{"id":506,"date":"2025-12-19T21:32:38","date_gmt":"2025-12-19T21:32:38","guid":{"rendered":"urn:uuid:4e41864a-3519-4638-b794-c513febb08a4"},"modified":"2026-02-11T00:36:20","modified_gmt":"2026-02-11T00:36:20","slug":"guida-allacquisto-delle-soluzioni-di-apprendimento-basate-sullai","status":"publish","type":"research","link":"https:\/\/www.docebo.com\/it\/research\/guida-allacquisto-delle-soluzioni-di-apprendimento-basate-sullai\/","title":{"rendered":"Guida all’acquisto delle soluzioni di apprendimento basate sull’AI"},"content":{"rendered":"\n
\n
\n

Guida all’acquisto di prodotti per l’apprendimento dell’IA<\/h2>\n\n\n\n
\"\"<\/figure>\n<\/div>\n\n\n\n
\n
\n

Come utilizzare questa guida<\/h3>\n\n\n\n

L’intelligenza artificiale (IA) \u00e8 diventata sempre pi\u00f9 essenziale per i team L&D che cercano di migliorare i programmi di formazione, coinvolgere i dipendenti, guidare il successo organizzativo e rimanere competitivi. Ma i prodotti per l’apprendimento dell’IA sono tutti uguali? Probabilmente no. <\/p>\n\n\n\n

Quindi, come si fa a distinguere tra ci\u00f2 che \u00e8 un’illazione e ci\u00f2 che \u00e8 effettivamente utile?<\/p>\n\n\n\n

\u00c8 qui che entra in gioco questa guida. La Guida all’acquisto di prodotti per l’apprendimento dell’IA ha lo scopo di assistere i professionisti L&D nella loro navigazione nel panorama dell’IA per l’apprendimento, offrendo preziosi approfondimenti e aiutandovi a prendere decisioni informate quando considerate l’acquisto di soluzioni di IA per le vostre iniziative di apprendimento. <\/p>\n\n\n\n

Sia che stiate esplorando il potenziale dell’IA per personalizzare le esperienze di apprendimento, automatizzare le attivit\u00e0 amministrative o ottimizzare la distribuzione dei contenuti, questa guida vi fornir\u00e0 una tabella di marcia per identificare e selezionare gli strumenti di IA che si allineano con le esigenze uniche di apprendimento e sviluppo della vostra organizzazione.<\/p>\n\n\n\n

Il panorama in evoluzione<\/h3>\n\n\n\n

L’IA sta rapidamente diventando parte integrante del business. Secondo una recente ricerca<\/a>, il 35% delle aziende globali riferisce di utilizzare l’IA nella propria attivit\u00e0.

Ma non \u00e8 solo la disponibilit\u00e0 dell’IA (o la novit\u00e0) a guidare questa rapida adozione. L’IA sta rapidamente diventando una necessit\u00e0, in parte a causa di due macro-tendenze che stanno avendo un impatto significativo sulla forza lavoro.<\/p>\n\n\n\n

    \n
  1. Il rapporto tra il tasso di crescita della popolazione e la disoccupazione<\/li>\n\n\n\n
  2. Il drastico cambiamento delle richieste e delle aspettative dei team L&D.<\/li>\n<\/ol>\n\n\n\n

    Partiamo dal tasso di crescita annuale della popolazione – o, pi\u00f9 precisamente, dalla sua mancanza.<\/p>\n\n\n\n

    \n
    \n
    \n

    I tassi di natalit\u00e0 globali sono diminuiti drasticamente. Secondo l’Economist<\/a>, i 15 Paesi pi\u00f9 grandi (in base al PIL) hanno tutti un tasso di fertilit\u00e0 inferiore al tasso di sostituzione, il che significa che le persone escono dalla forza lavoro pi\u00f9 velocemente di quanto si riesca a sostituirle.<\/p>\n<\/div>\n\n\n\n

    \n
    \"\"<\/figure>\n<\/div>\n<\/div>\n<\/div>\n\n\n\n
    \n
    \n
    \n
    \"\"<\/figure>\n<\/div>\n\n\n\n
    \n

    Un tempo c’erano pi\u00f9 disoccupati che posti di lavoro disponibili. Ma negli ultimi anni il paradigma si \u00e8 invertito e ora ci sono pi\u00f9 posti di lavoro aperti che persone che li compilano. Tutto ci\u00f2 si traduce in una carenza di manodopera, che porta a una maggiore concorrenza per i lavoratori di competenza.<\/p>\n<\/div>\n<\/div>\n<\/div>\n\n\n\n

