Intelligenza Artificiale, significato e applicazioni dell'AI

Intelligenza Artificiale, che cosa si intende per IA

Prima di comprendere i meccanismi alla base dell'Intelligenza Artificiale e di spiegare esattamente come funziona l'IA, bisogna approfondire il concetto di AI. Per farlo, dovremo rispondere in modo chiaro ad un paio di semplici domande:

1. Che cosa si intende per Intelligenza Artificiale?
2. Qual è l'origine dell'Intelligenza Artificiale?

Per dare risposta a queste domande possiamo, prima di tutto, cercare una definizione puntuale di Intelligenza Artificiale. Quindi, per comprenderne il significato possiamo chiedere aiuto all'Osservatorio Artificial Intelligence del Politecnico di Milano. Ecco come l'Osservatorio definisce il concetto di IA, rispondendo alla prima delle due domande:

Per quanto si tratti di una tecnologia complessa, l’idea che sta alla base dell’Intelligenza Artificiale è molto semplice. Si tratta, infatti, di sviluppare delle “macchine” dotate di capacità di apprendimento automatico e di adattamento che siano ispirate ai modelli di apprendimento umani.

Intelligenza Artificiale, le origini: Alan Turing

Dopo aver chiarito e compreso che cosa si intende per Intelligenza Artificiale, possiamo ora chiarire altri due concetti. Il primo concetto da chiarire è perchè si chiama proprio Intelligenza Artificiale, mentre il secondo riguarda le origini dell'IA come disciplina scientifica. Per comprendere la storia dell'Intelligenza Artificiale, tradotto in inglese come Artificial Intelligence, si può chiedere ancora una volta l'aiuto dell'Osservatorio AI del Politecnico.

Bisogna aver chiaro che i primi studi in materia di Intelligenza Artificiale le origini e la sua storia come disciplina scientifica, risalgono agli anni Cinquanta. Fu proprio in questo periodo di grande fermento scientifico che si tenne il primo convegno a cui presero parte i maggiori esperti di informatica dell’epoca. Tra questi grandi esperti di informatica c'era anche Alan Turing, considerato uno dei padri dell’informatica moderna.

È stato proprio grazie a Turing che l’Intelligenza Artificiale ai tempi iniziò a ricevere attenzioni da parte della comunità scientifica. Qualche anno prima, all’interno dell’articolo “Computing machinery and intelligence”, Alan Turing aveva proposto un test, noto come “Test di Turing”. Secondo questo test, una macchina poteva essere considerata intelligentese il suo comportamento, osservato da un essere umano, fosse stato considerato non distinguibile da quello di una persona.

Si può dire, dunque, che chi ha creato l'Intelligenza Artificiale sia proprio Alan Turing. Turing, però, può essere considerato il padre dell'Intelligenza Artificiale solo a livello teorico.

Intelligenza Artificiale e Machine Learning, le differenze

Intelligenza Artificiale e Machine Learning (e anche Deep Learning) sono spesso considerati sinonimi. In realtà i concetti sono differenti. In particolare, il Machine Learning (apprendimento automatico) è la sottoarea dell’AI che si concentra sullo sviluppo di algoritmi che permettono ai computer di imparare dai dati e migliorare le loro prestazioni nel tempo, senza essere esplicitamente programmati per ogni specifica attività.

Il ML utilizza una varietà di tecniche statistiche per consentire ai computer di "apprendere" dai dati, identificando pattern e prendendo decisioni basate su esempi passati. Questa capacità di apprendimento automatico è al cuore del ML e lo distingue dalle tecniche tradizionali di programmazione AI.

Qual è la differenza tra Deep Learning e Machine Learning

Il Deep Learning (apprendimento approfondito) è un sottoinsieme più specifico del Machine Learning che utilizza reti neurali profonde (composte da molteplici livelli) per apprendere dai dati. All’interno del Deep Learning troviamo, ad esempio, i grandi modelli fondazionali. Modelli come GPT e DALL-E di OpenAI e LLaMa di Meta che hanno ridestato attenzione verso l’Intelligenza Artificiale Generativa. Nello specifico, i foundation model per l’interpretazione del linguaggio naturale prendono oggi il nome Large Language Model (LLM).

