A corredo dell'articolo di approfondimento e della rassegna di recenti convegni in questo numero di "MinervaWeb", si propone un glossario dei principali termini tecnici utilizzati e di altre parole rilevanti per meglio comprendere l'intelligenza artificiale e il contesto tecnologico e documentale in cui opera: non un vocabolario completo del vasto mondo dei dati digitali, ma una prima bussola per orientarvisi.

La definizione di Intelligenza artificiale riportataè quella adottata dalla Commissione europea il 7 dicembre 2018 nel Piano coordinato sull'intelligenza artificiale - COM (2018) 795 final - e ripresa dal Senato della Repubblica nei documenti dell'Ufficio Valutazione Impatto prodotti sul tema, consultabili a partire dalla pagina Intelligenza artificiale. Governance, responsabilità e privacy: perché serve una regolamentazione?.

Per le altre definizioni si è fatto riferimento a fonti diverse, richiamate tramite sigle che sono sciolte nella seguente legenda. Nei casi in cui si fornisca una libera traduzione di fonti in lingua inglese o francese, il testo non viene riportato tra virgolette.

***************************

Legenda

(A) = Artificial intelligence Glossary sul portale del Consiglio d'Europa, sezione "Council of Europe and Artificial Intelligence".

(B) = Grazia Biorci, Thesaurus e glossario ragionato della lingua della IA e della robotica. Roma, Istituto di ricerca sulla crescita economica sostenibile, 2024. (CNR-IRCrES Working Paper; 3/2024).

(C) = The Cambridge Dictionary. Dizionario inglese [versione online].

(D) = Data science and AI glossary sul sito dell'Alan Turing Institute di Londra.

(G) =Devyani Gajjar,Artificial intelligence (AI) glossary, "POST Resources", 23 gennaio 2024 (risorse del Servizio di ricerca - Parliamentary Office of Science and Technology - del Parlamento britannico).

(GP) =Glossary, inGuidelines for AI in Parliaments, [ed. by] Fotios Fitsilis, Jörn von Lucke, Franklin De Vrieze. [London], WFD, 2024, pp. 83-85.

(I) =International standard ISO/IEC 22989:2022,Information technology - Artificial intelligence - Artificial intelligence concepts and terminology. 1. ed. 2022-07.

(J) = John Jordan, Robot. Cosa sono e come funzionano le macchine intelligenti, trad. di Valentina Schettini. Roma, Luiss University Press, 2022, pp. 175-177.

(L) = A Lexicon for artificial intelligence, "The UNESCO Courier", 25 giugno 2018.

(O) = Glossario,in Open Data Handbook, a cura di Open Knowledge Foundation.

(T) = Treccani. Vocabolario online.

(V) = Commission d'enrichissement de la langue française,Vocabulaire de l'intelligence artificielle, "Bulletin officiel. Ministère de l'Enseignement supérieur et de la Recherche", 7 dicembre 2018.

(W) = Wikipedia [edizione inglese].

**********************

Glossario

Algoritmo: un insieme di istruzioni per eseguire dei compiti (come calcoli e analisi di dati), anche usando dispositivi come i computer. (G)

Allucinazioni: i grandi modelli linguistici, come ChatGPT [ad vocem], non sono in grado di identificare se le frasi che generano hanno senso o sono accurate. Ciò può talvolta portare a risultati imprecisi, noti anche come effetti di 'allucinazione', in cui i grandi modelli linguistici generano un testo plausibile ma impreciso. Le allucinazioni possono anche derivare da distorsioni nei set di dati di training o dalla mancanza di accesso del modello a informazioni aggiornate. (G) [Per il Cambridge Dictionary, 'hallucinate' è stata la parola dell'anno del 2023, ndr].

Apprendimento automatico: [Vedi anche: Machine learning (ML)] processo mediante il quale un algoritmo valuta e migliora le proprie prestazioni senza l'intervento di un programmatore, ripetendo la sua esecuzione su dataset [ad vocem] fino a ottenere costantemente risultati pertinenti. (V)

Apprendimento profondo: vedi Deep learning.