    La demografia non \u00e8 l’unica cosa che si sta evolvendo in modo drammatico. Anche il panorama dell’apprendimento sta cambiando.<\/p>\n\n\n\n

    \u00c8 diventato molto pi\u00f9 grande.<\/p>\n\n\n\n

    Dieci anni fa, la maggior parte dei casi di utilizzo della formazione era interna (ad esempio, onboarding, sviluppo dei talenti, conformit\u00e0, ecc.) Ci\u00f2 significava un numero minore di programmi erogati a un numero minore di utenti. Oggi, un numero maggiore di organizzazioni sta estendendo la formazione al di fuori dell’azienda. I dati dei clienti interni di Docebo riflettono questa evoluzione.<\/p>\n\n\n\n

    \"\"<\/figure>\n\n\n\n

    Non si tratta di un fenomeno esclusivo della nostra organizzazione. \u00c8 indicativo di una tendenza pi\u00f9 ampia. Studi, tra cui uno recente di Brandon Hall Group<\/a>, mostrano che pi\u00f9 del 50% delle organizzazioni offre formazione a gruppi esterni, non dipendenti. Questi includono clienti, partner di canale, distributori, rivenditori a valore aggiunto e franchisee.<\/p>\n\n\n\n

    Una volta che la formazione si estende al di fuori dell’organizzazione, il numero di utenti (insieme ai programmi e ai contenuti necessari per supportarli) cresce in modo esponenziale.<\/p>\n\n\n\n

    La promessa dell’intelligenza artificiale (IA)<\/h3>\n\n\n\n

    Meno persone. Pi\u00f9 lavoro. Questa \u00e8 la nostra realt\u00e0 attuale. Ed \u00e8 una parte importante di ci\u00f2 che rende l’IA una soluzione cos\u00ec attraente.<\/p>\n\n\n\n

    Come mostra il diagramma sottostante, l’IA sta superando le prestazioni umane in molte aree, tra cui il riconoscimento delle immagini, la comprensione della lettura e la comprensione del linguaggio. Questo rappresenta per le aziende una soluzione per compensare la carenza di talenti, aumentando al contempo l’efficienza grazie allo scarico di molte attivit\u00e0 ripetitive e poco creative.<\/p>\n\n\n\n

    \"\"<\/figure>\n\n\n\n

    Forrester prevede che le iniziative di IA<\/a> a livello aziendale aumenteranno la produttivit\u00e0 e la risoluzione creativa dei problemi del 50%<\/a>. L’integrazione dell’IA nell’azienda non solo pu\u00f2 contribuire a mitigare la carenza di manodopera, ma pu\u00f2 anche offrire un vantaggio competitivo. Secondo i dati di 2023, l ‘IA fa risparmiare<\/a> in media 2,5 ore al giorno a un dipendente<\/a>.<\/p>\n\n\n\n

    Anche se le soluzioni di IA hanno un grande potenziale e promesse, \u00e8 importante ricordare che un prodotto di IA per una parte dell’azienda potrebbe non essere utile per un’altra. Ad esempio, una soluzione di revisione dei contratti alimentata dall’IA potrebbe aumentare la produttivit\u00e0 e l’efficienza del team legale, ma non aiuter\u00e0 molto il team di apprendimento e sviluppo. In altre parole, non basta una soluzione IA qualsiasi. Avrete bisogno di prodotti di IA orientati allo scopo in tutta l’organizzazione e i team L&D avranno bisogno di soluzioni di IA per l’apprendimento.<\/p>\n\n\n\n

    \n
    \"\"<\/figure>\n\n\n\n

    Lo sapevate che<\/h3>\n\n\n\n

    Nel 2008 gli sviluppatori hanno creato un’IA che gioca a scacchi, chiamata Stockfish, e le hanno insegnato le regole e le strategie del gioco. Se funziona a pieno regime, \u00e8 quasi impossibile per un essere umano vincere contro Stockfish. Nel dicembre 2017 \u00e8 stata creata un’IA concorrente chiamata AlphaZero. A questa IA non \u00e8 mai stata insegnata la strategia, ma si \u00e8 semplicemente allenata osservando un numero enorme di partite di scacchi e giocando partite di prova contro se stessa per alcuni giorni. A parit\u00e0 di potenza di calcolo, AlphaZero batte costantemente Stockfish.<\/p>\n<\/div>\n\n\n\n