I due tipi di Intelligenza Artificiale, l'IA Forte e l'IA Debole

Dopo i primi studi degli anni Cinquanta, le aspettative sull’Intelligenza Artificiale iniziarono ad aumentare. A causa di una mancata disposizione di una capacità di calcolo adeguata dei dispositivi, però, ben presto il concetto di ‘Intelligenza Artificiale si frammentò in due teorie distinte. Queste teorie sono, tutt’oggi, condivise ed permettono di distinguere le due tipologie di Intelligenze Artificiali:

1. Intelligenza Artificiale Forte, secondo cui le macchine sono in grado di sviluppare una coscienza di sé, che studia sistemi in grado di replicare l’intelligenza umana. Questo paradigma è supportato dal campo di ricerca dell’Intelligenza Artificiale Generale (AGI), che studia i sistemi in grado di replicare l’intelligenza umana.
2. Intelligenza Artificiale Debole, la quale ritiene possibile sviluppare macchine in grado di risolvere problemi specifici senza avere però coscienza delle attività svolte. L'obiettivo di questa teoria non è solo quello di realizzare macchine dotate di intelligenza umana. Il fine ultimo, infatti, è quello di avere sistemi in grado di svolgere una o più funzioni umane complesse.

Per dare una definizione di Intelligenza Artificiale come disciplina di studio, quindi, possiamo dire che:

L'Intelligenza Artificiale è quel ramo della computer science che studia lo sviluppo di sistemi Hardware e Software dotati di specifiche capacità tipiche dell’essere umano. Alcuni esempi potrebbero essere l'interazione con l’ambiente, l'apprendimento e adattamento, il ragionamento e la pianificazione. Questi sistemi sono capaci di perseguire in modo autonomo una finalità definita, prendendo decisioni che fino a quel momento erano solitamente affidate alle persone.

Quindi, cosa si studia in Intelligenza Artificiale? Per spiegarlo si può dire che, l'IA, è un campo di ricerca che studia la programmazione e la progettazione di sistemi. Questi sistemi, poi, sono costruiti e pensati per dotare le macchine di una o più proprietà considerate tipicamente umane, che variano dall'apprendimento alla percezione visiva o spazio-temporale.

In questo scenario, l'Intelligenza Artificiale deve essere trattata combinando gli aspetti teorici a quelli pratici e operativi. Partendo da una definizione puntuale di IA, possiamo descrivere, poi, le principali tecniche di Intelligenza Artificiale (Machine Learning e Deep Learning su tutte), ma non solo.

Possiamo capirne il funzionamento, le diverse applicazioni, le opportunità derivanti dall'utilizzo dell'IA e il percorso di introduzione dell'Intelligenza Artificiale nelle imprese italiane. Rispondendo a un roboante quesito finale: l'Intelligenza Artificiale, è una minaccia o una necessità per l'uomo?

Le Applicazioni di Intelligenza Artificiale

Dopo aver spiegato in modo approfondito e compreso le origini e il significato di Intelligenza Artificiale, possiamo iniziare a comprendere cosa può fare l'Intelligenza Artificiale.

L’Intelligenza Artificiale può essere applicata a diversi ambiti; tuttavia, questa tecnologia non è destinata a diffondersi in essi alla stessa velocità. Considerato questo, bisogna fornire un quadro completo delle applicazioni di Intelligenza Artificiale. L’Osservatorio Artificial Intelligence ha elencato sei classi di soluzioni di IA adottate (o adottabili) dalle imprese e distinte in base alle finalità d’utilizzo. Alla base di queste soluzioni ci sono algoritmi, tecniche di computazione e soluzioni in grado, dunque, di replicare il comportamento umano.

I Chatbot

Tra le applicazioni Intelligenza Artificiale, il Chatbot, o Virtual Assistant, è una delle soluzioni più diffuse tra le aziende italiane e internazionali. Gli assistenti virtuali sono strumenti capaci offrire assistenza 24/7 sia ai clienti che ai dipendenti. Inoltre, i ChatBot si prestano anche a diversi impieghi in ambito marketing, supporto alla vendita, HR Management, domotica e Ricerca e Sviluppo.

