Floridi: “L’intelligenza artificiale non esiste”

“L’intelligenza artificiale non esiste! Esistono straordinarie, potentissime tecnologie, che nelle mani di un’intelligenza umana capace potrà fare delle cose straordinarie altrimenti finisce male. Per questi motivi è fondamentale investire nella Formazione per consentire alle giovani generazioni di gestire queste nuove tecnologie, potentissime, nel modo migliore: in modo informato, critico e intelligente”.
È uno dei passaggi più significati dell’intervento di Luciano Floridi, nuovo presidente della Fondazione Leonardo ETS presentata alla Camera dei Deputati insieme a Roberto Cingolani, AD di Leonardo, e a Helga Cossu, Direttore Generale della Fondazione Leonardo ETS. Ha moderato Jordan Foresi, coordinatore del Progetto Outreach della Fondazione.
📽️ Il videointervento integrale dell’intervento del prof. Floridi

[embedded content]

Leggi le altre notizie sull’home page di Key4biz

https://www.key4biz.it/floridi-lintelligenza-artificiale-non-esiste/520710/




Le italiane AIKO e Tyvak International testano l’AI nelle operazioni satellitari

AI e spazio: la collaborazione tra AIKO e Tyvak International

Oggi la competizione globale si gioca sulla capacità di sviluppare tecnologie autonome, tra cui l’intelligenza artificiale (AI). In questo, affidarsi esclusivamente a modelli esteri (OpenAI, DeepMind, Baidu, ecc.) significa dipendere da soluzioni sviluppate da altri Paesi, con il rischio di perdere controllo su dati strategici e algoritmi.

Le startup, come le piccole e medie imprese, possono diventare motori di crescita per il tessuto industriale italiano, creando nuove opportunità di business e favorendo la competitività delle imprese, allo stesso tempo possono aiutare nella costruzione di un ecosistema AI indipendente, evitando la colonizzazione digitale da parte delle big tech straniere.

La scaleup torinese AIKO, che sviluppa software avanzati basati sull’AI e l’automazione per applicazioni spaziali, e Tyvak International, azienda italiana ed europea che realizza nano – e micro – satelliti, hanno annunciato una collaborazione per ottimizzare la gestione operativa dei satelliti e ridurre il carico di lavoro degli operatori, aumentando l’efficienza e la sicurezza delle missioni spaziali.

Il software gifted_GENE applicato a un satellite CubeSat 6U

“Insieme a Tyvak International è stato possibile testare sul campo l’efficacia e l’efficienza del sistema gifted_GENE, confermando la validità dell’approccio. I risultati promettono di ridefinire i confini dell’esplorazione spaziale, stabilendo un nuovo paradigma nel settore in termini di efficienza, precisione e avanzamento tecnologico”, ha spiegato Lorenzo Feruglio, CEO e Co-founder di AIKO.

“Grazie all’AI, siamo riusciti a ottimizzare la gestione dei dati e la pianificazione delle missioni, riducendo tempi e margini di errore. Ciò che ci entusiasma di più è il potenziale che questa tecnologia ha di rivoluzionare completamente le missioni spaziali”, ha aggiunto Fabio Nichele, CEO di Tyvak International.

L’AI applicata ai progetti di missioni spaziali porta benefici tangibili alle aziende e ai team che operano nel settore, aprendo a nuove opportunità di innovazione e di crescita economica.

Test e risultati

Il sistema gifted_GENE, integrato con un satellite cubesat 6U di Tyvak International, attualmente in orbita, ha elaborato e analizzato dieci flussi di telemetria provenienti da due settimane di dati in soli 3 minuti, riducendo drasticamente i tempi di analisi rispetto ai metodi tradizionali.

Con l’automatizzazione dei processi, questo tempo è stato ridotto, consentendo ai team di concentrarsi su operazioni strategicamente più rilevanti per la profittabilità della missione. 

In termini pratici, il sistema ha rilevato 4 anomalie su 5 con un solo falso positivo alla settimana per ogni componente, superando in modo significativo l’efficacia dei metodi tradizionali, che vedono il coinvolgimento diretto degli operatori.

Prima dell’integrazione dell’AI, gli operatori dovevano dedicare circa il 30% del loro tempo a eseguire manualmente ispezioni e controlli sui dati telemetrici.

Leggi le altre notizie sull’home page di Key4biz

https://www.key4biz.it/le-italiane-aiko-e-tyvak-international-testano-lai-nelle-operazioni-satellitari/520576/




Il mercato AI in Italia cresce (+58%) ma resta fragile, poche startup e PMI in ritardo. La PA investe (+100%) ma pesa solo il 6% sul mercato

Il mercato AI in Italia cresce rapidamente (+58%), ma resta fragile: poche startup, PMI in ritardo e dipendenza da soluzioni estere. La PA investe (+100%) ma pesa solo il 6% sul mercato. Servono più competenze, strategie nazionali chiare e investimenti per un ecosistema AI autonomo.

Lo rivelano i nuovi dati dell’Osservatorio Artificial Intelligence del Politecnico di Milano, che evidenziano un quadro complesso fatto di crescita accelerata, disparità nell’adozione tra imprese e un’ampia diffusione della conoscenza teorica dell’AI tra i cittadini.

Crescita e struttura del mercato

Con un valore di 1,2 miliardi di euro e una crescita del +58% rispetto al 2023, l’AI in Italia mostra un trend espansivo notevole, trainato soprattutto dalla Generative AI (43% del mercato) e dalle soluzioni di AI tradizionale (57%). I settori più attivi sono Telco&Media, Insurance, Energy, Banking&Finance, con una forte accelerazione nel comparto GDO&Retail. La Pubblica Amministrazione pesa ancora poco (6% del mercato), ma sta crescendo a un ritmo superiore al 100%.

Il divario tra grandi imprese e PMI

Se da un lato le grandi imprese si stanno muovendo verso un’integrazione dell’AI nei processi aziendali (59% ha un progetto attivo, il 65% sperimenta la Generative AI), dall’altro il settore delle PMI è in forte ritardo: solo il 7% delle piccole e il 15% delle medie imprese ha avviato progetti di AI. La scarsa adozione è legata principalmente alla difficoltà nella gestione dei dati, che rappresenta una barriera tecnologica ed economica. Tuttavia, il 58% delle PMI mostra interesse per il tema, spesso limitandosi all’utilizzo di strumenti pronti all’uso e low-cost.

L’Italia in ritardo rispetto all’Europa, ma tra i primi per l’uso di tool preconfezionati

Il confronto con altri otto Paesi europei (tra cui Francia, Germania, Spagna e Regno Unito) mostra che l’adozione dell’AI in Italia è più lenta:

  • 81% delle grandi imprese ha almeno valutato un progetto, contro una media europea dell’89%.
  • 59% ha un progetto attivo, contro il 69% della media UE.
  • Solo il 28% delle aziende attive nell’AI ha adottato misure concrete per la compliance normativa (AI Act), evidenziando un percorso ancora lungo.

Nonostante ciò, l’Italia è tra i primi Paesi per acquisto di soluzioni GenAI preconfezionate: 53% delle grandi imprese ha licenze per strumenti come ChatGPT o Copilot, più di Francia, Germania e Regno Unito.

Il 39% delle aziende che utilizza strumenti di AI generativa ha riscontrato un effettivo aumento della produttività, mentre un ulteriore 48% non ha ancora effettuato una valutazione quantitativa. Tuttavia, il 17% delle aziende ha vietato l’uso di tool non approvati per prevenire problemi legati alla Shadow AI.

La percezione dei cittadini: alta consapevolezza, ma diffidenza sul lavoro

Il 99% degli italiani ha sentito parlare di AI, l’89% conosce la Generative AI (con un aumento di +32 punti rispetto al 2023). Tuttavia, l’atteggiamento nei confronti dell’AI sta diventando meno positivo:

  • Il 59% degli italiani ha un’opinione positiva, ma in calo di 8 punti rispetto al 2023.
  • Solo il 17% dei lavoratori valuta molto positivamente l’adozione dell’AI sul lavoro.
  • Le principali preoccupazioni riguardano la manipolazione delle informazioni (Deepfake) e l’impatto sull’occupazione.