    Che cos’\u00e8 l’IA per l’apprendimento?<\/h3>\n\n\n\n

    Quando parliamo di “IA per l’apprendimento” o “IA per l’apprendimento”, parliamo di prodotti, modelli e agenti di IA creati appositamente per supportare i progettisti didattici, i team L&D e altri professionisti dell’apprendimento. Nel contesto pi\u00f9 ampio dell’IA, gli attuali prodotti di IA per l’apprendimento rientrano generalmente nei rami dell’elaborazione del linguaggio naturale (NLP), del parlato e della visione, che fanno tutti uso dell’apprendimento automatico.<\/p>\n\n\n\n

    \"\"<\/figure>\n\n\n\n

    Nella valutazione delle soluzioni di IA per l’apprendimento, un modo pi\u00f9 utile e forse pratico di guardare all’IA per l’apprendimento \u00e8 in termini di ci\u00f2 che fa: i compiti che pu\u00f2 svolgere. In particolare, quali compiti pu\u00f2 svolgere che siano rilevanti per la vostra organizzazione L&D. \u00c8 qui che si trova la vera opportunit\u00e0. \u00c8 qui che si trova la vera opportunit\u00e0.<\/p>\n\n\n\n

    Forse avete difficolt\u00e0 ad assumere designer didattici e quindi il vostro team \u00e8 in ritardo nella creazione di contenuti. Forse le richieste del vostro team superano la vostra capacit\u00e0 di produzione. Potreste avere una carenza di competenze nel vostro team, quindi non siete in grado di analizzare i dati. O forse state scalando i vostri programmi o la vostra attivit\u00e0 e avete bisogno di capacit\u00e0 di traduzione. In definitiva, l’IA dovrebbe aiutarvi a risolvere un problema particolare. Pertanto, la decisione deve essere guidata dal problema, non dal prodotto.<\/p>\n\n\n\n

    \n
    \"\"<\/figure>\n\n\n\n

    Ecco un consiglio<\/h3>\n\n\n\n

    Un buon approccio consiste nel trattare un potenziale acquisto di IA come se si trattasse di un candidato al lavoro. (Non state acquistando un prodotto, ma un aiuto!) Non assumereste qualcuno solo perch\u00e9 \u00e8 ben vestito e disponibile. Quindi non dovreste acquistare un prodotto IA solo perch\u00e9 \u00e8 intelligente e brillante. Come gli esseri umani, gli strumenti di IA hanno dei limiti. Con i candidati, si scoprono questi limiti durante il processo di colloquio. La valutazione del prodotto \u00e8 l’occasione per scoprire i potenziali limiti dell’IA e assicurarsi che i processi includano controlli e contrappesi che riducano i rischi associati a tali limiti.<\/p>\n<\/div>\n\n\n\n

    \n

    Concetti di base dell’apprendimento dell’IA<\/h3>\n\n\n\n

    Per prendere una decisione informata quando si acquistano prodotti di apprendimento informale, \u00e8 necessario conoscere alcuni concetti di base.<\/p>\n\n\n\n

    01<\/em> Modelli di IA<\/h3>\n\n\n\n

    Un modello di IA \u00e8 il componente centrale di un sistema di IA, responsabile dell’elaborazione e del processo decisionale. \u00c8 progettato per eseguire un compito specifico (ad esempio, riconoscimento di immagini, comprensione del linguaggio naturale, raccomandazioni, ecc.) I modelli di IA sono i motori delle soluzioni. Prendono i dati in ingresso, li elaborano e producono un risultato, come una previsione o una classificazione.<\/p>\n\n\n\n

    I modelli di IA vengono addestrati su enormi serie di dati per identificare modelli e informazioni rilevanti per il loro compito. L’addestramento \u00e8 un processo ad alta intensit\u00e0 di risorse che in genere avviene prima dell’implementazione del modello. Anche i modelli di IA pi\u00f9 diffusi oggi presentano lacune nei dati di addestramento.<\/p>\n\n\n\n

    Poich\u00e9 i modelli di IA possono essere complessi e contenere numerosi parametri, livelli e algoritmi (in particolare nei modelli di apprendimento profondo come le reti neurali), la loro implementazione su scala pu\u00f2 richiedere un notevole dispendio di risorse e un hardware potente, con un conseguente aumento dei costi di generazione dei contenuti per ogni richiesta o domanda.<\/p>\n\n\n\n

