INDICE

- Introduzione
- Cap 1) Storia intelligenza artificiale
- Cap 2) L’AI generativa
- Cap 3) Impatto Ai generativa su economia e
industria
- Cap 4) Rischi AI generativa

(capitolo 1) Intelligenza artificiale storia

Cos’è l’intelligenza artifciale (?)
L’Artificial Intelligence (AI) è una disciplina dell’informatica (computer science) che studia lo
sviluppo di sistemi hardware e software dotati di capacità tipiche dell’essere umano, ovvero:

-Interazione con l’ambiente

-Apprendimento

-Adattamento

-Ragionamento

-Pianificazione

Le Origini dell'Intelligenza Artificiale

Il termine "intelligenza artificiale" fu coniato per la prima volta da John McCarthy durante la
conferenza di Dartmouth ad Hanover del 1956. A questa conferenza parteciparono una dozzina di
matematici, fisici e informatici, tra cui i pionieri Marvin Minsky, Nathaniel Rochester e Claude
Shannon. L'obiettivo dichiarato della conferenza era quello di esplorare la possibilità di far sì che le
macchine utilizzassero il linguaggio, formassero astrazioni e concetti, risolvessero problemi
riservati agli esseri umani e migliorassero se stesse.
La conferenza di Dartmouth segnò la nascita ufficiale dell'intelligenza artificiale come campo di
ricerca accademica e scientifica, consolidando l'IA come area di studio con una propria comunità di
ricercatori. Partecipanti come Herbert Simon e Allen Newell, con il loro programma Logic Theorist,
continuarono a fare progressi significativi, contribuendo a definire le linee guida e gli obiettivi della
ricerca sull'IA per i decenni successivi.
Anni '60 e '70: L'Era della Programmazione Simbolica
Negli anni '60 e '70, i primi sistemi AI furono realizzati con l’approccio rule-based o
programmazione simbolica. Un sistema IA rule-based opera sulla base di un insieme predefinito di
regole formulate da esperti del dominio e codificate nel sistema, permettendo al computer di
eseguire compiti specifici seguendo logiche determinate.

Eventi importanti di questo periodo includono:

 1961: Unimate, il primo robot industriale, viene installato in una linea di assemblaggio di
General Motors.
 1965: Joseph Weizenbaum sviluppa ELIZA, uno dei primi programmi di elaborazione del
linguaggio naturale, capace di simulare una conversazione con un terapeuta.
 1972: Prolog, un linguaggio di programmazione logica, viene sviluppato da Alain
Colmerauer e Robert Kowalski, diventando uno strumento fondamentale per lo sviluppo di
sistemi basati sulla conoscenza.

Anni '80: L'Avvento del Machine Learning

A partire dagli anni '80, si verifica un cambiamento significativo con l’avvento del machine
learning. A differenza dei sistemi basati su regole, il machine learning si focalizza
sull’apprendimento dai dati. Attraverso l'analisi di grandi volumi di dati, questi sistemi sono in
grado di apprendere modelli, tendenze e relazioni, migliorando le loro prestazioni nel tempo senza
essere esplicitamente programmati con regole specifiche per ogni possibile situazione.

Tipi di machine learning includono:

1. Apprendimento Supervisionato: L'algoritmo apprende da dati etichettati per fare
previsioni o classificazioni su nuovi dati.
2. Apprendimento Non Supervisionato: L'algoritmo trova pattern o strutture nei dati non
etichettati, come il clustering o l'associazione.
3. Apprendimento per Rinforzo: L'algoritmo apprende attraverso trial and error, ricevendo
ricompense o penalità in base alle azioni compiute.