Il ruolo della ricerca e della formazione

L’Italia è ben posizionata nella produzione scientifica e ha beneficiato di finanziamenti per la ricerca, come i 28,7 milioni di euro erogati attraverso la fondazione FAIR. Tuttavia, resta il problema della fuga di talenti, con un saldo negativo nella capacità di trattenere esperti del settore.

Nella formazione, aumentano i corsi universitari e gli ITS dedicati all’AI, ma la conoscenza dell’AI tra i cittadini rimane superficiale.

Quali sfide per il futuro?

Secondo la ricerca il mercato italiano dell’AI è in forte crescita, ma le sfide principali sono:

  1. Ridurre il divario tra grandi imprese e PMI, supportando queste ultime nella gestione dei dati e nell’adozione di soluzioni accessibili.
  2. Migliorare la regolamentazione e la compliance all’AI Act, attualmente poco chiara per molte aziende.
  3. Favorire lo sviluppo di startup AI italiane, ancora poco attrattive per gli investitori.
  4. Potenziare la formazione e la ricerca, con un focus sulla fidelizzazione dei talenti per evitare la fuga all’estero.
  5. Gestire i timori dei lavoratori, dimostrando i benefici dell’AI senza trascurare le preoccupazioni legate all’occupazione.

Leggi le altre notizie sull’home page di Key4biz

https://www.key4biz.it/il-mercato-ai-in-italia-cresce-58-ma-resta-fragile-poche-startup-e-pmi-in-ritardo-la-pa-investe-100-ma-pesa-solo-il-6-sul-mercato/520518/




Il ministero dell’industria della Corea del Sud vieta temporaneamente l’accesso a DeepSeek per motivi di sicurezza

Generative AI Insights è la rubrica curata da Recomb, il think tank dedicato all’esplorazione dell’impatto e del potenziale dell’AI generativa in vari aspetti della vita umana. Recomb studia l’AI generativa da tutte le angolazioni: professionale, etica, tecnica, legale, economica, ambientale, sociale, educativa e culturale. Per leggere tutti gli articoli della rubrica Generative AI Insights su Key4biz clicca qui..

Il ministero dell’industria della Corea del Sud ha imposto un divieto temporaneo ai propri dipendenti sull’uso di DeepSeek, una startup cinese di AI, per timori legati alla sicurezza. La decisione è stata annunciata dopo che il governo ha esortato le agenzie pubbliche a prestare attenzione nell’utilizzo di servizi di AI generativa come DeepSeek e ChatGPT nei contesti lavorativi.

Anche l’azienda statale Korea Hydro & Nuclear Power aveva già bloccato l’accesso a questi strumenti all’inizio del mese.

La Corea del Sud si aggiunge così ad altri governi che stanno esaminando i rischi legati a DeepSeek. L’Australia, attraverso il Tesoriere Jim Chalmers, ha recentemente invitato i cittadini alla prudenza nell’uso del modello cinese, mentre gli Stati Uniti stanno valutando le implicazioni per la sicurezza nazionale. Parallelamente, l’autorità coreana per la privacy ha annunciato un’indagine per verificare la gestione delle informazioni personali degli utenti da parte di DeepSeek.

Il settore tecnologico sudcoreano sta adottando precauzioni simili. Kakao Corp ha chiesto ai propri dipendenti di evitare l’uso di DeepSeek, nonostante la recente partnership con OpenAI. SK Hynix, produttore di chip per AI, ha limitato l’uso della tecnologia generativa, mentre Naver ha vietato l’impiego di AI che archiviano dati al di fuori della propria infrastruttura.

L’espansione rapida di DeepSeek sta dunque sollevando preoccupazioni globali, riflettendo il crescente dibattito sulla sicurezza e la regolamentazione dell’AI cinese.

Per maggiori informazioni, clicca per l’articolo originale.

BlackRock assumerà 1.200 persone in India per sviluppare le capacità di AI

BlackRock Inc., il più grande gestore patrimoniale al mondo, ha annunciato un’importante espansione in India con l’assunzione di circa 1.200 nuovi dipendenti. L’iniziativa mira a potenziare due centri operativi, noti come iHubs, situati a Mumbai e Gurugram.

Inoltre, BlackRock sta acquisendo un centro globale con circa 1.500 dipendenti a Bangalore attraverso l’acquisizione della società di dati Preqin.

L’obiettivo principale di questa espansione è rafforzare le capacità di AI dell’azienda. Per questo motivo, BlackRock assumerà ingegneri e specialisti di dati per sviluppare prodotti e servizi avanzati, tra cui ricerca sugli investimenti, gestione del rischio, ingegneria finanziaria e analisi dei dati.

L’India sta emergendo come un hub globale per centri di eccellenza, e si stima che questo settore raggiungerà un valore di 110 miliardi di dollari entro il 2030, con oltre 4,5 milioni di impiegati. Per supportare la crescita, BlackRock ha anche affittato nuovi uffici a Mumbai, nel quartiere di Goregaon, con un investimento di circa 4 miliardi di rupie (45,9 milioni di dollari).

Questa mossa riflette la crescente importanza dell’India nella strategia tecnologica e operativa delle multinazionali, con un focus sempre più marcato sull’AI e l’innovazione digitale.

Per maggiori informazioni, clicca per l’articolo originale.

Leggi le altre notizie sull’home page di Key4biz

https://www.key4biz.it/il-ministero-dellindustria-della-corea-del-sud-vieta-temporaneamente-laccesso-a-deepseek-per-motivi-di-sicurezza/520514/




Generative AI: Evoluzione, Funzionamento e Impatto sulla Trasformazione Digitale

Questo articolo fa parte di una serie dedicata all’esplorazione approfondita della Generative Artificial Intelligence (GenAI), una tecnologia rivoluzionaria che sta ridefinendo il panorama digitale. Attraverso un’analisi dettagliata, ripercorreremo la storia, esamineremo il funzionamento e valuteremo l’impatto di questa tecnologia che, secondo le previsioni di Gartner, sarà implementata dall’80% delle organizzazioni entro il 2026.

La Generative AI, talvolta chiamata GenAI, è un tipo di intelligenza artificiale (AI) in grado di creare contenuti originali, come testi, immagini, video, audio o codice software, in risposta al prompt o alla richiesta di un utente. Per rispondere a queste richieste, la GenAI utilizza sofisticati modelli di machine learning, chiamati modelli di deep learning, ovvero algoritmi in grado di simulare i processi di apprendimento e decisionale del cervello umano. Questi si basano sull’identificazione e la codifica di modelli e relazioni in enormi quantità di dati, che sono utilizzati per comprendere le richieste o le domande in linguaggio naturale degli utenti e rispondere con nuovi contenuti pertinenti.

L’AI ha rappresentato uno dei principali argomenti tecnologici degli ultimi dieci anni, ma l’AI generativa, e in particolare l’avvento di ChatGPT nel 2022, ha portato l’AI alla portata di tutti e ha lanciato un’ondata di innovazione senza precedenti. L’AI generativa offre enormi vantaggi in termini di produttività per tutti, individui e organizzazioni, e, sebbene presenti anche sfide e rischi sostanziali, la ricerca continua a esplorare i modi in cui questa tecnologia può migliorare i workflow, potenziare i prodotti e ottimizzare i servizi.

Secondo una ricerca realizzata nel 2023 da McKinsey, un terzo delle organizzazioni utilizza regolarmente l’AI generativa in almeno una funzione aziendale [1]. Gartner prevede che entro il 2026 oltre l’80% delle organizzazioni avrà implementato applicazioni di AI generativa oppure utilizzerà interfacce di programmazione delle applicazioni (API) di AI generativa [2].