NLP (Natural Language Processing)

Un’altra applicazione di Intelligenza Artificiale è il Natural Language Processing (NLP). Le tecniche di NLP si pongono l'obiettivo di creare sistemi in grado di favorire l’interazione e la comprensione uomo/macchina. L’NLP è un algoritmo di apprendimento che si occupa principalmente di testi. Ad esempio, una qualsiasi sequenza di parole che in una lingua esprime uno o più messaggi (come pagine web, post, tweet, informazioni aziendali).

Computer Vision

Tra le applicazioni di Intelligenza Artificiale, la Computer Vision è una delle più importanti. Questa, infatti, studia gli algoritmi e le tecniche per permettere ai computer di raggiungere una comprensione di alto livello del contenuto di immagini o video. Gli avanzamenti di questa applicazione dell’IA negli ultimi anni sono stati importanti. Questi, infatti, hanno portato a soluzioni basate su descrizioni statistiche delle immagini e hanno in modo progressivo lasciato il passo a reti neurali addestrate su milioni di immagini.

IDP (Intelligent Data Processing)

La classe di soluzioni degli Intelligent Data Processing è quella più ampia dal punto di vista delle applicazioni dell’Intelligenza Artificiale. Qui vi rientrano tutte quelle soluzioni che utilizzano algoritmi di Artificial Intelligence – su dati strutturati e non – per finalità collegate all’estrazione delle informazioni presenti nei dati stessi. Le principali finalità che muovono le imprese nell'utilizzo di queste soluzioni di Intelligenza Artificiale sono: il Forecasting (Previsioni) e la Classification & Clustering (Classificazione e Raggruppamento).

Recommendation System

Di tutte le applicazioni finora viste, i Reccomandation Systems sono le applicazioni di Intelligenza Artificiale più utilizzate. Non tutti sanno, infatti, che gli algoritmi di raccomandazione sono il pilastro del modello di business di tutte le piattaforme social ed eCommerce. Per esempio, sia Amazon che Netflix ne fanno largamente utilizzo.

Alla base di tanti servizi digitali, ci sono algoritmi di Intelligenza Artificiale che tengono traccia delle azioni dell’utente. Comparandole, poi, con quelle degli altri utenti, apprendono le preferenze e sono in grado di produrre suggerimenti più precisi al fine di migliorare l'esperienza dell'utente sulla piattaforma.

Soluzioni Fisiche di Intelligenza Artificiale

Le soluzioni fisiche di intelligenza artificiali, in Italia, sono ancora poco diffuse. Tra queste applicazioni di AI, tre sono le categorie da prendere in esame. La prima sono i veicoli autonomi (mezzi di trasporto dotati di guida autonoma), seguita dagli Autonomous Robot (robot in grado di muoversi senza l’intervento umano).

Ultima categoria, ma non meno importante, è quella degli Intelligent Object. Questi oggetti sono in grado di compiere azioni senza l’intervento umano e di prendere decisioni in base alle condizioni dell’ambiente circostante.

Esempio di applicazione dell’Intelligenza Artificiale: l’AI Generativa

A partire dal rilascio di algoritmi di Intelligenza Artificiale Generativa al grande pubblico, queste soluzioni hanno acquisito nuove funzionalità. I Chatbot, per esempio, sono molto più capaci e flessibili.

I modelli fondativi capaci di elaborare testi (come GPT 3.5 e GTP4) hanno anche contribuito notevolmente all’aumento delle performance degli NLP. Modelli fondativi capaci di generare immagini (come DALL-E) hanno invece portato cambiamenti radicali nell’ambito della Computer Vision.

