AI generativa (GenAI)

Cos’è l’AI generativa (GenAI)?

Con intelligenza artificiale (AI) generativa si intende un'ampia gamma di modelli e algoritmi progettati per produrre nuovo materiale, imitare la creatività umana e generare nuovi dati. Questi approcci hanno numerose funzioni, dalla generazione di immagini e testo all’agevolazione dello sviluppo di applicazioni creative e di videogiochi. Le seguenti sono otto categorie di intelligenza artificiale generativa.

• Generative Adversarial Network (GAN): le GAN, abbreviazione di Generative Adversarial Network, sono state proposte per la prima volta da Ian Goodfellow nel 2014 come un tipo di modello di deep learning. Il sistema è composto da due reti neurali, vale a dire il generatore e il discriminatore, che prendono parte a un processo competitivo. Il generatore produce istanze di dati mentre il discriminatore ne valuta la qualità. Questo motiva il generatore a migliorare la sua produzione e a creare materiale autentico e di alta qualità.
• Autoencoder variazionali (VAE): i VAE sono modelli generativi che utilizzano le reti neurali per apprendere una rappresentazione compressa dei dati di input. Introducono elementi probabilistici, consentendo la generazione di output eterogenei. I VAE vengono comunemente utilizzati per attività quali la generazione di immagini e l'apprendimento di rappresentazioni.
• Modelli autoregressivi: i modelli autoregressivi producono sequenze di dati modellando la probabilità condizionata di ciascun elemento in base agli elementi precedenti. Esempi importanti sono i modelli linguistici autoregressivi come GPT (Generative Pre-trained Transformer), che prevedono la parola successiva in una sequenza.
• Reti neurali ricorrenti (RNN): le RNN sono un tipo di rete neurale in grado di elaborare dati sequenziali utilizzando connessioni di feedback. Vengono utilizzati in attività generative che richiedono di considerare la disposizione sequenziale dei componenti, come l'elaborazione del linguaggio naturale e la previsione delle serie temporali. Questo dimostra anche che hanno difficoltà a cogliere la dipendenza a lungo termine.
• Modelli basati sui trasformatori: i trasformatori hanno assunto un’importanza sempre maggiore in una vasta gamma di attività che comportano la generazione di contenuti, in particolare a causa della popolarità di modelli come GPT e BERT. Il loro sistema di attenzione consente un'elaborazione efficiente degli input sequenziali, sono quindi abili nella traduzione tra lingue, nella sintesi e nella produzione di testi.
• Apprendimento per rafforzamento per le attività generative: per aumentare al massimo le ricompense, i modelli vengono addestrati a prendere decisioni in sequenza in un ambiente tramite l'apprendimento per rafforzamento. Quando viene utilizzato in attività generative, può dare origine a sistemi di intelligenza artificiale che acquisiscono la capacità di generare materiale incorporando input, come si vede nei settori della creazione di videogiochi o della produzione artistica.
• Reti neurali: le reti neurali costituiscono la base fondamentale di numerosi modelli generativi. Le reti neurali profonde, costituite da numerosi livelli, offrono la capacità di acquisire modelli e rappresentazioni complessi, rendendole indispensabili in attività come la generazione di immagini e voce.
• Algoritmi genetici: gli algoritmi genetici sono tecniche di ottimizzazione che traggono ispirazione dall'evoluzione biologica. Nell'ambito dell’AI generativa, possono far progredire le soluzioni attraverso diverse generazioni, migliorando e perfezionando il materiale prodotto con una funzione di fitness predeterminata.

Sistemi basati su regole: i sistemi basati su regole utilizzano regole prestabilite e il ragionamento logico per produrre informazioni. Sebbene le tecniche basate sull'apprendimento siano più flessibili, gli approcci basati su regole sono utili in situazioni che richiedono un controllo esplicito sul processo di creazione, come alcune forme di sviluppo di contenuti procedurali.