Excursus Storico della Generative AI: Dall’Origine ai Moderni Foundation Model

Il termine Intelligenza Artificiale Generativa è divenuto popolare negli ultimi anni, ma l’intelligenza artificiale fa parte della quotidianità da decenni e la tecnologia di AI generativa di oggi si basa sulle scoperte dell’apprendimento automatico risalenti all’inizio del XX secolo. Cerchiamo di comprendere le tappe fondamentali:

  • 1964: Joseph Weizenbaum, ricercatore-informatico del MIT, sviluppa ELIZA, un’applicazione di elaborazione del linguaggio naturale basata su testo. ELIZA, è stato sostanzialmente il primo chatbot (all’epoca chiamato “chatterbot”) basato su uno script di pattern-matching in grado di rispondere agli input, forniti sottoforma di testo in linguaggio naturale, con risposte testuali empatiche.
  • 1999: Nvidia lancia GeoForce, la prima unità di elaborazione grafica. Originariamente sviluppata per fornire una grafica in movimento fluida per i videogiochi, le GPU sono diventate di fatto la piattaforma per lo sviluppo di modelli AI e il mining di criptovalute.
  • 2004: Google lancia la funzione di completamento automatico, che si attiva quando gli utenti inseriscono i termini di ricerca, in grado di generare potenziali parole o frasi successive. L’algoritmo è basato su una catena Markov, un modello matematico sviluppato nel 1906.
  • 2013: Compaiono i primi “Variational Autoencoders” (VAE), dei modelli di reti neurali che permettono di implementare un modello generativo.
  • 2014: Ian Goodfellow, ricercatore presso l’Università di Montreal, introduce le prime “Generative Adversarial Networks” (GAN) e i “Diffusion Models” [3], due architetture per addestrare un modello generativo di AI.
  • 2017: Un gruppo di ricerca formato da Ashish Vaswani, un team di Google Brain e un gruppo della University of Toronto pubblicano “Attention is All You Need [4]”, un documento che illustra i principi dei modelli di trasformazione (c.d. “Transformer”) in grado di abilitare i potenti “foundation model” e strumenti di AI generativa attuali.
  • 2019: OpenAI implementa i suoi modelli linguistici di grandi dimensioni GPT (Generative Pretrained Transformer), GPT-2 e GPT-3.
  • 2022: OpenAI presenta ChatGPT, un front-end di GPT-3 che genera frasi complesse, coerenti e contestualizzate, e contenuti in risposta ai prompt degli utenti finali.

La notorietà e la popolarità acquisite da ChatGPT ha dato il via ad una serie di progetti finalizzati allo sviluppo di altre AI generative e il rilascio di prodotti a un ritmo incalzante, fino a giungere alle attuali release di Google Bard (ora Gemini), Microsoft Copilot, Bedrock di Amazon, Ernie Bit di Baidu, Pangu-Σ di Huawei, Claude di Anthropic, xAI di Elon Musk, Jais in lingua araba, Poe di Quora, IBM watsonx.ai, e ai modelli linguistici di grandi dimensioni (LLM) open source come Llama-2, di Meta, o Dolly 2.0 di Databricks e OpenChat AI GitHub.

Come Opera la Generative AI: Architetture, Processi e Metodologie di Apprendimento

Normalmente il ciclo di vita della Generative AI si sviluppa in tre fasi:

  • Formazione: la fase in cui si crea un “foundation model” [5] che possa servire come base per più applicazioni di AI di nuova generazione.
  • Ottimizzazione: la fase in cui si adatta il foundation model a una specifica applicazione AI di nuova generazione.
  • Generazione, valutazione e improvement: la fase in cui si valutano i risultati dell’applicazione della GenAI per migliorarne la qualità e l’accuratezza.

Formazione

La GenAI si fonda su un foundation model, un modello di deep learning che funge da schema per diversi tipi di applicazioni di AI generativa. I foundation model più comuni sono i modelli linguistici di grandi dimensioni (LLM), sfruttati nelle applicazioni per generare testo, ma esistono foundation model per generare immagini, video, audio e musica, oltre a foundation model multimodali in grado di supportare simultaneamente diversi tipi di contenuti.

Per realizzare un foundation model occorre addestrare un algoritmo di deep learning su enormi volumi di dati grezzi, non strutturati e non etichettati, spesso raccolti dalla rete internet o da altre fonti di dati. Durante la fase di training, l’algoritmo esegue e valuta milioni di test c.d.”fill in the blank” (riempimento dello spazio), cercando di prevedere l’elemento successivo in una determinata sequenza, per esempio la parola successiva in una frase, l’elemento successivo in un’immagine, il comando successivo in una riga di codice, e, contestualmente, effettua un auto-tuning per ridurre al minimo la differenza tra le previsioni e i dati reali (o il risultato “corretto”).

Il risultato di questo ciclo di training è una rete neurale di parametri, ovvero una serie di rappresentazioni codificate di entità, pattern e relazioni nei dati, in grado di generare contenuti in modo autonomo in risposta agli input o ai prompt ricevuti.

Questo processo si caratterizza per l’alta intensità di calcolo, un elevato dispendio in termini di tempo e costi: infatti richiede la presenza di migliaia di unità di elaborazione grafica (GPU) sottoforma di cluster e settimane di elaborazione. Fortunatamente sono disponibili progetti di foundation model open source, come Llama-2 di Meta, che consentono agli sviluppatori di GenAI di saltare questo passaggio e i relativi costi.

Ottimizzazione

Un foundation model è generalista, ovvero sa molte cose su molti tipi di contenuti, ma spesso non è in grado di generare tipi specifici di output con la precisione o la qualità desiderate. Per questo motivo è opportuno che il modello debba essere ottimizzato seguendo un’attività di generazione dei contenuti specifica. Questo obiettivo può essere raggiunto in vari modi:

  • attraverso una messa a punto del modello. Questa metodologia comporta l’alimentazione del modello con dati specifici dell’applicazione di generazione di contenuti, cioè, deve comprendere le domande o i prompt che molto probabilmente l’applicazione riceverà e le corrispondenti risposte corrette nel formato desiderato. Per esempio, se un team di sviluppo sta tentando di creare un customer service chatbot, creerà centinaia o migliaia di documenti contenenti domande etichettate sul servizio clienti con le risposte corrette e li invierà al modello.
  • tramite un apprendimento di rinforzo con feedback umano (RLHF). La metodologia di RLHF (Reinforcement Learning from Human Feedback) prevede che gli utenti umani rispondano ai contenuti generati con valutazioni che, successivamente, il modello utilizza per aggiornare sé stesso e ottenere maggiore precisione o rilevanza.

Generazione, valutazione e improvement

Di norma, sia gli sviluppatori che gli utenti valutano continuamente i risultati delle app di GenAI che utilizzano e, di conseguenza, ottimizzano ulteriormente il modello per ottenere una maggiore precisione o pertinenza.

Esiste un’altra alternativa per ottimizzare le prestazioni di un’applicazione di AI: la “retrieval augmented generation” (RAG). La RAG è un framework in grado di estendere il foundation model al fine di utilizzare un set di fonti rilevanti, al di fuori dei dati utilizzati nel training, capaci di integrare e perfezionare i parametri o le rappresentazioni nel modello originale. A riguardo, la RAG garantisce che un’app di AI generativa abbia sempre accesso alle informazioni più aggiornate e contestualizzate. Inoltre, le fonti aggiuntive a cui si accede tramite RAG, a differenza dei dataset del foundation model originale, sono trasparenti e verificabili.

Architetture dei Modelli di Generative AI: Tecnologie che Abilitano la Creatività Artificiale

Dal 2013 abbiamo assistito allo sviluppo di modelli di AI veramente generativa, ovvero modelli di “deep learning” in grado di creare autonomamente contenuti su richiesta. Le principali architetture evolute durante questo periodo includono:

  • Variational Autoencoders (VAE): rappresentano modelli che hanno consentito di effettuare scoperte rivoluzionarie nel riconoscimento delle immagini, nell’elaborazione del linguaggio naturale e nel rilevamento delle anomalie.
  • Generative Adversarial Networks (GAN) & Diffusion Models: sono architetture che hanno migliorato l’accuratezza delle applicazioni precedenti e hanno reso possibile le prime applicazioni di AI per la generazione di immagini da foto reali.
  • Transformers: rappresentano l’architettura dei modelli di deep learning alla base dei principali foundation model e delle soluzioni di AI generativa di oggi.