Intelligenza Artificiale Generativa, cos’è e come funziona

Quando si parla di IA, al giorno d'oggi, si pensa quasi subito alle ultime piattaforme sbarcate sul mercato ormai più di un anno fa, in particolare ChatGPT, DALL-E e Bard (ora rinominato in Gemini). Anche molte altre Big Tech hanno cercato di non rimanere indietro, creando nuovi modelli fondativi e lanciando piattaforme come Bing AI (Microsoft), allo scopo di sfruttarne appieno le potenzialità.

Tutte queste piattaforme si basano sull’AI Generativa, o Intelligenza Artificiale Generativa, o ancora Generative AI.

L’AI Generativa è un tipo di Intelligenza Artificiale che utilizza algoritmi di Machine Learning (ossia apprendimento automatico) per generare nuovi contenuti che in precedenza si basavano sulla creatività dell’uomo. Questi contenuti possono essere ad esempio testo, audio, immagini, video e codice informatico.

ChatGPT, il primo tool di AI Generativa

Il primo programma di Generative AI che ha mostrato al grande pubblico le opportunità di questo ramo dell’Intelligenza Artificiale è stato ChatGPT. Lanciato sul mercato nel novembre 2022 dall’impresa statunitense OpenAI, il programma ha avuto un immediato successo. Dopo solo una settimana, infatti, la piattaforma registrava più di un milione di utenti al giorno. Non solo curiosi, però. Anche addetti ai lavori e professionisti di diversi altri ambiti, tra cui il Marketing.

ChatGPT, sfruttando gli algoritmi di Intelligenza Artificiale di apprendimento automatico, è in grado di svolgere moltissime funzioni. Dal dialogo con gli utenti, alla stesura di testi (come articoli, ricette, e-mail, ecc.), alla generazione di immagini (tramite l’integrazione con DALL-E nella versione a pagamento, ChatGPT 4), ma non solo. ChatGPT, infatti, è in grado di analizzare e compilare snippet di codice in diversi linguaggi di programmazione.

La versione base del tool si basa sul modello fondativo linguistico GPT-3.5 (Generative Pretrained Transformer), mentre ChatGPT 4, a pagamento, utilizza il modello GPT 4. Quest’ultimo è multimodale, in grado, cioè di comprendere e rispondere a input (che prendono il nome di prompt) sia testuali che visivi.

Gemini, l'AI Generativa di Google

Dopo mesi di studio e di esperimenti negli Stati Uniti, anche Google ha lanciato la propria piattaforma di Intelligenza Artificiale Generativa con il nome di Goole Bard. Bard è stato redo disponibile in Italia a partire dal 13 luglio 2023. L’8 febbraio 2024 Bard ha poi cambiato nome in Gemini che, proprio come ChatGPT, è una piattaforma multimodale. Il rebranding è avvenuto in concomitanza con il lancio di Gemini Advanced, una versione premium più avanzata e potente del modello linguistico.

Gemini vanta diverse peculiarità fin dalla sua prima versione, Bard. Una delle sue principali caratteristiche è la possibilità di poter essere integrato con gli altri servizi Google, come Google Documenti e Gmail. Un’altra sua caratteristica riguarda l’aggiornamento delle informazioni, in quanto può attingere da Google stesso, e quindi una grandissima mole di dati. Diversamente, le informazioni di ChatGPT 3.5 risalgono a gennaio 2022, mentre quelle di ChatGPT 4 ad aprile 2023.

Dopo aver analizzato le maggiori applicazioni dell'Intelligenza Artificiale e compreso le sue capacità, è importante ricordare che il funzionamento di questa tecnologia si basa su algoritmi che hanno diverse funzioni. Quindi, per capire esattamente come funziona l'IA si dovrà parlare sicuramente del Machine Learning, altra grande branca di studio appartenente all'IA.

Le applicazioni e la storia dell'Intelligenza Artificiale si incrociano, dunque, con quella del Machine Learning (o apprendimento automatico). L'Intelligenza Artificiale si configura come lo studio dello sviluppo di sistemi dotati di capacità tipiche dell'uomo. Il Machine Learning, invece, può considerarsi una strada (molto battuta) per la sua applicazione.