Anni 2000: Il Boom del Deep Learning

Negli anni 2000, si è sviluppata una branca di particolare interesse e potenziale all'interno del
machine learning: le reti neurali. Le reti neurali sono una specifica classe di algoritmi di machine
learning ispirati alla struttura e al funzionamento del cervello umano. Sono composte da nodi
(neuroni) organizzati in strati (layer), dove ogni neurone riceve input, li elabora tramite una
funzione di attivazione e trasmette l'output ai neuroni dello strato successivo.
Lo sviluppo delle reti neurali ha rappresentato un passaggio critico nell'evoluzione dell'intelligenza
artificiale, ponendo le basi per il deep learning. Questo approccio si basa su reti neurali profonde,
caratterizzate da molti strati nascosti tra l'input e l'output, che permettono di apprendere
rappresentazioni altamente complesse e astratte dai dati.
Geoffrey Hinton e il suo team hanno introdotto il concetto di "deep learning", utilizzando reti
neurali profonde per il riconoscimento di pattern complessi. Il deep learning ha rappresentato una
rivoluzione grazie alla sua capacità di apprendere rappresentazioni di dati a livelli di complessità
crescente, stabilendo nuovi standard di eccellenza in campi come la visione artificiale, il
riconoscimento vocale e l'elaborazione del linguaggio naturale.
I Fattori Abilitanti del Deep Learning, ponendo le basi per l’AI generativa
Non è affatto casuale che la nascita del deep learning sia avvenuta negli anni 2000. In quegli anni si
sono ottenuti miglioramenti esponenziali della potenza computazionale dei computer grazie a
hardware infinitamente più performanti, il crollo dei prezzi di transistor e disk-drive, e una
maggiore velocità di internet. In particolare, l’accesso ai Big Data, attraverso i quali vengono
allenati i sistemi AI basati su reti neurali, ha giocato un ruolo fondamentale. Utilizzando una
metafora, i Big Data per l’AI sono come la benzina per le auto.
In conclusione, l'intelligenza artificiale ha fatto passi da gigante dalla sua nascita negli anni '50,
evolvendo attraverso diverse fasi di sviluppo tecnologico e metodologico, e continua a essere una
delle aree più dinamiche e promettenti della ricerca scientifica e tecnologica.

(capitolo 2) AI GENERATIVA
Gran parte dei fattori abilitanti che hanno permesso la realizzazione dei sistemi AI basati su reti
neurali profonde, hanno posto le condizioni, grazie ai miglioramenti incrementali degli stessi negli
ultimi anni, anche per la nascita del AI Generativa.
L'AI generativa è un ramo dell'intelligenza artificiale che si concentra sulla creazione di
contenuti originali. Utilizzando modelli di machine learning, l'AI generativa può produrre
testi, immagini, musica, video e altri tipi di dati che appaiono come se fossero stati creati
da esseri umani. Questo tipo di AI va oltre il semplice riconoscimento o classificazione dei
dati, spingendosi fino alla creazione di nuovi contenuti basati su schemi appresi dai dati di
addestramento.
Qual è quindi la differenza tra l’AI tradizionale e la generativa(?)
La grande differenza tra l'AI (intelligenza artificiale) e l'AI generativa risiede nel tipo di compiti che
ciascuna tecnologia è progettata per svolgere e nel modo in cui li esegue.

AI Tradizionale

L'AI tradizionale, o AI discriminativa, si concentra principalmente sull'analisi e la

classificazione dei dati esistenti.
Le sue principali applicazioni includono:
Classificazione: Identificare a quale categoria appartiene un dato input. Esempi
includono il riconoscimento di immagini (classificazione di immagini), diagnosi
medica (classificazione di malattie), e rilevamento di spam (classificazione di email).
Regressione: Predire valori continui. Ad esempio, prevedere i prezzi delle case, il
tempo di percorrenza di un viaggio, ecc.
Riconoscimento di Modelli: Riconoscere schemi nei dati, come il riconoscimento
vocale o la trascrizione del parlato in testo.
Analisi Predittiva: Prevedere risultati futuri sulla base di dati storici, come nelle
previsioni meteorologiche o nelle previsioni di vendita.

AI Generativa

L'AI generativa, invece, è progettata per creare nuovi contenuti originali. Le sue
principali applicazioni includono:
Generazione di Testi: Creare articoli, storie, risposte a domande, e altro testo
scritto.
Creazione di Immagini: Generare immagini originali a partire da descrizioni testuali
o migliorare immagini esistenti.
Composizione Musicale: Creare brani musicali originali o assistere nella
composizione musicale.
Generazione di Video: Creare video originali o animazioni basate su descrizioni o
modelli preesistenti.
Sintesi del Linguaggio Naturale: Creare conversazioni realistiche in assistenti virtuali
e chatbot.

Obiettivo:

AI Discriminativa: L'obiettivo
iagnosi medica, rilevamento di frodi, riconoscimento vocale, e traduzione
automatica.
AI Generativa: Esempi includono scrittura automatica di testi, creazione di arte
digitale, composizione musicale, e generazione di deepfake.

Processo:

AI Discriminativa: Impara a mappare input a output, cercando di minimizzare

l'errore di classificazione o previsione.
AI Generativa: Impara a modellare la distribuzione dei dati e genera nuovi campioni
che seguono questa distribuzione.

AI Generativa: L'obiettivo principale è creare nuovi dati o contenuti che non

esistevano in precedenza.

Algoritmi e Modelli:

AI Discriminativa: Utilizza modelli come reti neurali convoluzionali (CNN) per il

riconoscimento di immagini, reti neurali ricorrenti (RNN) per il processamento di
sequenze, e modelli di regressione per previsioni.
AI Generativa: Utilizza modelli come Generative Adversarial Networks (GANs),
Variational Autoencoders (VAEs) e modelli basati su Transformers (come GPT di
OpenAI) per creare nuovi contenuti.