Variational Autoencoder

Un “autoencoder” è un modello di deep learning composto da due reti neurali connesse tra loro: una che codifica (o comprime) un’enorme quantità di dati, non strutturati e non etichettati, in parametri per il training e un’altra che decodifica tali parametri per ricostruire il contenuto. Tecnicamente, gli autoencoder sono in grado di generare nuovi contenuti, ma sono utilizzati prevalentemente per la codifica, l’archiviazione o il trasferimento dei dati e, infine, per la decodifica degli stessi e la generazione di contenuti di alta qualità.

Nel 2013 sono stati introdotti i “Variational Autoencoder” (VAE) che, oltre a codificare i dati come un autoencoder, sono in grado di decodificare i dati in diverse varianti di contenuto. Questa peculiarità ha permesso di addestrare i VAE a generare varianti per raggiungere un particolare obiettivo e, al contempo, consentire di ottenere nel tempo contenuti più accurati e ad alta fedeltà. Le prime applicazioni dei VAE includevano il rilevamento delle anomalie (per esempio, nella diagnostica per immagini) e la generazione del linguaggio naturale.

Generative Adversarial Network

Anche le “Generative Adversarial Network” (GAN), introdotte nel 2014, comprendono due reti neurali: una denominata Generatore, adibita a generare nuovi contenuti, e una Discriminatore, destinata a valutare l’accuratezza e la qualità dei dati generati. Questi algoritmi antagonisti inducono il modello a generare output di qualità sempre più elevata.

Solitamente le GAN vengono utilizzate per generare immagini e video, ma sono in grado di originare contenuti realistici e di alta qualità anche in altri domini. Si sono dimostrate particolarmente efficaci in determinate attività, come il trasferimento di stile (per esempio la modifica dello stile di un’immagine: da una foto a uno schizzo a matita) e l’aumento dei dati (creazione di nuovi dati per aumentare le dimensioni e la diversità di un data set di training).

Diffusion Model

Un “Diffusion Model”, anch’essi introdotti nel 2014, funziona in maniera differente. Questo modello, prima di realizzare il training, aggiunge rumore ai dati per renderli casuali e irriconoscibili, successivamente, addestra l’algoritmo a disperdere iterativamente il rumore per rivelare l’output desiderato.

I Diffusion Models richiedono più tempo per l’addestramento rispetto ai VAE o alle GAN, ma offrono un controllo dell’output più preciso; infatti, sono particolarmente sfruttati negli strumenti di generazione di immagini di alta qualità. DALL-E, lo strumento di generazione di immagini di Open AI, è guidato da un diffusion model.

Transformer

I “Transformer”, documentati per la prima volta in un articolo del 2017 pubblicato da Ashish Vaswani e altri, trasformano il paradigma encoder-decoder per realizzarne un’evoluzione, da un lato, del modo in cui i foundation model vengono addestrati e, dall’altro, nella qualità e nella gamma di contenuti che possono produrre. Questi modelli sono alla base dei principali strumenti di AI generativa, tra cui ChatGPT e GPT-4, Copilot, BERT, Bard e Midjourney.

Per determinare quali dati, all’interno di una sequenza, sono più importanti e su quali occorre concentrarsi, i transformer utilizzano un concetto chiamato “attention” in grado di:

  • elaborare contemporaneamente intere sequenze di dati (ad es. frasi invece di parole singole);
  • acquisire il contesto dei dati all’interno della sequenza;
  • codificare i dati di training in incorporamenti (denominati anche iperparametri) che rappresentano i dati e il loro contesto.

Oltre a consentire un addestramento più rapido, i transformer sono performanti nel l’elaborazione del linguaggio naturale (“Natural Language Processing”, NLP) e nella sua comprensione (“Natural Language Understanding”, NLU) e sono in grado di generare sequenze di dati più lunghe (ad esempio, non solo risposte a domande, ma anche poesie, articoli o documenti) con maggiore precisione e qualità rispetto ad altri modelli di AI generativa. I modelli transformer possono essere addestrati o ottimizzati anche per l’uso di tools, ad esempio un’applicazione di fogli di calcolo, un programma di disegno, o per generare contenuti in un formato particolare.

Peculiarità della Generative AI

L’AI generativa può essere utilizzata per creare molti tipi di contenuti in domini diversi.

  • Testo: I modelli generativi, soprattutto quelli basati sui trasformer, possono generare testi coerenti e contestualmente rilevanti, come delle istruzioni, della documentazione, una brochure, un’e-mail, dei testi per siti web, blog, articoli, delle relazioni, dei documenti e, persino, contenuti creativi. Possono eseguire compiti di scrittura ripetitivi o noiosi (per esempio, la stesura di riassunti di documenti o meta descrizioni di pagine web), consentendo agli editor di dedicarsi a lavori più creativi e di maggior valore.
  • Immagini e video: La generazione di immagini, come DALL-E, Midjourney e Stable Diffusion, può realizzare immagini realistiche, oppure opere d’arte originali, ed eseguire il trasferimento di stili, la traduzione image-to-image e altre attività di modifica o miglioramento delle immagini. Gli strumenti GenAI video possono creare animazioni a partire da istruzioni di testo e possono applicare effetti speciali a video esistenti in maniera più rapida ed economica rispetto ai metodi tradizionali.
  • Suono, parole e musica: I modelli generativi possono sintetizzare contenuti vocali e audio per farli sembrare reali alle chatbot e agli assistenti digitali a comando vocale, consentire la narrazione degli audiolibri e di altre applicazioni basate sull’audio. La stessa tecnologia può generare musica originale in grado di imitare la struttura e l’audio delle composizioni professionali.
  • Codice software: La GenAI può generare codice di programmazione originale, effettuare il completamento automatico dei frammenti di codice, tradurre tra diversi linguaggi di programmazione e riassumere le funzionalità del codice. Consente di ottenere prototipi, eseguire rapidamente il debug delle applicazioni e realizzare sessioni di testing, offrendo al contempo un’interfaccia in linguaggio naturale.
  • Design e arte: I modelli di AI generativa possono generare opere d’arte digitali e di design uniche o assistere nella progettazione grafica. Le applicazioni includono la generazione dinamica di ambienti, personaggi o avatar ed effetti speciali per realizzare simulazioni virtuali e videogiochi.
  • Simulazioni e artefatti: I modelli di AI generativa possono essere addestrati per generare dati o strutture basate su dati reali o virtuali. Per esempio, l’AI generativa viene applicata nella scoperta di farmaci per generare strutture molecolari con le proprietà desiderate, contribuendo alla progettazione di nuovi composti farmaceutici.

Quali sono i Vantaggi?

Il principale beneficio, e forse quello più scontato, dell’AI generativa è la maggiore efficienza. La sua capacità di generare contenuti e risposte alle domande consente di accelerare o automatizzare le attività ad alta intensità di lavoro, ridurre i costi e guadagnare tempo da dedicare ad attività di maggior valore.

L’AI generativa offre ulteriori vantaggi in questi ambiti:

  • Creatività migliorata: Gli strumenti di Gen AI possono ispirare la creatività attraverso il brainstorming automatizzato, perché gli consente di generare più versioni inedite dei contenuti. Queste varianti possono servire come punti di partenza o riferimenti per superare il blocco creativo di scrittori, artisti, designer e altri tipi di creatori.
  • Processo decisionale migliorato (e più rapido): L’AI generativa è predominante nell’analisi di grandi insiemi di dati, nell’identificazione degli schemi e nell’estrazione di insight significativi, per poi generare ipotesi e suggerimenti basati su questi insight e supportare i dirigenti, gli analisti, i ricercatori e tutti gli altri professionisti, nel prendere decisioni più corrette e basate sui dati.
  • Personalizzazione dinamica: L’AI generativa può analizzare le preferenze e la cronologia degli utenti per creare contenuti personalizzati in tempo reale, rendendo l’esperienza dell’utente più personalizzata e coinvolgente.
  • Disponibilità continua: L’AI generativa funziona in maniera costante e fornisce una disponibilità continua per le attività come le chatbots utilizzate per erogare l’assistenza ai clienti e le risposte automatiche.

Casi d’uso

Di seguito sono riportati, solo a titolo esemplificativo, alcuni casi d’uso dell’AI nel settore business, per comprendere quali benefici possono portare nel breve periodo. In tal senso, man mano che le tecnologie si svilupperanno ulteriormente e le organizzazioni incorporeranno questi tools nei loro workflow, assisteremo alla scoperta di nuove e altrettante applicazioni.