Quando parliamo di apprendimento automatico o Machine Learning ci si riferisce a quei sistemi in grado di apprendere dall’esperienza. Come lo fanno? Grazie a un meccanismo simile a ciò che un essere umano fa sin dalla nascita. Si tratta dell'apprendimento.

In base alle tecniche di apprendimento è poi possibile distinguere diverse tipologie di Machine Learning legate all'IA. La più nota tra queste è sicuramente il Deep Learning. Tuttavia, i volti del Machine Learning sono assai più sfaccettati. Secondo l’Osservatorio Artificial Intelligence, infatti, sono sei le metodologie principali del Machine Learning:

• Model Prediction;
• Deep Learning;
• Online Learning;
• Explainable Regression & Classification:
• Information Retrieval;
• Reinforcement Learning.

Nei prossimi paragrafi si cercherà di dare alcune definizioni di queste metologie del Machine Learning appena elencate, spiegando le loro peculiarità e collocandole nel panorama dell'Intelligenza Artificiale. Questo approfondimento aiuterà anche a capire con chiarezza come funziona l'IA.

Model Prediction o Modellazione Predittiva

La Model Prediction, o Modellazione Predittiva, è un’area del Machine Learning che include una varietà di tecniche. Queste tecniche di Machine Learning permettono di raccogliere informazioni dai dati a disposizione e apprendere modelli da applicare a nuovi dati.

Tali modelli sono a loro volta capaci di operare su nuovi dati. La Modellazione Predittiva si pone, quindi, l’obiettivo di fare predizioni su dati o eventi nel futuro. Questo canale di applicazione dell’AI sta prendendo sempre più piede nelle aziende italiane ed è applicato specialmente in materia di prevenzione frodi, manutenzione predittiva e analisi qualitativa.

Deep Learning o Apprendimento Profondo

Il Deep Learning, o apprendimento approfondito, è uno degli ambiti più importanti del Machine Learning. Si tratta di un insieme di tecniche che simulano i processi di apprendimento del cervello attraverso reti neurali artificiali stratificate. In queste reti neurali, poi, ogni strato calcola i valori per quello successivo.

In poche parole, il Deep Learning è una tecnica di apprendimento automatico in cui, le reti neurali artificiali, vengono esposte a una vasta quantità di dati. Queste sono, poi, in grado di imparare da sole a svolgere determinati compiti senza la necessità di un pre-processamento dei dati.

Online Learning

L’Online Learning, detto anche Real Time Machine Learning, è il ramo del Machine Learning e dell'Intelligenza Artificiale, che studia tecniche di soluzione di problemi. Problemi in cui, i dati diventano disponibili sequenzialmente e le decisioni devono essere prese man mano che un dato diventa disponibile.

L'Online Learning funziona diversamente dall’Offline Learning. Infatti, le decisioni si basano su un’acquisizione precedente di un insieme di dati, così che, l’apprendimento online e la presa di decisioni, sono correlati e interdipendenti. Ciò che viene appreso, infatti, condiziona le decisioni, che, a loro volta, condizionano i dati che vengono osservati per un ulteriore apprendimento.

Explainable Regression & Classification

L’Explainable Regression & Classification, o Regressione e Classificazione Spiegabili, è un'altra tecnica di Machine Learning e dell'Intelligenza Artificiale. Infatti, esso consiste in tecniche atte a risolvere problemi di regressione (predizione di quantità ordinali) e di classificazione, tali da permettere la spiegazione dei risultati ottenuti.

In altre parole, l’Explainable Regression & Classification consente di capire perché modelli di Intelligenza Artificiale per regressione e classificazione prendono determinate decisioni. Tutto ciò avviene a seguito dell’elaborazione dei dati, permettendo anche di comprendere cosa avviene nella “scatola nera” dell’apprendimento del Machine Learning.

Information Retrieval (IR)

L’Information Retrieval, in italiano “reperimento dell’informazione” è un insieme di tecniche di Machine Learning utilizzate per gestire differenti aspetti. Ad esempio, la rappresentazione, la memorizzazione, l'organizzazione e l'accesso a oggetti contenenti informazioni quali documenti, pagine web, cataloghi online e oggetti multimediali. L’obiettivo finale di questi processi consiste nel fornire all’utente le informazioni che egli ha in cercato in precedenza e che sono rilevanti per i suoi interessi.

