La ricerca dell'Osservatorio Artificial Intelligence

«I large language model stanno rivoluzionando la ricerca in intelligenza artificiale e hanno molte ricadute in ambito applicativo» spiega Tatiana Tommasi, vice coordinatrice del Collegio di Dottorato Intelligenza Artificiale «Possiamo descriverli come modelli addestrati con enormi quantità di dati testuali che, data una sequenza di parole, imparano a prevedere la parola successiva. Questo permette di acquisire capacità di linguaggio creando frasi che rispettano le logiche di un discorso e con un tono e uno stile diversi anche a seconda dei vari possibili contesti. Generare parole con queste modalità si avvicina a “saper parlare”, e questo è essenziale per avere chatbot che rispondano ai clienti, monitorino le loro esigenze e sappiano anche creare campagne pubblicitarie accattivanti».

di Daniele Bettini

MAGAZINE

11 set 2024

Questa è solo la punta dell’iceberg perché la conoscenza che i modelli acquisiscono è più profonda, e ha a che fare con la semantica degli oggetti (qual è il modo giusto di usare un certo oggetto/strumento a seconda della necessità), con la decomposizione in passi di procedure complesse (si pensi a una ricetta di cucina, o alle istruzioni di assemblaggio per un mobile), o con la gestione degli spazi (dalle descrizioni negli annunci immobiliari alle stage direction che danno indicazioni per i movimenti degli attori in scena).

«La conoscenza interna di questi modelli, detti anche “fondazionali” per la loro ricchezza, può quindi essere utilizzata in tanti scenari. Si possono porre al modello domande sempre nuove e ottenere risposte di grande utilità pratica. A oggi i large language model e le loro versioni multi-modali per vision-language sono alla base di metodi per l’identificazione di anomalie in prodotti
industriali, per il design e la personalizzazione di nuovi oggetti e spazi, per l’ottimizzazione della logistica, così come l’addestramento di policy di navigazione e manipolazione per agenti robotici che possono interagire in modo sempre più naturale con esseri umani in ambienti di lavoro dinamici, mantenendo comunque la massima sicurezza».

Prosegue Tommasi «In generale possiamo dire che i trend attuali sui large language model non sono solo mode passeggere. Questi modelli resteranno come una componente essenziale dei futuri strumenti di IA sia in ambito domestico sia industriale. Tuttavia ci sono ancora molte domande aperte. Innanzitutto va sottolineato che l’addestramento di questi modelli risulta al momento appannaggio solo di grandi aziende in grado di investire in enormi capacità computazionali. Come rendere più efficiente questa fase è sicuramente di grande interesse, anche tenendo conto della necessità di imparare “on the edge” con accesso a risorse molto ridotte. D’altra parte al termine dell’addestramento l’uso dei modelli è piuttosto efficiente e si basa sulla loro interrogazione, ma non esistono procedure standard per questo: le soluzioni attuali passano attraverso molteplici tentativi o regole empiriche e dipendono significativamente dalla specifica conoscenza da estrarre».

Nel vivo della ricerca

Un’interessante nota quella della professoressa Tommasi che aiuta a interpretare i risultati della ricerca dell’Osservatorio Artificial Intelligence della School of Management del Politecnico di Milano presentata lo scorso febbraio al convegno “Al centro: novità, applicazioni e regole”.

La ricerca ha evidenziato che «Il mercato dell’intelligenza artificiale, in Italia, cresce in maniera impetuosa. Nel 2023 segna +52%, raggiungendo il valore di 760 milioni di euro, dopo che già nel 2022 aveva registrato un +32% rispetto
all’anno precedente. La gran parte degli investimenti riguarda soluzioni di analisi e interpretazione testi per ricerca semantica, di classificazione, sintesi e spiegazione di documenti o agenti conversazionali tradizionali, mentre
sono ancora limitati al 5% (38 milioni di euro) i progetti di Generative AI. Sei grandi imprese italiane su dieci hanno già avviato un qualche progetto di intelligenza artificiale, almeno a livello di sperimentazione, ma ben due su tre
hanno già discusso internamente delle applicazioni delle Generative AI e tra queste una su quattro ha avviato una sperimentazione (il 17% del totale)».
La ricerca prosegue evidenziando come «Nel 2023 quasi tutti gli italiani (98%) hanno sentito parlare di intelligenza artificiale, e più di un italiano su quattro (29%) ne ha una conoscenza medio-alta. C’è grande interesse, dunque, ma anche una certa confusione: tre italiani su quattro hanno sentito parlare di ChatGPT, ma solo il 57% conosce il termine “Intelligenza Artificiale Generativa”. Un italiano su quattro dichiara inoltre di aver interagito almeno una volta con ChatGPT. Ben il 77% degli italiani (+4 punti percentuali rispetto al 2022) guarda con timore all’intelligenza artificiale, soprattutto in relazione ai possibili impatti sul mondo del lavoro. Tuttavia, solo il 17% è formalmente contrario all’ingresso dell’IA nelle attività professionali».