  • User experience (UX): Il settore marketing delle aziende può trarre grossi benefici, in termini di tempo e quantità di contenuti, utilizzando strumenti di AI per redigere i testi dei blog, delle pagine web, della documentazione, dell’e-mail e altro ancora. Inoltre, le soluzioni di AI generativa sono in grado di produrre testi e immagini fortemente personalizzate e in tempo reale, in base a quando, dove e a chi deve essere erogato l’annuncio. Inoltre, può alimentare le chatbots e gli agent virtuali per fornire risposte personalizzate e, persino, avviare attività per conto del cliente. Tutto ciò rappresenta un avanzamento significativo rispetto alla precedente generazione di modelli di AI conversazionali formati su dati limitati e sfruttati per attività molto specifiche.
  • Sviluppo software e aggiornamento delle applicazioni: Gli strumenti per la generazione del codice basati sull’AI generativa sono in grado di automatizzare e accelerare il processo di scrittura di nuovo codice. Questa caratteristica può essere sfruttata anche per accelerare drasticamente l’aggiornamento delle applicazioni, perché consentirebbe di automatizzare gran parte della codifica ripetitiva necessaria per rinnovare le applicazioni legacy e distribuire in ambienti di cloud ibrido.
  • Attività digitale: L’AI generativa è in grado di redigere o rivedere rapidamente contratti, fatture, bollette e altri documenti digitali, in modo tale che i dipendenti, che la utilizzano o la gestiscono, possano concentrarsi su attività di concetto.
  • Scienza, ingegneria e ricerca: I modelli di AI possono aiutare i ricercatori e gli ingegneri a proporre nuove soluzioni per problemi complessi. Nel settore sanitario, ad esempio, i modelli generativi possono essere applicati per sintetizzare le nuove molecole o migliorare la lettura delle immagini degli esami.

Nel prossimo articolo della serie, approfondiremo un aspetto cruciale della Generative AI: la sicurezza e la protezione. Esploreremo le sfide, i rischi e le migliori pratiche per implementare soluzioni di GenAI in modo sicuro e responsabile, analizzando i protocolli di sicurezza e le strategie di protezione necessarie per un utilizzo consapevole di questa potente tecnologia. Per approfondire queste tematiche è possibile scaricare gratuitamente il white paper completo “Generative Artificial Intelligence: Punti di forza, rischi e contromisure”.

Note bibliografiche

[1] AA.VV., The state of AI in 2023: Generative AI’s breakout year, https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai-in-2023-generative-ais-breakout-year, McKinsey, 2023

[2] Gartner Says More Than 80% of Enterprises Will Have Used Generative AI APIs or Deployed Generative AI-Enabled Applications by 2026, https://www.gartner.com/en/newsroom/press-releases/2023-10-11-gartner-says-more-than-80-percent-of-enterprises-will-have-used-generative-ai-apis-or-deployed-generative-ai-enabled-applications-by-2026, Gartner, 2024

[3] AA.VV., Generative Adversarial Networks, https://arxiv.org/abs/1406.2661, Universite de Montreal, 2014

[4] AA.VV., Attention Is All You Need, https://arxiv.org/abs/1706.03762, Google, 2017

[5] Foundation model: Nell’ambito dell’Intelligenza Artificiale, il termine modello identifica un insieme strutturato di algoritmi e parametri che permettono di eseguire specifici compiti di apprendimento automatico. I modelli sono addestrati tramite l’analisi e l’elaborazione di dati, al fine di identificare e apprendere schemi o relazioni tra di essi.

Un foundation model rappresenta un tipo specifico e avanzato di modello di Intelligenza Artificiale. Mentre i modelli generici sono progettati e addestrati per svolgere compiti specifici e ben definiti e possono essere addestrati su set di dati di dimensioni variabili, a seconda del compito che dovranno svolgere; i foundation models, invece, sono addestrati su enormi quantità di dati e con moltissimi parametri. Ciò permette loro di svolgere una varietà di compiti più ampia rispetto ai modelli tradizionali.

Profilo Autore

È laureato in Ingegneria Informatica ed in Sicurezza Informatica presso le Università di Roma La Sapienza e di Milano. Ha indirizzato la sua formazione nei settori della Cyber Security e Digital Forensics ottenendo i diplomi di perfezionamento in Data Protection e Data Governance; Criminalità Informatica e Investigazioni Digitali e Big Data, Artificial Intelligence.

Ha, altresì, conseguito l’Advanced Cybersecurity Graduate Certificate alla School of Engineering della Stanford University; Professional Certificates in Information Security; Incident Response Process; Digital Forensics e Cybersecurity Engineering and Software Assurance presso il Software Engineering Institute della Carnegie Mellon University.

Dal 1992 è nei ruoli del Ministero dell’Interno ove ricopre lincarico di Funzionario alla Sicurezza CIS. In tale veste contribuisce alla valutazione dei rischi cyber, all’implementazione delle misure di sicurezza e la risoluzione di incidenti informatici. Inoltre, offre consulenza tecnica nel campo della Digital Forensics per l’Autorità giudiziaria, la Polizia giudiziaria e gli Studi legali.

Dal 2017 è Professore a contratto di Tecnologie per la Sicurezza Informatica presso alcune Università ove sviluppa le tematiche di Attack and Defense Strategies quali il penetration testing, la risk analysis, l’information security assessment, l’incident response e la digital forensics. Infine, è Autore di alcuni articoli e saggi sui temi della Sicurezza Informatica e
dell’Informatica Giuridica consultabili su https://www.vincenzocalabro.it

Condividi sui Social Network:

https://www.ictsecuritymagazine.com/articoli/generative-ai/




AI Act, i rischi peggiori delle multe per chi non fa l’alfabetizzazione

Nel precedente articolo mi sono soffermato sul testo dell’AI Act, per mettere in evidenza quali saranno gli obblighi che, a partire dal 4 febbraio di quest’anno, sarà necessario ottemperare. Ma in pratica che cosa sarà necessario fare?

Per garantire la conformità all’Articolo 4 dell’AI Act, i fornitori e gli utilizzatori di sistemi di IA devono adottare un approccio strutturato e personalizzato, volto a sviluppare un livello adeguato di competenze sull’intelligenza artificiale nel proprio personale e in coloro che interagiscono con tali sistemi. Il processo inizia con una valutazione dei bisogni e un’analisi delle lacune, attraverso cui si identifica il livello attuale di conoscenza dell’IA tra le diverse figure coinvolte (tecnici, utenti finali, decisori) e si definiscono le esigenze specifiche legate al contesto operativo (ad esempio, sanità, finanza o pubblica amministrazione).

Questa fase preliminare consente di progettare programmi formativi differenziati, calibrati sulle responsabilità e sul background dei partecipanti: il personale tecnico riceverà una formazione avanzata su sviluppo, interpretabilità dei modelli e mitigazione dei bias, mentre gli utenti non tecnici verranno guidati nell’uso etico degli strumenti, nella comprensione dei limiti dell’IA e nell’interpretazione corretta dei risultati. I decisori, invece, approfondiranno temi come la governance, la gestione del rischio e il quadro normativo. 

Le risorse didattiche devono essere flessibili e accessibili, combinando moduli e-learning, workshop pratici e documentazione chiara (utilizzando, ad esempio, “schede informative” che descrivano funzionalità, scopi e limitazioni dei sistemi che vengono usati). Parallelamente, è fondamentale integrare nella formazione aspetti etici e legali, quali il riconoscimento di discriminazioni algoritmiche, i principi di trasparenza e accountability, e il rispetto delle normative sulla privacy (come il GDPR). Per mantenere le competenze aggiornate, è essenziale promuovere un apprendimento continuo, con sessioni periodiche su evoluzioni tecnologiche, modifiche legislative (ad esempio, aggiornamenti all’AI Act) e certificazioni riconosciute a livello UE. 