Reinforcement Learning

Il Reinforcement Learning, o apprendimento per rinforzo, è una tecnica di apprendimento automatico atta a risolvere problemi decisionali sequenziali mediante il conseguimento di determinati obiettivi. Tutto ciò avviene tramite l’interazione con l'ambiente in cui opera.

Un agente che apprende con algoritmi di reinforcement impara a prendere le decisioni ottimali attraverso un approccio empirico del tipo “trial-and-error” (ossia apprendendo per tentativi). A ogni iterazione l’agente osserva l’ambiente tramite i suoi sensori, fisici o virtuali. In seguito, decide quale azione eseguire e osserva gli effetti che l’azione scelta hanno avuto sull’ambiente.

Pro e Contro dell'Intelligenza Artificiale

Comprendere e studiare la disciplina dell’Intelligenza Artificiale ha tante sfaccettature. Significa sviluppare nuove competenze, mettere in campo nuove tecnologie e padroneggiare le tecniche per implementare progetti sempre più innovativi. Questi fattori sono fondamentali per porre le basi del cambiamento culturale e del modo di pensare la relazione con i consumatori.

Quella "uomo vs macchina" è una disputa senza tempo. Sono ancora molte le problematiche etiche e legali legate all'Intelligenza Artificiale. Altrettanti sono i dubbi su quale sarà l’impatto dell’Intelligenza Artificiale sul mondo del lavoro e sulla nostra società.

Soprattutto ci si chiede se la tecnologia dell'Intelligenza Artificiale sia una minaccia o un’opportunità. Saranno le macchine di sostituire l’uomo, e sistemi di IA saranno più abili e più intelligenti degli esseri umani?

Sebbene spesso si riporti una visione distorta dell’IA, l’idea che sta emergendo tra i consumatori italiani è abbastanza aderente alla realtà raccontata dall’Osservatorio AI. Senza però essere influenzata da alcune rappresentazioni fantascientifiche spesso accostate all'Intelligenza Artificiale. Nel futuro occorrerà, comunque, capire quali professionalità saranno le più coinvolte da questa rivoluzione tecnologica e come incideranno le soluzioni di job automation sul sistema previdenziale. Una sola cosa è certa: l’innovazione è una necessità e non una minaccia!

Le sfide etiche dell'Intelligenza Artificiale

Se si vuole analizzare le sfide etiche dell’Intelligenza Artificiale, bisogna dividere in due le tipologie di rischi che possono evidenziarsi con l'applicazione di questa nuova tecnologia AI. Si possono individuare, come riportato di seguito in due elenchi dettagliati, le implicazioni che derivano dalle scelte progettuali degli sviluppatori. Così come si potrà notare l’impatto sulla nostra società dell’Intelligenza Artificiale.

Implicazioni derivanti dalle scelte progettuale degli sviluppatori di Intelligenza Artificiale

• Bias: distorsioni involontarie che esistono nei dati e/o negli algoritmi o che possono essere introdotte da sviluppatori e utilizzatori.
• Black Tech: sistemi appositamente creati per soddisfare scopi malevoli.
• Fairness: acquisizione di un vantaggio iniquo rispetto agli utilizzatori della tecnologia.
• Privacy: non rispetto della normativa in materia di trattamento dei dati personali, monitoraggio e profilazione degli utenti.
• Transparency: mancanza di trasparenza dei processi decisionali che caratterizzano i sistemi di Artificial Intelligence.

I rischi dell’AI per la nostra società

Tra i rischi dell'Intelligenza Artificiale (IA) ci sono, poi, alcune implicazioni che riguardano direttamente persone, società e sistema economico-politico:

• Equality: disuguaglianza in termini di accessibilità alle tecnologie e di eliminazione delle discriminazioni.
• Freedom: limitazione della libertà e dei diritti del singolo (libertà di pensiero, di espressione, di autodeterminazione, diritto all’oblio) e delle libertà collettive.
• Job: implicazioni sul singolo lavoratore ed evoluzione del mercato del lavoro in ragione della crescente automazione di alcuni task lavorativi.
• Psychology: minaccia del benessere mentale ed emotivo degli utenti.
• Sustainability: utilizzo smoderato delle risorse ambientali.
• Trust: accentramento di risorse economico-finanziarie, di asset e di know-how tecnologico.