In sintesi, mentre l'AI tradizionale è focalizzata sull'analisi e l'interpretazione dei dati

esistenti per compiti come classificazione e previsione, l'AI generativa è progettata
per creare nuovi CONTENUTI ORIGINALI . Entrambe le tecnologie si basano su
principi simili di machine learning e deep learning, ma differiscono
significativamente nei loro obiettivi, algoritmi utilizzati e applicazioni pratiche.

APPLICAZIONI AI GENERATIVA

Essendo l’AI generativa applicabile a numerosi settori industriali in maniera

trasversale, le sue potenzialità e l’impatto che può avere sull’economia è
eccezionale e la sua diffusione è ancora agli albori.
In ogni caso, affronteremo approfonditamente nel prossimo capitolo l’impatto che
l’ai generativa ha e potenzialmente potrà avere sull’economia e industria,
per adesso ci limitiamo ad osservare le sue applicazioni :

Industria Creativa
Produzione di Contenuti: Generazione automatica di articoli, post sui social media,
sceneggiature, e copywriting pubblicitario.
Design Grafico: Creazione di immagini, loghi, layout di siti web e materiali di
marketing. Gli strumenti di AI generativa possono generare design nuovi e unici in
base a criteri specifici.
Musica e Film: Composizione automatica di brani musicali e produzione di effetti
sonori. Generazione di video, animazioni e visual effects.

E-commerce e Marketing
Personalizzazione del Contenuto: Creazione di descrizioni di prodotto, recensioni e
contenuti di marketing personalizzati per singoli utenti.
Generazione di Immagini di Prodotti: Creazione di immagini di prodotti in varie
configurazioni, colori e ambientazioni senza dover fotografare fisicamente ogni
variante.
Pubblicità Dinamica: Creazione automatica di campagne pubblicitarie
personalizzate, banner e annunci basati sui dati demografici e comportamentali
degli utenti.
Moda e Design
Design di Abbigliamento: Generazione di nuovi modelli di abiti e accessori,
simulazioni di tessuti e creazione di collezioni virtuali.
Prototipazione Virtuale: Creazione di prototipi digitali di prodotti per la valutazione e
il test senza la necessità di creare modelli fisici iniziali.

Settore Sanitario
Diagnosi e Pianificazione del Trattamento: Generazione di immagini mediche
sintetiche per l'addestramento di modelli di AI per la diagnosi e la pianificazione del
trattamento.
Drug Discovery: Utilizzo di modelli generativi per creare nuove molecole e composti
chimici con potenziale terapeutico, accelerando il processo di scoperta di nuovi
farmaci.

Architettura e Ingegneria
Progettazione Generativa: Creazione di progetti architettonici e ingegneristici
ottimizzati per vari vincoli e obiettivi, come l'uso efficiente dei materiali e la
resistenza strutturale.
Simulazioni di Costruzione: Generazione di simulazioni realistiche di edifici e
infrastrutture per la valutazione delle performance e la pianificazione della
costruzione.

Intrattenimento e Media
Creazione di Contenuti: Generazione di storie, dialoghi e personaggi per videogiochi
e narrativa interattiva.
Effetti Visivi: Generazione di effetti visivi realistici e animazioni per film e serie
televisive.

Educazione e Formazione
Materiali Didattici Personalizzati: Creazione di lezioni, quiz e materiali didattici
personalizzati in base alle esigenze degli studenti.
Simulazioni e Realtà Virtuale: Generazione di ambienti virtuali per la formazione
pratica in settori come la medicina, l'aviazione e l'ingegneria.

Finanza
Generazione di Report Finanziari: Creazione automatica di report finanziari, analisi
di mercato e previsioni economiche.
Modellazione di Rischio: Generazione di scenari di rischio e simulazioni per la
valutazione del rischio finanziario.
 Ricerca e Sviluppo
Creazione di Dati Sintetici: Generazione di dati sintetici per l'addestramento di
modelli di machine learning quando i dati reali sono scarsi o difficili da ottenere.
Ottimizzazione dei Processi: Utilizzo di algoritmi generativi per ottimizzare processi
industriali e di produzione, migliorando l'efficienza e riducendo i costi.
Customer Service
Chatbot e Assistenti Virtuali: Creazione di chatbot avanzati e assistenti virtuali capaci
di rispondere a domande complesse e gestire interazioni con i clienti in modo
naturale e coinvolgente.

CAP 3) IMPATTI AI GENERATIVA