Con l'esplosione dell'intelligenza artificiale generativa, tutti hanno cominciato a parlare di questa tecnologia, chi elogiandone i benefici e chi sottolineandone gli svantaggi. Molto spesso però chi ha conoscenze superficiali dell'IA utilizza il termine "machine learning" come sinonimo di questa tecnologia, quando in realtà si parla di due concetti distinti.
Come sottolinea Bernard Marr, il machine learning è un sottoinsieme del campo dell'intelligenza artificiale che si occupa di "sviluppare sistemi in grado di imparare dai dati, identificare pattern nei dataset e prendere decisioni col minimo intervento umano".
Gli algoritmi di machine learning funzionano nel modo che tutti hanno imparato a conoscere: hanno bisogno di grandi set di dati rilevanti su cui essere addestrati, e i professionisti umani devono validare il funzionamento dei modelli per assicurarsi che funzionino correttamente anche con dati nuovi.
I modelli di machine learning sono presenti da anni in diversi settori: Marr fa l'esempio dei modelli predittivi nel mondo della finanza che analizzano i trend di mercato per prevedere i prezzi delle azioni o determinare il rischio di un credito, o degli algoritmi usati su piattaforme di streaming ed e-commerce per consigliare nuovi prodotti agli utenti in base alle loro preferenze.
I modelli di IA generativa invece non si limitano ad analizzare i dati ed estrarre pattern significativi, ma sfruttano questa conoscenza per generare nuovi contenuti (testi, immagini, musica e video) e quindi nuovi dati che non facevano parte del set iniziale.
L'IA generativa usa reti neurali, in particolare le reti generative avversarie (Generative Adversarial Networks - GANs), gli autocodificatori variazionali (Variational Autoencoders - VAEs) e i Large Language Models (LLM); questi ultimi sono alla base di modelli noti come GPT-4o, LLAMA e Gemini.
L'IA generativa la ritroviamo in applicazioni ormai di uso quotidiano come i chatbot e gli assistenti virtuali, le piattaforme per la generazione di musica e arte e nei video deepfake.
Le differenze tra IA generativa e machine learning
IA generativa e machine learning sono entrambi sottoinsiemi dell'intelligenza artificiale ma è importante conoscere in cosa differiscono per capire quando utilizzare l'una o l'altra tecnologia.
Se il machine learning è pensato per comprendere dati esistenti e generare previsioni sulla base della conoscenza estratta da essi, l'IA generativa mira a creare nuovi contenuti che siano il più simili possibile a quelli umani; in tal senso, c'è un'importante differenza anche tra gli output: il machine learning genera decisioni e previsioni, mentre l'IA generativa produce testi e diversi media, ed è per questo adatta a domini applicativi più creativi.
IA generativa e machine learning possono essere usati in combinazione per creare applicazioni e modelli più potenti: gli algoritmi di machine learning possono migliorare le performance dell'IA generativa creando dati di training di qualità più elevata; similmente, la GenAI può potenziare il machine learning creando dati sintetici relativi a scenari per i quali le informazioni scarseggiano.
Conoscendo i punti di forza e le mancanze delle due tecnologie è possibile scegliere la migliore per i propri scopi e sostenere il passo dell'innovazione. Marr ritiene che, come in parte sta già accadendo, nei prossimi anni il confine tra IA generativa e machine learning diventerà sempre più sottile e le due tecnologie confluiranno l'una nell'altra, aprendo nuove possibilità per il futuro.