La generative AI rappresenta una svolta rispetto al machine learning tradizionale: invece di limitarsi a classificare o prevedere un valore a partire da dati esistenti, è in grado di creare contenuti nuovi — testo, immagini, codice, audio — che assomigliano a quelli su cui è stata addestrata. Su Azure questi modelli sono resi disponibili tramite Azure AI Foundry (che include i modelli OpenAI come GPT-4o), mentre l’esperienza per l’utente finale è incarnata da assistenti come Microsoft 365 Copilot.

Generative AI vs machine learning tradizionale

Il ML tradizionale è tipicamente discriminativo: dato un input, produce un’etichetta o un numero. Alcuni esempi:

  • Classificazione: questa email è spam o no?
  • Regressione: quale sarà il prezzo di questa casa?
  • Clustering: quali clienti si somigliano?

La generative AI è invece generativa: dato un prompt (una richiesta in linguaggio naturale), produce un contenuto originale e coerente. Il modello non “cerca” una risposta in un database, ma la compone parola per parola sulla base di ciò che ha appreso.

Come i large language model generano testo

I large language model (LLM) sono modelli addestrati su enormi quantità di testo. Il loro meccanismo di base è sorprendentemente semplice da descrivere: prevedono il token successivo.

  • Un token è un frammento di testo: una parola, parte di una parola o un segno di punteggiatura.
  • Dato il testo ricevuto finora, il modello calcola quale token è più probabile che venga dopo, lo aggiunge, e ripete il processo.
  • Iterando questa previsione token dopo token, il modello costruisce frasi, paragrafi e interi documenti coerenti.

Questa natura probabilistica spiega perché lo stesso prompt può generare risposte leggermente diverse e perché i modelli possono a volte produrre allucinazioni (informazioni plausibili ma false).

Embedding: dare un significato numerico alle parole

I modelli non capiscono le parole come noi: le convertono in embedding, cioè rappresentazioni numeriche (vettori) che catturano il significato semantico. Parole o frasi con significati simili hanno embedding “vicini” nello spazio vettoriale. Questo permette al modello di cogliere relazioni come sinonimi, contesto e analogie, ed è la base della ricerca semantica e dei sistemi che recuperano documenti pertinenti.

Transformer: l’architettura alla base

L’architettura che rende possibili gli LLM moderni è il transformer. Il suo elemento chiave è il meccanismo di attention, che consente al modello di pesare l’importanza delle diverse parole del testo in ingresso, anche a grande distanza tra loro. Grazie all’attention il modello capisce, ad esempio, a quale nome si riferisce un pronome in una frase lunga, mantenendo il contesto in modo efficace.

Scenari comuni della generative AI

La generative AI abilita una vasta gamma di casi d’uso pratici:

  • Generazione di testo: scrittura di email, articoli, descrizioni di prodotto, bozze di documenti.
  • Riassunti (summarization): condensare report lunghi, thread di email o trascrizioni di riunioni.
  • Generazione di codice: suggerire, completare o spiegare codice (come fa GitHub Copilot).
  • Generazione di immagini: creare immagini a partire da una descrizione testuale, tramite modelli come DALL-E disponibili su Azure AI Foundry.
  • Chat e assistenza: chatbot conversazionali e assistenti che rispondono in linguaggio naturale.

Trappole tipiche d’esame

  • Scenario: “Vuoi creare bozze originali di testo di marketing a partire da una descrizione.” → È un caso di generative AI (generazione di testo), non di classificazione ML tradizionale.
  • Scenario: “Un modello deve prevedere la parola successiva di una frase.” → Si tratta del meccanismo alla base di un large language model.
  • Scenario: “Devi rappresentare il significato semantico delle parole come vettori numerici per confrontarle.” → La risposta corretta è embedding, non tokenizzazione.
  • Scenario: “Quale architettura permette ai modelli di pesare l’importanza relativa delle parole nel testo?” → Il transformer (con il meccanismo di attention).
  • Scenario: “Serve generare un’immagine partendo da una descrizione testuale.” → È generative AI (image generation), un caso diverso dalla computer vision che analizza immagini esistenti.