Un elemento chiave è il coinvolgimento attivo delle parti interessate, inclusi gli utenti finali o i gruppi impattati dall’IA (come pazienti o clienti). Questi ultimi dovrebbero ricevere informazioni chiare, attraverso campagne di sensibilizzazione o guide semplificate, per comprendere come l’IA influisce sulle loro vite e come esercitare i propri diritti (ad esempio, richiedere spiegazioni o contestare decisioni automatizzate). I feedback raccolti da tali gruppi vanno inoltre integrati nelle policies per migliorare i sistemi e i programmi formativi. 

Per misurare l’efficacia delle iniziative, è necessario adottare strumenti di valutazione come test, simulazioni pratiche o monitoraggio con metriche anche qualitative che permetteranno di avere contezza degli errori e degli abusi più comuni e di ridurli. Le organizzazioni dovrebbero anche collaborare con enti esterni (università, consulenti, organismi di standardizzazione) per accedere a competenze specializzate e aderire a framework riconosciuti.

La documentazione nel processo di formazione svolge un ruolo cruciale: registri delle attività formative, risultati delle valutazioni e report dimostrativi devono essere conservati per dimostrare alle autorità regolatorie l’impegno proattivo nel rispetto dell’Articolo 4.

Sebbene l’AI Act non menzioni esplicitamente sanzioni pecuniarie per carenze nella formazione del personale, le aziende che sottovalutano l’alfabetizzazione sull’intelligenza artificiale si espongono a una costellazione di rischi concreti, spesso più onerosi di una semplice multa. In assenza di competenze adeguate, un algoritmo di reclutamento distorto potrebbe portare a discriminazioni di genere o etnia, aprendo la strada a cause legali per danni morali o materiali. Un sistema di diagnosi medica basato su IA, gestito da personale non formato, potrebbe generare errori interpretativi con conseguenze letali, esponendo l’azienda a responsabilità civile e risarcimenti milionari. Senza contare i casi di violazione del GDPR: un dipendente che non comprende i principi di minimizzazione dei dati potrebbe alimentare un modello con informazioni sensibili non necessarie, innescando sanzioni fino al 4% del fatturato globale.

Ma il rischio più insidioso è quello reputazionale: un incidente legato all’IA  (come un chatbot che fornisce risposte offensive o un sistema di credit scoring accusato di razzismo) può bruciare anni di branding in poche ore. Si pensi allo scandalo di Amazon nel 2018, quando un tool di selezione del personale, addestrato su dati storici distorti, penalizzò sistematicamente i curricula femminili. Oltre al danno d’immagine, l’azienda dovette sospendere il progetto, con perdite stimate in milioni di dollari.

I costi indiretti, tuttavia, possono essere ancora più pervasivi. Un’organizzazione che scopra tardi i limiti del proprio sistema di IA potrebbe dover riconfigurare infrastrutture, ridefinire processi o addirittura ritirare prodotti già sul mercato; operazioni che, in settori regolati come la finanza o i dispositivi medici, richiedono anni e budget imprevisti. Senza una forza lavoro consapevole, persino gli audit obbligatori per i sistemi ad alto rischio previsti dall’AI Act diventano un labirinto: documentazione incompleta, incapacità di spiegare le scelte progettuali o di dimostrare la conformità ai requisiti di trasparenza possono rallentare le certificazioni, bloccando l’accesso al mercato.

In un futuro dove l’IA detta regole e riscrive confini, l’alfabetizzazione non è una competenza accessoria, è condizione di sopravvivenza. Chi oggi investe nella formazione non sta solo scongiurando sanzioni o scandali, ma sta scrivendo il codice sorgente di un’azienda resiliente, capace di navigare l’incertezza algoritmica senza perdere la bussola etica.

Perché nella partita dell’intelligenza artificiale, i veri vincitori non saranno quelli con i modelli più potenti, ma quelli che sapranno trasformare ogni persona coinvolta in un custode consapevole di una promessa: che l’IA, in mani competenti, non sarà mai un’arma di distrazione di massa, ma uno strumento di progresso misurabile, giusto e, soprattutto, umano. Il tempo della compliance passiva è finito: l’era dell’IA richiede sapienza attiva.

Leggi le altre notizie sull’home page di Key4biz

https://www.key4biz.it/ai-act-e-art-4-che-fare/520086/




DeepSeek: il top della tecnologia cinese dimentica di chiudere il database esposto


La rapida ascesa della startup cinese di intelligenza artificiale, DeepSeek, è stata offuscata da una significativa falla di sicurezza che ha esposto tantissimi dati interni e degli utenti, sollevando serie preoccupazioni riguardo alla gestione della sicurezza. Questa vulnerabilità, scoperta dai ricercatori di sicurezza di Wiz, ha interessato un database ClickHouse che era accessibile senza necessità di autenticazione, consentendo a soggetti potenzialmente malevoli di accedere a informazioni cruciali.

Il database ClickHouse, ospitato agli indirizzi oauth2callback.deepseek.com:9000 e dev.deepseek.com:9000, offriva il controllo completo sulle operazioni del database. Ciò comprendeva l’accesso a dati interni, inclusi la cronologia delle chat, chiavi segrete, dettagli del backend, segreti delle API e metadati operativi. La vulnerabilità poteva essere sfruttata tramite l’interfaccia HTTP di ClickHouse, permettendo l’esecuzione di query SQL arbitrarie direttamente attraverso un browser. La mancanza di autenticazione implicava che chiunque fosse a conoscenza dell’indirizzo del database poteva potenzialmente accedervi e sfruttare la falla. I ricercatori hanno identificato oltre un milione di righe di log contenenti dati sensibili. Attraverso l’interfaccia di ClickHouse, era anche possibile sottrarre password e file direttamente dal server.

La falla di sicurezza ha consentito un accesso non autorizzato a un’ampia gamma di informazioni, inclusi dati personali degli utenti e potenziali documenti sensibili aziendali. La mancanza di autenticazione ha reso possibile la completa escalation dei privilegi all’interno dell’ambiente di DeepSeek, senza alcuna difesa. Nonostante DeepSeek abbia risolto la vulnerabilità dopo essere stata contattata dai ricercatori di Wiz, non è dato sapere se i dati siano finiti nelle mani di cybercriminali.

DeepSeek ha agito prontamente per risolvere la falla di sicurezza, con un aggiornamento pubblicato il 29 gennaio 2025, in cui dichiarava di aver identificato il problema (forse anche abbastanza palese) e di essere al lavoro per implementare una soluzione. Tuttavia, questo incidente ci riporta ai tempi dei bucket S3 aperti su AWS, un fenomeno ai tempi così diffuso e pericoloso da costringere Amazon a chiudere di default con password i bucket che venivano creati.

Questa situazione si colloca in un contesto più ampio di preoccupazioni riguardanti la privacy e la sicurezza connesse all’IA. Il Garante della Privacy italiano ha bloccato DeepSeek dopo aver ricevuto informazioni insufficienti sulla gestione dei dati. Il Garante ha inoltre notato che l’azienda ha dichiarato di non operare in Italia e di non essere quindi soggetta alla normativa europea. Anche l’Irish Data Protection Commission (DPC) ha inviato una richiesta simile. Sono anche emersi sospetti di furto di proprietà intellettuale, con accuse secondo cui DeepSeek potrebbe aver utilizzato l’API di OpenAI senza autorizzazione per addestrare i propri modelli, una pratica nota come “distillazione”. Infine, sono state sollevate preoccupazioni riguardo ai legami di DeepSeek con il governo cinese.

Condividi l’articolo



Articoli correlati

Altro in questa categoria


https://www.securityinfo.it/2025/01/31/deepseek-il-top-della-tecnologia-cinese-dimentica-di-chiudere-il-database-esposto/?utm_source=rss&utm_medium=rss&utm_campaign=deepseek-il-top-della-tecnologia-cinese-dimentica-di-chiudere-il-database-esposto




Rapporto Ocse e Ue sulla sicurezza dell’AI. Scarica il documento

SCARICA L’ INTERNATIONAL AI SAFETY REPORT

Pubblicato il primo “International AI Safety Report”

Online il primo Rapporto internazionale sulla sicurezza dell’Intelligenza artificiale (AI), sostenuto da 30 Paesi e dall’Organizzazione per la cooperazione e lo sviluppo economico (OCSE), le Nazioni Unite e l’Unione europea. Il rapporto riassume il punto di vista della comunità scientifica sui rischi legati all’intelligenza artificiale e su come mitigarli.