    Fortunatamente i modelli di IA sono solo una parte del panorama in continua evoluzione. La maggior parte dei prodotti per l’apprendimento dell’IA sfrutter\u00e0 strategie e tecnologie aggiuntive, come gli agenti di IA, per migliorare i modelli generali di IA e offrire soluzioni pi\u00f9 specializzate, potenti e agili.<\/p>\n\n\n\n

    02<\/em> Agenti di IA<\/h3>\n\n\n\n

    Un agente di intelligenza artificiale si riferisce a un programma specializzato alimentato dall’IA e progettato per operare autonomamente, pur essendo influenzato dall’input dell’utente. Gli agenti di IA sfruttano modelli di linguaggio di grandi dimensioni, come quelli utilizzati da GPT di OpenAI (e altri), per comprendere le intenzioni dell’utente prima di portare a termine compiti e obiettivi. Gli agenti possono adattarsi a nuove informazioni o a cambiamenti nello scenario in cui si svolge il loro compito.<\/p>\n\n\n\n

    A differenza dei modelli di IA tradizionali, che sono generalmente statici e limitati ai compiti per i quali sono stati esplicitamente programmati, gli agenti di IA sono dinamici e flessibili. Inoltre, possono avere accesso a strumenti (come la possibilit\u00e0 di interrogare una fonte di dati o di interagire con altri modelli IA) che decidono autonomamente se e quando utilizzare.<\/p>\n\n\n\n

    Gli agenti IA sono progettati con un grado di autonomia che permette loro di operare in ambienti imprevedibili o mutevoli. Possono prendere decisioni, modificare il loro corso d’azione e persino imparare dai risultati di queste decisioni. Questa adattabilit\u00e0 \u00e8 fondamentale in campi come la robotica (come le auto a guida autonoma), dove gli agenti devono navigare in ambienti reali, o in ambienti di apprendimento virtuale per compiti come le interazioni con gli utenti, dove interagiscono con gli esseri umani in conversazioni fluide e spesso imprevedibili. Una caratteristica chiave che differenzia gli agenti IA dai modelli \u00e8 la loro capacit\u00e0 di impegnarsi in comportamenti orientati agli obiettivi.<\/p>\n\n\n\n

    comportamenti orientati agli obiettivi. Non solo elaborano e rispondono agli input, ma attivano anche il raggiungimento degli obiettivi. Se pensiamo alle opportunit\u00e0 di apprendimento adattivo e personalizzato, gli agenti di IA svolgeranno probabilmente un ruolo importante nel lavorare direttamente con gli utenti, adattandosi alle lacune di apprendimento identificate attraverso le interazioni con l’agente di IA.<\/p>\n\n\n\n

    Nel contesto dell’apprendimento, un agente IA pu\u00f2 essere progettato per concentrarsi sul recupero quando supporta i membri del team che sono fuori strada. Pu\u00f2 alimentare scenari virtuali di chat o video roleplay che creano uno spazio sicuro per la pratica ripetuta, con un utente che non si stanca mai e che pu\u00f2 adattarsi al miglioramento degli allievi. Nei casi in cui l’ottimizzazione pu\u00f2 essere centrale, un agente IA pu\u00f2 essere addestrato per specializzarsi nell’aggregazione e nella comprensione di grandi insiemi di dati e cercare opportunit\u00e0 per rafforzare i processi o le fasi verso un obiettivo finale o un KPI. Se l’obiettivo \u00e8 la padronanza o la certificazione, gli agenti di IA possono essere sviluppati per guidare gli utenti attraverso le fasi di apprendimento verso la vera competenza, utilizzando framework pedagogicamente validi come la tassonomia di Bloom o la progettazione a ritroso.<\/p>\n\n\n\n

    Come nel caso di tutte le interazioni con l’IA, gli agenti, il loro lavoro e i loro risultati devono essere monitorati e contestualizzati dagli esseri umani, soprattutto negli scenari e nei compiti ad alto rischio.<\/p>\n<\/div>\n\n\n\n

    Livelli di automazione della progettazione dell’apprendimento<\/h3>\n\n\n\n

    Quando si introduce l’IA nella propria organizzazione, \u00e8 importante pensare all’intersezione tra l’IA e la progettazione dell’apprendimento guidata dall’uomo. Come illustra la tabella, man mano che si cercano livelli pi\u00f9 profondi di automazione, c’\u00e8 una scala mobile tra l’uomo e la macchina per quanto riguarda il controllo, la personalizzazione e i risultati.<\/p>\n\n\n\n