Bias: tendenza o inclinazione, conscia o inconscia, che influenza il giudizio o il processo decisionale in una certa direzione. Nel contesto dell'IA, il bias si verifica quando gli algoritmi, in modo non intenzionale, favoriscono o discriminano gruppi di persone o cose per via di fattori come dati incompleti, presupporti errati, nozioni preconcette ricevute nel corso del processo di addestramento. È importante individuare, identificare e mitigare i bias nei sistemi di IA per assicurare equità e accuratezza nei loro prodotti e per evitare di rafforzare o perpetuare disuguaglianze esistenti nella società. (GP)

Big data: «Insiemi di dati le cui dimensioni superano le capacità di elaborazione dei dati tradizionali». (J) «La crescita della disponibilità di dati e la necessità di elaborarli (es. grande quantità di dati meteo o di dati scientifici), ha portato allo sviluppo di tecnologie informatiche specializzate, architetture e linguaggi di programmazione». (O)

Big data (campo di ricerca): campo di ricerca ad ampio raggio che si occupa di grandi dataset [ad vocem]. Il campo è cresciuto rapidamente negli ultimi due decenni, man mano che i sistemi informatici sono diventati sempre più in grado di archiviare e analizzare le enormi quantità di dati raccolti sulle nostre vite e sul nostro pianeta. Una sfida fondamentale è capire come generare utili approfondimenti dai dati senza compromettere in modo inappropriato la privacy delle persone a cui i dati si riferiscono.(D)

Chatbot: agente conversazionale che dialoga con il suo utente (ad esempio: robot empatici a disposizione dei pazienti, o servizi di conversazione automatizzati nelle relazioni con i clienti). (A)

Cloud: sistemi informatici che coinvolgono un gran numero di computer collegati tra loro e che scambiano messaggi in tempo reale su Internet. Un calcolo o l'archiviazione di informazioni avviati da un computer possono quindi essere eseguiti da una rete di computer interconnessi, creando così una 'nuvola' (cloud). (L)

Data clustering: forma di apprendimento automatico [ad vocem] in cui l'algoritmo [ad vocem] usa un set di dati grezzi e ottiene un risultato basato sul rilevamento di somiglianze tra alcuni di questi dati. Questo tipo di apprendimento non supervisionato viene utilizzato, ad esempio, per l'identificazione del comportamento degli utenti della rete e per la raccomandazione di acquisti. (V)

Dataset: collezione di dati in un formato condiviso. (I)

Deep learning (apprendimento profondo): un tipo di apprendimento automatico [ad vocem] che utilizza reti neurali [ad vocem] artificiali per riconoscere modelli nei dati e fornire un output adatto, ad esempio una previsione. È adatto per attività di apprendimento complesse e ha migliorato le capacità di IA in attività come il riconoscimento vocale e delle immagini, il rilevamento di oggetti e la guida autonoma. (G)

Design: [in riferimento all'IA:]fase di creazione di un sistema di IA, che si conclude con la verifica e validazione. Nella fase di disegno e sviluppo, e in particolare prima della sua conclusione, gli addetti dovrebbero assicurarsi che il sistema di IA possa raggiungere gli scopi previsti, i requisiti e gliobiettivi identificati in partenza. Esempi dei processi che si svolgono nella fase di design includono […] la definizione dell'architettura generale del sistema di IA […], l'acquisizione o lo sviluppo del software […], l'elaborazione dei dati di addestramento quale parte fondamentale dello sviluppo di sistemi di AI basati sul machine learning [ad vocem]. (I)

Disinformazione: deliberata creazione e diffusione di informazioni false e/o manipolate che mirano a ingannare e fuorviare le persone, sia allo scopo di causare danni, sia per guadagno politico, personale o finanziario. I progressi nell'intelligenza artificiale generativa [ad vocem] hanno abbassato la barriera per la produzione di disinformazione.(G)

Generazione potenziata da recuperovedi Retrieval-Augmented Generation (RAG)

Intelligenza artificiale (IA): «sistemi che mostrano un comportamento intelligente analizzando il proprio ambiente e compiendo azioni, con un certo grado di autonomia, per raggiungere obiettivi specifici. Usiamo l'IA quotidianamente, ad esempio per bloccare lo spam nella posta elettronica o per parlare con gli assistenti digitali. L'aumento della potenza di calcolo e della disponibilità dei dati e il progresso negli algoritmi hanno reso l'IA una delle tecnologie più importanti del 21. secolo».

