File raw: raw/notes/introduzione-all-intelligenza-artificiale-lorenzo-redaelli.md
Origine: NotebookLM «Linee Guida sull’Intelligenza Artificiale a Scuola»
Sommario
Trascrizione del primo di un ciclo di cinque webinar per docenti prodotto con Mondadori Education, tenuto dal prof. Lorenzo Redaelli (docente di lettere con formazione informatica, “umanista digitale”). L’obiettivo dichiarato è fornire ai docenti il lessico di base dell’IA — sfatando i miti — prima di affrontarne etica e applicazioni didattiche. La lezione copre definizioni, storia, e le tecnologie chiave: data science, machine learning, deep learning e reti neurali.
Punti chiave
- Definizione e disclaimer terminologico: l’IA è una disciplina (singolare) che studia la simulazione del pensiero umano; le “applicazioni di IA” non sono “intelligenze”. Cita Floridi: l’IA comporta «un definitivo divorzio tra l’agire in modo intelligente e la necessità di essere intelligenti per farlo».
- IA debole/ristretta vs forte/generale: i sistemi attuali (ChatGPT, assistenti vocali, guida autonoma) sono IA debole/ristretta; l’IA forte (AGI) non esiste e forse non esisterà. Il concetto teorico di “singolarità” è discusso ma considerato lontano dall’autore.
- Storia: conferenza di Dartmouth (1956) come nascita del termine; test di Turing (1950); chatbot ELIZA; “inverno dell’IA”; sistemi esperti (anni ‘80); machine learning (anni ‘90); Deep Blue (1997), Watson (2011), Alexa (2014); IA generativa dal 2022.
- Perché ora: due fattori prima mancanti — grande potenza di calcolo e enormi quantità di dati (forniti da noi via web). Cita la legge di Moore e l’uso delle GPU (che memorizzano ed elaborano insieme, a differenza dell’architettura di von Neumann).
- Data Science: disciplina distinta dall’informatica e dall’IA; i Data Scientist puliscono ed estraggono conoscenza dai dati (strutturati, non strutturati, semi-strutturati) prima dell’addestramento.
- Machine Learning (Arthur Samuel, 1959: imparare senza essere esplicitamente programmati): tre tecniche — supervisionato (dati etichettati), non supervisionato (clustering, scoperta di similitudini), per rinforzo (reward/punizione, processi decisionali di Markov; ChatGPT usa RLHF — feedback umano filtrato dagli sviluppatori).
- Deep Learning e reti neurali: neuroni artificiali a strati, pesi delle connessioni, funzione di attivazione, back-propagation. Tipi: CNN (immagini), RNN (linguaggio sequenziale), GAN (reti generative avversarie), Transformer (elaborano più parole insieme).
- ChatGPT è un’app, non un modello: usa il modello GPT (Generative Pretrained Transformer) di OpenAI; lo stesso modello GPT-4 è usato anche da Microsoft Copilot, che è un’app diversa.
- AI in Education: campo quasi centenario (pioniere Skinner), in quattro fasi: meccanica, programmazione, personalizzazione (LMS, apprendimento adattivo), personalizzazione via big data.
- Posizione dell’autore: né entusiasta né di chiusura, ma “critica e guardinga”; cita il documentario The Social Dilemma sul tema dati (“se è gratis, il prodotto sei tu”).
Citazioni rilevanti
“L’IA comporta un definitivo divorzio tra l’agire in modo intelligente e la necessità di essere intelligenti per farlo.” (Floridi, citato dal relatore)
“Il machine learning permette ai computer di imparare senza essere esplicitamente programmati per farlo.” (Arthur Samuel, 1959, citato)
Entità menzionate
Nessuna delle entità con pagina esistente è menzionata nella fonte. (Vedi suggerimenti: Lorenzo Redaelli, OpenAI, Mondadori Education, Floridi, Turing.)
Concetti trattati
Intelligenza Artificiale — definizione, IA debole/forte, storia Machine Learning — supervisionato, non supervisionato, per rinforzo LLM (Large Language Model) — large language models, GPT, generazione di testo IA Generativa — modelli generativi dal 2022 Alfabetizzazione all’IA (AI Literacy) — obiettivo formativo del webinar: lessico di base per docenti Prompt — interazione con i chatbot generativi
Contraddizioni o tensioni
Nessuna rilevata. Fonte didattico-divulgativa coerente con il quadro concettuale del wiki; utile come base di alfabetizzazione tecnica complementare ai documenti normativi (es. 2025)).
Domande aperte
- Quali contenuti coprono i webinar successivi del ciclo (etica, applicazioni lato docente/studente)?
- L’attività pratica proposta (addestrare un modello ML senza competenze informatiche, anche alla primaria) con quali strumenti viene realizzata?