Spiega ora Nicola Gatti, Direttore dell’Osservatorio Artificial Intelligence «Da parte della comunità scientifica è doveroso guidare il percorso di adozione dell’IA e dell’IA generativa, cercando di evitare la fase di disillusione che solitamente caratterizza il processo di adozione di nuove tecnologie. A questo riguardo, sono tre le principali criticità che riguardano oggi l’IA: poter garantire che i risultati dei sistemi di IA siano corretti (tipicamente si parla di robustezza), poter garantire che le decisioni prese siano spiegabili alle persone (explainability) e certificare che i sistemi di IA rispettino le regolamentazioni europee e che i rischi potenziali siano mitigati. Come Politecnico di Milano, tramite il Partenariato Esteso FAIR, stiamo portando avanti la ricerca in ambito Adaptive AI proprio per dare risposta a queste sfide».

Le applicazioni industriali

Tornando alle applicazioni più industriali e più legate ai processi manifatturieri, la docente Tommasi aggiunge «Abbiamo recentemente sviluppato un sistema per la pianificazione automatica delle traiettorie eseguite da un braccio robotico per spray painting di grandi oggetti.

L’algoritmo proposto permette di alleviare il compito dei tecnici che generalmente devono ingegnerizzare il movimento del robot e poi spostarlo a mano per ogni nuovo oggetto, rimanendo anche esposti ai processi di verniciatura con materiali potenzialmente dannosi per la salute. Abbiamo dimostrato sperimentalmente che le traiettorie generate automaticamente permettono di coprire fino al 95% della superficie di oggetti non visti in fase di addestramento. Il laboratorio VANDAL (Visual and Multimodal Applied Learning) del Politecnico di Torino ha anche numerosi altri progetti con partner industriali finalizzati all’ottimizzazione del trade off in costo e accuratezza per l’addestramento dei modelli in base alle necessità di potenziali clienti, allo sviluppo di nuovi sistemi di riconoscimento visivo e multimodale
per applicazioni robotiche legate alla interazione uomo-macchina da visione egocentrica, ma anche per scene stradali in automotive e su dati satellitari per la localizzazione a scopo turistico o per la predizione di frane».

Prosegue sempre Tommasi «La creazione di nuovi modelli è proibitiva per molte piccole realtà e richiede di scalare a cluster con migliaia di GPU e potenti sistemi di raffreddamento, entrambi estremamente dispendiosi in termini di energia elettrica e acqua, con un carbon footprint significativo
» aggiunge, dando in questo senso una spiegazione ai numeri presentati dall’Osservatorio. «Per avere un’idea della scala, è stato stimato che per generare solo 1000 immagini con un modello tra i più recenti (Stable Diffusion
XL) si producono le stesse emissioni di anidride carbonica prodotte guidando un’auto per 6,5 km. La domanda principale che ci si pone in ambito industriale al momento è come usare i modelli fondazionali piuttosto che addestrarne
di nuovi. Stanno fiorendo numerosissime startup il cui obiettivo è quello di fornire alle aziende delle interfacce che accedono a modelli preesistenti tramite API. Come menzionato sopra, interrogare questi modelli una volta
che siano stati addestrati risulta piuttosto efficiente, quindi i costi in questo senso rimangono limitati. Ma c’è ancora molto spazio per elaborare metodi e strategie adatte e ottimizzate allo scopo».

«Come laboratorio VANDAL» conclude Tommasi «abbiamo la fortuna di coprire molti insegnamenti di machine learning presso il Politecnico di Torino e di formare più di 500 studenti all’anno in vari percorsi magistrali di ingegneria. Ci aspettiamo che i nostri studenti diventino i ricercatori ma anche i CEO e dirigenti di domani. Pensiamo sia essenziale partire dai principi che sono alla base dei modelli di apprendimento statistico dei dati per riuscire non solo a capire potenzialità e limiti dei modelli, ma anche disegnarne di nuovi più efficienti e affidabili. L’IA è uno strumento con basi matematiche che ha ricadute importanti nella vita di tutti e sta già significativamente cambiando alcuni aspetti del nostro quotidiano oltre che vari ambiti lavorativi.
Pensiamo che chi sviluppa queste nuove tecnologie abbia il compito di farlo in modo competente e responsabile mantenendo l’uomo al centro degli obiettivi».