigorosi, come governi e aziende sanitarie. L'esposizione dei dati utente a un numero maggiore di terze parti con le API cloud è un problema. È importante che la trasmissione dei dati sia sicura e monitorata continuamente.
L'AI lato client potrebbe essere la chiave per risolvere questi casi d'uso. C'è ancora molto da fare in termini di ricerca e sviluppo.
Inizia a utilizzare l'AI sul web
Ora che hai familiarità con i vari 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'AI 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 smart camera
- Affronta lo spam nei commenti con un modello di linguaggio naturale.
- Migliora la tua produttività attivando il completamento automatico per il tuo codice.
- Crea un'esperienza di scrittura WYSIWYG con suggerimenti per la parola o la frase successiva.
- Fornisci una spiegazione di un set di dati comprensibile per gli utenti.
- E altre ancora…
I modelli di AI preaddestrati possono essere un ottimo modo per migliorare i nostri siti web, le nostre app web e la nostra produttività, senza la necessità di comprendere appieno come creare i modelli matematici e raccogliere i set di dati complessi che alimentano gli strumenti di AI più popolari.
Potresti scoprire che la maggior parte dei modelli soddisfa immediatamente le tue esigenze, senza ulteriori modifiche. L'ottimizzazione è il processo di addestramento di un modello già addestrato su un set di dati di grandi dimensioni per soddisfare le tue esigenze di utilizzo specifiche. Esistono diverse tecniche 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 con le preferenze e le intenzioni umane.
- Low-Rank Adaption (LoRA) è un metodo efficiente in termini di parametri per gli LLM che riduce il numero di parametri addestrabili, mantenendo le prestazioni del modello.