Intelligenza artificiale (disciplina): «disciplina dell'informatica che si occupa di creare macchine in grado di imitare le capacità dell'intelligenza umana attraverso lo sviluppo di algoritmi che consentono di mostrare attività intelligente». (B)

Intelligenza artificiale generativa: tecnologia di IA in grado di generare nuovi contenuti sulla base di ciò che ha imparato. Si basa su modelli riconosciuti e appresi per generare dati di sintesi. (GP)

Large Language Model (LLM): tipo di modello che viene addestrato su una vasta quantità di dati testuali per svolgere attività correlate al linguaggio. I 'grandi modelli linguistici' alimentano la nuova generazione di chatbot [ad vocem] e possono generare testo indistinguibile dal testo scritto da esseri umani. Fanno parte di un campo di ricerca più ampio chiamato elaborazione del linguaggio naturale e sono in genere molto più semplici nella progettazione rispetto ai modelli linguistici più piccoli e tradizionali. (D)

Machine learning (ML): «Il termine 'learning' in inglese si riferisce al processo di acquisizione di conoscenze, competenze, abilità o comportamenti attraverso l'esperienza, lo studio o l'addestramento. In ambito più specifico, il termine è spesso associato all'apprendimento nel contesto dell'istruzione o dell'adattamento a nuove situazioni. […] Il Machine learning (ML) insegna ai computer e ai robot a fare azioni e attività in modo naturale come gli esseri umani o gli animali: imparando dall'esperienza (o meglio, attraverso programmi di apprendimento automatico [ad vocem]). In sostanza, gli algoritmi di ML usano metodi matematico-computazionali per apprendere informazioni direttamente dai dati, senza modelli matematici ed equazioni predeterminate». (B)

Prompt: [in ambito informatico] istruzione data a un'intelligenza artificiale [ad vocem] utilizzando il linguaggio naturale anziché il linguaggio del computer. (C)

Prompt engineering: processo di strutturazione o creazione di un'istruzione al fine di produrre il miglior output possibile da un modello di intelligenza artificiale generativa [ad vocem]. […] Un prompt [ad vocem] per un modello linguistico testo-testo può essere una query [ad vocem], un comando o una dichiarazione più lunga che include contesto, istruzioni e cronologia della conversazione. La strutturazione dei prompt può comportare la formulazione di una query, la specificazione di uno stile, la scelta di parole e grammatica, la fornitura di un contesto pertinente o la descrizione di un personaggio che l'IA deve imitare. Quando si comunica con un modello testo-immagine o testo-audio, un prompt tipico è una descrizione di un output desiderato […]. (W)

Query: «tipologia di interrogazione accettata da un database sui dati che archivia. Una query complessa può chiedere al database di selezionare i dati secondo alcuni criteri, aggregarli per quantità rispetto a delle caratteristiche, ecc. […]». (O)

Reti neurali: sistema di intelligenza artificiale ispirato al cervello biologico, costituito da un ampio set di unità computazionali semplici e interconnesse ('neuroni'), con dati che passano tra loro come tra neuroni nel cervello. Le reti neurali possono avere centinaia di strati di questi neuroni, con ogni strato che svolge un ruolo nella risoluzione del problema. Hanno buone prestazioni in attività complesse come il riconoscimento facciale e vocale. [Vedi anche: Deep learning]. (D)

Retrieval-Augmented Generation (RAG - Generazione potenziata da Recupero): è una tecnica che garantisce ai modelli di intelligenza artificiale generativa [ad vocem] capacità di recupero delle informazioni. Modifica le interazioni con un modello linguistico di grandi dimensioni (LLM [ad vocem]) in modo che il modello risponda alle query [ad vocem] degli utenti con riferimento a un set di documenti specificato, utilizzando queste informazioni per aumentare le informazioni tratte dai suoi vasti dati […]. Ciò consente ai LLM di utilizzare informazioni specifiche del dominio e/o aggiornate. (W)

Stocastico: «sinonimo di casuale e aleatorio […]; più in generale, gli strumenti, le teorie e i modelli stocastici sono atti a descrivere e studiare situazioni che variano in base a leggi probabilistiche (e non deterministiche), come, per es., tutti i fenomeni naturali, in quanto in essi è presente, sia per la loro stessa natura, sia per gli errori di osservazione, una componente casuale o accidentale […]». (T)

*********************