Intelligenza Artificiale e normative: l’AI Act

L’AI Act, ossia l’Artificial Intelligence Act, è il primo regolamento al mondo sull’Intelligenza Artificiale. Il suo obiettivo è quello di far sì che i sistemi di AI che si trovano all’interno del mercato europeo siano sicuri e rispettino i diritti dell’UE.

Nello specifico l’AI Act prevede di classificare i sistemi di AI in base al loro livello di rischio e di normare tali sistemi, di conseguenza, introducendo anche requisiti e obblighi per la loro immissione nel mercato europeo. Per i sistemi il cui rischio è considerato inaccettabile si giungerà, pertanto, al divieto di utilizzo.

Presentato per la prima volta ad aprile 2021, l’AI Act è stato approvato dal Parlamento Europeo il 13 marzo 2024. Entrerà in vigore presumibilmente nel corso del 2024 a seguito dell’effettiva approvazione del Consiglio europeo. Stando all’accordo provvisorio, tale regolamentazione verrà applicata due anni dopo la sua entrata in vigore (salvo alcune eccezioni).

Con questo regolamento l'UE si afferma come istituzione all’avanguardia nella regolamentazione dell’AI. Questo lungo percorso è iniziato, in realtà, già nel 2018 con il GDPR, ed è proseguito poi con il Digital Markets Act, il Digital Services Act e il Data Act. Attraverso l’AI Act l’Unione Europea mira a porre le basi per raggiungere un equilibrio tra una regolamentazione adeguata in materia di Intelligenza Artificiale e lo sviluppo di una forte economia del settore.

Intelligenza Artificiale e lavoro, cosa cambia?

Sempre secondo la Ricerca dell’Osservatorio Artificial Intelligence da qui a dieci anni, l’Intelligenza Artificiale sarà in grado di automatizzare diverse attività. L’IA sarà, dunque, uno strumento necessario per garantire un livello di produttività tale da rispondere alla crescente domanda di servizi. Difatti, come dichiarato da Giovanni Miragliotta, Direttore dell’Osservatorio Artificial Intelligence, “Il mercato è in forte crescita, come i progetti, e ormai quasi tutti gli italiani hanno sentito parlare di AI, ma guardano a questo ambito con interesse e qualche timore. Nel valutare il reale impatto sul lavoro, però, bisogna tenere in considerazione le previsioni demografiche che, a causa dell’invecchiamento della popolazione, prospettano un gap di 5,6 milioni di posti di lavoro equivalenti entro il 2033. In questa prospettiva, la possibile automazione di 3,8 milioni di posti di lavoro equivalenti appare quasi una necessità per ribilanciare un enorme problema che si sta creando, più che un rischio. Tuttavia, soltanto prestando attenzione alle nuove esigenze dei lavoratori, alla formazione e ad un’equa redistribuzione dei benefici, la società riuscirà a trarre valore dallo sviluppo dell’AI”.

Per quanto riguarda l’AI Generativa nelle mansioni più creative, come la scrittura, la creazione di immagini, di fotografie e di opere d’arte, è difficile dire cosa avverrà nel lungo periodo. Dai dati raccolti fino ad ora dall’Osservatorio risulta che nelle aziende i dipendenti non sono stati sostituiti dalla Generative AI. Quest’ultima, infatti, è stata introdotta per offrire maggiori servizi ai propri clienti. La GenAI viene dunque usata come collaboratore, o più propriamente Job Augmentation, affiancando e intensificando le capacità del lavoro dell’uomo. Le piattaforme, sia testuali che visive, possono infatti fornire una buona base per il proprio lavoro, attraverso spunti e nuove idee. Tuttavia, non sostituiscono il lavoro dell’uomo.