L'intelligenza artificiale, che fino a qualche anno fa suonava ancora come qualcosa di sperimentale e sconosciuto, trova oggi applicazione nei contesti più svariati. Si tratta di un tema che, col tempo, assume un'accezione sempre più ampia, sia perché comincia ad essere più conosciuta, sia perché l'evoluzione degli algoritmi e delle tecniche che la compongono sta andando avanti ad una velocità impressionante.
Oggi, si tende a parlare di intelligenza artificiale come sinonimo di machine learning, sebbene quest'ultima non è che una branca (molto vasta ed in costante crescita) di una scienza che include moltissimi altri concetti, non necessariamente basati sull'apprendimento automatico a partire da insiemi di dati molto grandi. Eppure, questa sineddoche è giustificata dai fatti: gli algoritmi di intelligenza artificiale che oggi hanno più successo sono infatti proprio quelli di machine learning, e sempre più spesso quelli che si basano su reti neurali profonde ed estremamente complesse (deep learning).
L'oggetto di questa guida è un concetto piuttosto generico, che però (soprattutto negli ultimi anni) ha avuto un'esplosione proprio grazie ad alcune trovate geniali che sfruttano specifici algoritmi di deep learning. Stiamo parlando dell'intelligenza artificiale generativa.
Cos'è l'intelligenza artificiale generativa?
L'intelligenza artificiale generativa è un campo di ricerca che fa anch'esso parte del più ampio ambito dell'intelligenza artificiale, che si concentra sulla creazione di sistemi AI in grado di generare nuovi dati o creare nuove versioni di dati esistenti. Sono algoritmi che rientrano in questo ambito tutti quelli che consentono di creare immagini di volti estremamente realistici (si veda, ad esempio, il caso di ThisPersonDoesNotExist), ma anche quelli che generano dati più strutturati, oppure suoni, video e quant'altro. Questi risultati possono essere raggiunti attraverso una grande varietà di metodi, deterministici e non. A seconda di ciò che si vuole realizzare, e della qualità che si vuole raggiungere, si avrà a che fare con il machine learning, l'elaborazione del linguaggio naturale (natural language processing, NLP) e l'elaborazione delle immagini digitali (computer vision).
Vantaggi e svantaggi dell'intelligenza artificiale generativa
I modelli di intelligenza artificiale generativa possono essere utili in molti casi. Ad esempio, nuovi dati possono tornare utili per aumentare le dimensioni di un dataset, ed utilizzarlo per addestrare altri sistemi di intelligenza artificiale, dal momento che i modelli moderni sono in grado di generare dati particolarmente realistici (cioè simili e pressocché indistinguibili da quelli reali). Analogamente, si possono utilizzare per creare nuove versioni di dataset esistenti, in modo da utilizzare per validare altri sistemi di AI.
Le ultime applicazioni, inoltre, portano a suggerirci l'uso di questi modelli anche per supportare la generazione di contenuti originali, inclusi quelli che consistono in immagini, video, audio o testi.
Nell'ultimo periodo, però, l'intelligenza artificiale generativa ha iniziato a far preoccupare non poche persone, soprattutto chi ha a che fare con lavori creativi, che rischierebbero di essere rimpiazzati da algoritmi. Secondo i più critici, questi modelli potrebbero essere utilizzati anche per scopi molto più subdoli e pericolosi, sfruttando l'incapacità degli essere umani di distinguerli dai dati reali, come succede ad esempio con i deepfake (video artificiali estremamente realistici, in cui si possono utilizzare immagini di persone reale per creare situazioni false ma molto verosimili).
È evidente che i problemi etici siano significativi, ma in questa guida ci limiteremo a descrivere le potenzialità di questi strumenti, evitando di soffermarci sugli aspetti più controversi che potrebbero derivare da un utilizzo improprio.
Le tecnologie
Per capire meglio il potenziale dei modelli di intelligenza artificiale, abbiamo utilizzato GPT-3 per verificare la capacità di questo modello di produrre risultati credibili. Si tratta di un modello generativo di testi, che può essere utilizzato sia per il completamento automatico di testi parziali, sia per generare nuovi testi in risposta ad alcune domande. Allo scopo di arricchire anche questo stesso articolo, abbiamo posto a GPT-3 la domanda seguente:
“Quale tipo di tecnologia è più comunemente utilizzata per implementare modelli di intelligenza artificiale generativa?”
La risposta è stata abbastanza esaustiva:
“Non esiste una risposta definitiva a questa domanda in quanto diversi modelli possono richiedere diversi tipi di tecnologia. Tuttavia, alcune tecnologie comunemente utilizzate per 'implementazione di modelli di intelligenza artificiale generativa includono reti neurali, alberi decisionali e reti bayesiane.”
Aggiungiamo che, in buona parte dei casi, ci si affida a tecnologie disponibili e facilmente accessibili in Python, soprattutto i framework PyTorch, TensorFlow e Keras (oltre a tecnologie di supporto, inclusi moduli come NumPy, Pandas e molti altri).
Contenuto di questa guida
Nel corso di questa guida ci occuperemo di intelligenza artificiale generativa, focalizzandoci soprattutto sui modelli generativi di immagini. In particolare vedremo quali sono le principali tecniche utilizzate, i modelli più performanti e come usarli al meglio. Infine, faremo riferimento ad alcune risorse che ci permetteranno, con i dovuti limiti, di effettuare il fine-tuning di un modello generativo su un nostro dataset.