    \"\"<\/figure>\n\n\n\n

    A sinistra, si ha una mano pesante di controllo nei confronti del sistema che si sta utilizzando. Le azioni e le decisioni saranno guidate dal content o instructional designer e i miglioramenti e l’automazione dell’IA saranno al massimo limitati. Man mano che ci si sposta verso destra, tuttavia, un maggior grado di azioni e decisioni viene lasciato al sistema IA. In cambio, si ottiene una maggiore profondit\u00e0 di personalizzazione, modularit\u00e0, automazione, risparmio di tempo e scalabilit\u00e0 del programma di apprendimento.<\/p>\n\n\n\n

    I vantaggi di un’automazione pi\u00f9 profonda vanno oltre gli elementi sopra elencati. Per la maggior parte delle funzioni aziendali, esiste sempre una certa quantit\u00e0 di lavoro manuale ripetitivo o di attivit\u00e0 che interferiscono con la produttivit\u00e0. Pu\u00f2 trattarsi di riassumere o riorganizzare i dati. Potrebbe trattarsi di scrivere domande per i quiz. Potrebbe essere quella volta in cui avete dovuto passare ore e ore a rietichettare i metadati perch\u00e9 avevano incasinato una tabella.<\/p>\n\n\n\n

    La fatica \u00e8 una parte invisibile e insidiosa della vostra vita lavorativa che l’intelligenza artificiale pu\u00f2 gestire con facilit\u00e0. Se trascorrete il 20% della vostra giornata a lottare con un lavoro noioso, l’IA pu\u00f2 aiutarvi a recuperare quel tempo e aiutarvi ad andare avanti o, a volte, semplicemente a recuperare.<\/p>\n\n\n\n

    Nulla di tutto questo, per\u00f2, accade al livello 1 della tabella precedente. Per recuperare il vostro tempo e delegare all’IA, dovete prima capire il problema che state cercando di risolvere e poi trovare una soluzione (mi piace la selezione dei contenuti basata sull’apprendimento automatico, l’analisi dei dati, la mappatura delle competenze basata sull’IA o gli strumenti di creazione di contenuti dell’IA generativa) che affronti quel problema.<\/p>\n\n\n\n

    Parlando di IA generativa, \u00e8 il momento giusto per spiegare cos’\u00e8 e come funziona ad alto livello.<\/p>\n\n\n\n

    L’IA generativa (GenAI) spiegata<\/h3>\n\n\n\n

    Prima dell’IA generativa, l’intelligenza artificiale era tipicamente specializzata nel riconoscimento e nella previsione. Poteva trattarsi di trasformare i ghirigori di un documento scansionato in testo modificabile, o di prendere un file audio e trascrivere le parole dalle onde sonore. Sulle tastiere degli smartphone, l’intelligenza artificiale di base pu\u00f2 tentare di prevedere o indovinare la parola successiva. Con l’IA generativa, invece, l’intelligenza artificiale crea cose in base a modelli che riconosce nei dati di partenza.<\/p>\n\n\n\n

    \n
    \"\"<\/figure>\n\n\n\n

    Lo sapevate che<\/h3>\n\n\n\n

    L’IA generativa \u00e8 in grado di scrivere un sonetto nello stile di William Shakespeare. Shakespeare era incredibilmente coerente e il fatto che abbia messo il suo nome sulla maggior parte dei sonetti che ha scritto lo aiuta. GenAI pu\u00f2 anche creare arte nello stile di Vincent Van Gogh. Questo apre una vasta gamma di possibilit\u00e0 eccitanti, ma anche considerazioni etiche sul copyright degli artisti le cui opere finiscono per essere utilizzate in questi modelli di IA senza un esplicito consenso.<\/p>\n<\/div>\n\n\n\n

    Nel suo nucleo, GenAI sfrutta i modelli di IA per l’apprendimento profondo per studiare vaste librerie di dati. Potrebbe trattarsi di ogni immagine e testo scritto di pubblico dominio, di tutti i social media pubblici, di articoli di cronaca e altro ancora. Man mano che le aziende di IA alimentano i loro modelli con un numero maggiore di dati, la precisione e l’affidabilit\u00e0 di questi modelli aumentano. Man mano che acquisisce i dati, inizia a riconoscere gli schemi. Questi schemi possono includere cose che gli esseri umani danno per scontate, o che mi piace conoscere<\/em>.<\/p>\n\n\n\n