La sua realizzazione ha coinvolto 100 esperti indipendenti di AI di tutto il mondo, tra cui premi Nobel e vincitori del Turing Award.

Il documento mira a fornire ai responsabili e decisori politici un panorama il più possibile esaustivo dei rischi, delle soluzioni di mitigazione e delle sfide che l’AI ci pone. Non tutti i partecipanti vedono questa tecnologia allo stesso modo, ma nella sintesi finale c’è la volontà collettiva di sviluppare uno spirito collaborativo e cooperativo per aiutare Governi e società civile nel prendere le scelte migliori.

Il rapporto del 2025 sulla sicurezza analizza i rapidi progressi e i rischi crescenti legati all’AI a scopo generale. Il documento evidenzia l’aumento esponenziale della potenza di calcolo utilizzata per l’addestramento dei modelli, i miglioramenti nelle capacità dell’I, inclusi gli agenti autonomi, e i conseguenti rischi di manipolazione dell’opinione pubblica, di attacchi informatici e di violazioni della privacy.

Vengono inoltre esaminate le strategie di mitigazione dei rischi, le sfide normative e le disparità globali nello sviluppo della tecnologia. Infine, il rapporto sottolinea la necessità di una maggiore ricerca per comprendere e affrontare i rischi emergenti.

Lo sviluppo dell’AI general-purpose comporta diversi rischi sistemici, che vanno oltre i rischi posti dalle capacità dei singoli modelli. Di seguito ne approfondiremo alcuni.

Rischi per il mercato del lavoro

L’AI general-purpose ha il potenziale per automatizzare una vasta gamma di compiti, causando una significativa perdita di posti di lavoro. Molti economisti ritengono che queste perdite potrebbero essere compensate dalla creazione di nuovi posti di lavoro e dall’aumento della domanda in settori non automatizzati.

Tuttavia, la velocità di adozione dell’AI e la sua capacità di automatizzare compiti complessi potrebbero causare interruzioni rapide nel mercato del lavoro. La perdita involontaria del lavoro può avere gravi conseguenze per i lavoratori, come una diminuzione dei guadagni, problemi di salute fisica e mentale. Inoltre, potrebbe aumentare la disuguaglianza di reddito, poiché le persone con stipendi più alti potrebbero beneficiare maggiormente degli aumenti di produttività.

Divario globale nella ricerca e sviluppo dell’AI

Lo sviluppo di modelli di AI general-purpose è guidato principalmente da aziende situate in paesi con infrastrutture digitali e accesso al calcolo avanzati, creando un divario con i paesi a basso e medio reddito (LMIC).

I costi di addestramento dei modelli sono aumentati notevolmente, rendendo difficile per i paesi con risorse limitate competere in questo campo. Questo divario potrebbe peggiorare, poiché i paesi con infrastrutture e risorse avanzate avranno maggiori capacità di sviluppare e utilizzare l’AI general-purpose.

Concentrazione del mercato

Il mercato è dominato da un piccolo numero di aziende. Questa concentrazione potrebbe rendere le società più vulnerabili a diversi rischi sistemici. Se organizzazioni in settori critici, come la finanza o la sanità, dipendono da un piccolo numero di sistemi, un bug o una vulnerabilità in questi sistemi potrebbe causare guasti e interruzioni simultanee su vasta scala.

Un singolo modello potrebbe influenzare il processo decisionale in molte organizzazioni e settori. La dipendenza da poche aziende per i sistemi di AI general-purpose potrebbe portare a manipolazioni, persuasione, censura o controllo.

Rischi ambientali

L’uso crescente di risorse computazionali nello sviluppo e nell’implementazione dell’AI general-purpose ha rapidamente aumentato il consumo di energia, acqua e materie prime necessarie per costruire e gestire l’infrastruttura di calcolo.

Questa tendenza non mostra segni di rallentamento, nonostante i progressi nelle tecniche che consentono un uso più efficiente del calcolo. Questa AI ha anche una serie di applicazioni che possono sia beneficiare che danneggiare gli sforzi per la sostenibilità.

Rischi per la privacy

La capacità dell’AI general-purpose di elaborare grandi quantità di dati personali solleva preoccupazioni riguardo alla privacy. Le nuove funzionalità degli agenti aumentano le preoccupazioni sulla riservatezza dei dati, in quanto possono agire autonomamente per conto degli utenti.

L’AI general-purpose potrebbe essere utilizzata per sorvegliare o identificare gli utenti online. La protezione della privacy è anche resa difficile dalla mancanza di trasparenza delle pratiche di raccolta dati degli sviluppatori, con conseguenti problemi di responsabilità legale.

Rischi di violazione del copyright

L’uso di dati protetti da copyright per addestrare modelli di AI solleva preoccupazioni riguardo alla violazione del copyright. La mancanza di trasparenza sulle pratiche di raccolta dati e la mancanza di strumenti per identificare dati utilizzabili senza violazioni del copyright hanno disincentivato la condivisione di informazioni sui dati di addestramento dell’AI, rendendo più difficile la ricerca sulla sicurezza dell’IA. Inoltre, la possibilità che gli utenti generino contenuti simili a materiale protetto da copyright pone un rischio per le economie creative e dei media.

Questi rischi sistemici sono interconnessi e pongono complesse sfide per i responsabili politici. È necessario un approccio olistico alla gestione di questi rischi, considerando sia i potenziali benefici dell’IA general-purpose sia i possibili danni.

Le tecniche di mitigazione proposte

Il report discute diverse tecniche di mitigazione dei rischi associati all’IA a scopo generale, suddividendole in base alle diverse fasi del processo di gestione del rischio e alle diverse tipologie di rischio.

Si suggerisce un approccio sistematico che comprende l’identificazione, la valutazione, la mitigazione e il monitoraggio dei rischi. Questo approccio include l’applicazione di principi di ingegneria e di gestione per controllare i pericoli durante l’intero ciclo di vita del sistema AI, tenendo conto delle interazioni tra hardware, software, strutture organizzative e fattori umani. Viene anche raccomandata una strategia di “difesa in profondità”, con più livelli di misure di protezione.

Bisogna poi saper effettuare una efficace valutazione dei rischi: è fondamentale per identificare potenziali problemi prima che si verifichino. Le valutazioni esistenti, basate su “controlli a campione”, sono limitate e spesso non riescono a identificare tutti i pericoli. Il rapporto sottolinea l’importanza di migliorare i test e le valutazioni, includendo una vasta gamma di rischi, lingue, culture, modalità e casi d’uso.

C’è poi la formazione di modelli più affidabili, con cui si mira a limitare i comportamenti potenzialmente pericolosi dei sistemi di IA. Vengono utilizzate tecniche come l’apprendimento per rinforzo dal feedback umano (RLHF) per allineare i modelli ai valori umani, ma non garantiscono una sicurezza completa. La ricerca si sta muovendo verso approcci “safe-by-design” che potrebbero offrire garanzie quantitative di sicurezza. È anche importante valutare la qualità della supervisione umana e l’analisi dei modelli per i potenziali abusi.

Non ultimi il monitoraggio e l’intervento. Questi processi sono essenziali per individuare rischi e valutare le prestazioni dopo l’implementazione di un modello. Strumenti tecnici possono essere utilizzati per rilevare contenuti generati dall’IA e per tracciare le prestazioni del sistema. L’efficacia di questi metodi dipende dalla loro capacità di resistere agli aggiramenti da parte di utenti malintenzionati. Combinare il monitoraggio tecnico e le capacità di intervento con la supervisione umana migliora la sicurezza, ma può comportare costi e ritardi.

Leggi le altre notizie sull’home page di Key4biz

https://www.key4biz.it/rapporto-ocse-e-ue-sulla-sicurezza-dellai-scarica-il-documento/519998/




Poste Italiane, il podcast sull’Intelligenza Artificiale

Poste Italiane, per aiutare gli utenti ad orientarsi al meglio nel mondo dell’AI, propone un percorso di Educazione Digitale con nuovi contenuti multimediali che illustrano in modo semplice questa nuova tecnologia. Sul sito di Poste Italiane, al link https://www.posteitaliane.it/it/educazione-digitale.html sono ora disponibili podcast e videopodcast tradotti in Lingua Italiana dei Segni, che raccontano l’Intelligenza Artificiale (AI) partendo dalle basi: come riesce a generare contenuti, cosa sia un algoritmo e come riesce ad imparare dai dati.

Attraverso le infografiche si può, inoltre, approfondire come nel tempo si sia evoluta la definizione stessa di AI, i diversi livelli che la compongono e come difendersi da deepfake e disinformazione.

Il machine learning, ad esempio, è alla base di molte applicazioni quotidiane come i suggerimenti personalizzati di piattaforme streaming o eCommerce: grazie alla loro capacità di apprendere dai dati riescono a migliorarsi costantemente, offrendo consigli sempre più precisi e in linea con le preferenze degli utenti.

Si parla invece di deep learning quando usiamo la fotocamera dello smartphone per identificare degli oggetti o tradurre delle scritte, mentre entra in gioco l’AI generativa quando attiviamo i sistemi GPT per generare testi o immagini.

Il percorso Educazione Digitale della Corporate University di propone costantemente nuovi contenuti multimediali sempre gratuitamente disponibili nel sito web, con una sezione dedicata a videopodcast in Lingua Italiana dei Segni. I contenuti spaziano da buone regole di cybersecurity, attenzione a phishing e truffe fino al supporto del digitale nella gestione consapevole dei consumi quotidiani.

L’Educazione Digitale mira a promuovere la conoscenza degli strumenti tecnologici e a poter cogliere al meglio le opportunità offerte dalle innovazioni sia in ambito personale che lavorativo.

Periodicamente vengono realizzati anche webinar di approfondimento, le attività possono essere seguite anche sui canali social LinkedIn, Facebook e X di Poste Italiane.

Tutte le informazioni sono disponibili sul sito https://www.posteitaliane.it/it/educazione-digitale.html

Leggi le altre notizie sull’home page di Key4biz

https://www.key4biz.it/poste-italiane-il-podcast-sullintelligenza-artificiale/519951/




Il successo di DeepSeek? Il design

Generative AI Insights è la rubrica curata da Recomb, il think tank dedicato all’esplorazione dell’impatto e del potenziale dell’AI generativa in vari aspetti della vita umana. Recomb studia l’AI generativa da tutte le angolazioni: professionale, etica, tecnica, legale, economica, ambientale, sociale, educativa e culturale. Per leggere tutti gli articoli della rubrica Generative AI Insights su Key4biz clicca qui..

DeepSeek non è solo un’importante innovazione nel campo dell’AI, ma anche un esempio di design rivoluzionario nell’interfaccia utente. La startup cinese ha ottenuto grande successo non solo grazie alle capacità avanzate del suo modello R1, ma anche perché ha reso visibile agli utenti il cosiddetto ‘chain of thought’, ovvero il processo di ragionamento alla base delle sue risposte.

Questo approccio ha sorpreso il settore e ha messo in discussione il modo in cui vengono progettate le interfacce degli assistenti AI. Tradizionalmente, chatbot come Siri, Alexa e ChatGPT offrono risposte senza mostrare il processo logico che le genera, costringendo gli utenti a sperimentare diversi prompt per ottenere risultati ottimali.

DeepSeek ha invece scelto di esporre in modo trasparente il suo ragionamento, permettendo agli utenti di comprendere come interpreta le richieste e pianifica le risposte. Questa novità ha reso l’interazione più intuitiva e ha sollevato interrogativi su come migliorare l’usabilità degli strumenti basati su AI.

L’articolo confronta DeepSeek con il fallimento di Inflection, un’altra azienda di AI che, nonostante investimenti significativi, non è riuscita a emergere a causa di un design inefficace e di un’interfaccia poco chiara. Il successo di DeepSeek dimostra che la qualità del modello non è sufficiente: anche il modo in cui viene presentata l’AI agli utenti è cruciale per la sua adozione su larga scala.

Questa nuova strategia potrebbe influenzare il futuro della progettazione delle interfacce AI, spingendo altre aziende a ripensare il modo in cui comunicano il funzionamento interno dei loro sistemi.

Per maggiori informazioni, clicca per l’articolo originale.

Gli Stati Uniti indagano se DeepSeek ha ottenuto chip Nvidia da aziende di Singapore

Le autorità statunitensi stanno indagando su DeepSeek, una startup cinese specializzata in AI, per verificare se abbia acquistato semiconduttori avanzati di Nvidia attraverso intermediari a Singapore, aggirando le restrizioni imposte dagli Stati Uniti.

Il sospetto è alimentato dalla recente uscita di R1, un chatbot sviluppato da DeepSeek, che ha dimostrato prestazioni comparabili a quelle delle controparti statunitensi, sollevando dubbi su un possibile utilizzo di tecnologia occidentale per il suo sviluppo.

La Casa Bianca e l’FBI stanno cercando di accertare se DeepSeek abbia sfruttato fornitori terzi per ottenere chip Nvidia vietati alla Cina. Nel frattempo, Nvidia ha dichiarato di rispettare le normative statunitensi e di agire in caso di violazioni. La questione ha attirato l’attenzione del Senato USA, dove Howard Lutnick, nominato da Donald Trump per guidare il Dipartimento del Commercio, ha affermato che l’azienda cinese ha aggirato i controlli sulle esportazioni, dichiarando la necessità di fermare l’uso di tecnologia americana da parte della concorrenza cinese.

Le restrizioni statunitensi mirano a limitare l’accesso della Cina a semiconduttori avanzati, fondamentali per lo sviluppo dell’AI e di applicazioni con potenziale uso militare. Nvidia ha già dovuto ridisegnare i suoi chip per il mercato cinese, come l’H800 e il più recente H20, ma le autorità stanno valutando ulteriori limitazioni.

Singapore, pur essendo un importante snodo commerciale per Nvidia, non è attualmente inclusa nelle restrizioni più severe, il che ha alimentato il sospetto che possa essere stata utilizzata come punto di transito per l’acquisto dei chip da parte di DeepSeek.

Per maggiori informazioni, clicca per l’articolo originale.

Il Super Bowl di quest’anno sarà pieno di spot pubblicitari sull’AI

Il Super Bowl LIX sarà dominato da pubblicità legate all’AI, con aziende disposte a pagare cifre record per uno spazio pubblicitario durante l’evento sportivo più seguito negli Stati Uniti.

Secondo Mark Evans, vicepresidente esecutivo delle vendite pubblicitarie di Fox Sports, l’AI è la protagonista di quest’anno, con investimenti che superano gli 8 milioni di dollari per uno spot di 30 secondi. Questo fenomeno riflette l’enorme attenzione che l’intelligenza artificiale sta ricevendo nel mondo tecnologico e commerciale, ma anche il calo degli annunci provenienti da Hollywood e dalle piattaforme di streaming.

Le cause di questo cambiamento nel panorama pubblicitario sono legate agli scioperi di sceneggiatori e attori del 2023, che hanno sollevato preoccupazioni sul ruolo dell’AI nell’industria dell’intrattenimento e sull’utilizzo non autorizzato delle opere creative per addestrare i modelli di intelligenza artificiale.

Inoltre, la riduzione degli spot dei grandi studios potrebbe essere un effetto persistente della crisi pandemica. Più di dieci aziende hanno accettato di pagare cifre da record per assicurarsi uno spazio pubblicitario, mentre alcune società, come State Farm, hanno ritirato le loro prenotazioni per motivi legati a eventi imprevisti.

Tuttavia, l’esplosione degli spot AI non garantisce che questa tendenza continui nel tempo: il Super Bowl del 2022, caratterizzato da numerose pubblicità di criptovalute, non ha visto alcuno spot sul settore l’anno successivo. La massiccia presenza dell’AI negli annunci del Super Bowl riflette l’attuale momento di entusiasmo, ma solleva anche interrogativi sulla sua sostenibilità nel lungo periodo.

Per maggiori informazioni, clicca per l’articolo originale.

Leggi le altre notizie sull’home page di Key4biz

https://www.key4biz.it/il-successo-di-deepseek-il-design/519927/