    Ad esempio, il modo in cui la luce dovrebbe rimbalzare sull’occhio di una persona in una fotografia. Potrebbe essere la struttura prevedibile in cui rientrano i nomi e i verbi nella maggior parte delle frasi. Potrebbe anche essere il modo corretto di pronunciare “enfasi”. Si tratta di schemi a cui non pensiamo consapevolmente, ma che riconosciamo immediatamente se qualcosa non \u00e8 come ce lo aspettiamo. Dopo l’addestramento su milioni, se non miliardi, di documenti, immagini e video, si \u00e8 scoperto che l’IA \u00e8 in grado di riconoscere anche questi schemi, soprattutto se tutto ci\u00f2 che le viene fornito \u00e8 coerente con il modo in cui fa queste cose.<\/p>\n\n\n\n

    L’IA generativa interpreta la coerenza di questi schemi come un’aspettativa di ci\u00f2 che gli esseri umani fanno e si aspettano di vedere. Per molti versi, vuole solo darci quello che vogliamo. Dobbiamo semplicemente essere intenzionali riguardo ai dati utilizzati per addestrare l’IA, al momento in cui li elabora e alla fine di tutto ci\u00f2, spesso otteniamo qualcosa di molto, molto vicino a ci\u00f2 che ci aspettavamo o che avremmo potuto fare noi stessi.<\/p>\n\n\n\n

    \n
    \"\"<\/figure>\n\n\n\n

    Ecco un suggerimento<\/h3>\n\n\n\n

    Non siete sicuri che l’immagine che state guardando sia reale o generata dall’IA? Se c’\u00e8 una persona, controllate le sue mani. I dati di riferimento per le mani sono in genere limitati nei modelli di generazione di immagini non specializzate e spesso sono una delle prime cose che appaiono strane o strane. Se in un’immagine sono presenti testi o loghi, osservateli da vicino per vedere se appaiono innaturali. Il testo generato dall’IA pu\u00f2 apparire pixelato o allungato e i loghi possono essere alterati.<\/p>\n<\/div>\n\n\n\n

    Potenziali problemi con le soluzioni di IA<\/h3>\n\n\n\n

    L’IA pu\u00f2 piacere un po’ come la magia. Si possono ottenere risultati senza sapere o capire come l’IA li abbia ottenuti. Questo non va bene. Non siamo a Oz. Dobbiamo prestare attenzione a ci\u00f2 che accade dietro il sipario o, nel caso dell’IA, a ci\u00f2 che accade all’interno della scatola nera.<\/p>\n\n\n\n

    01<\/em> Il problema della scatola nera<\/h3>\n\n\n\n

    Come ha sottolineato il filosofo francese Bruno Latour, “pi\u00f9 la scienza e la tecnologia hanno successo, pi\u00f9 diventano opache e oscure”. Questo \u00e8 particolarmente vero per l’apprendimento automatico, dove spesso nemmeno i progettisti dell’IA sono in grado di spiegare perch\u00e9 o come l’IA sia arrivata a una decisione.<\/p>\n\n\n\n

    Questa mancanza di approfondimenti viene definita “problema della scatola nera”. Si riferisce alla sfida di comprendere e interpretare i processi decisionali dei modelli complessi di apprendimento automatico, che spesso operano con meccanismi interni intricati e difficili da spiegare o prevedere.<\/p>\n\n\n\n

    Il problema della scatola nera si basa su alcuni aspetti chiave:<\/p>\n\n\n\n

    Mancanza di trasparenza: le<\/strong> reti neurali profonde che alimentano l’IA generativa, ad esempio, sono composte da molti strati e parametri (spesso miliardi). Spesso non \u00e8 chiaro come ogni parametro influenzi il risultato finale. (Anche se il sistema si spiegasse da solo, non si avrebbe il tempo di capire il suo processo decisionale prima di morire). Questa mancanza di trasparenza rende difficile determinare come il modello sia arrivato a una specifica decisione.<\/p>\n\n\n\n

    Complessit\u00e0:<\/strong> i modelli di apprendimento automatico sono in grado di catturare schemi e relazioni intricate nei<\/p>\n\n\n\n

    dati, ma questi modelli possono essere troppo complessi per la comprensione umana. I modelli potrebbero utilizzare caratteristiche o connessioni che non sono immediatamente evidenti all’uomo (mi piace che ci siano pregiudizi impliciti o omissioni nei dati raccolti).<\/p>\n\n\n\n

    Difficolt\u00e0 nella risoluzione dei problemi:<\/strong> quando un modello di IA commette un errore o una decisione distorta, pu\u00f2 essere difficile identificare la causa principale, con conseguenti difficolt\u00e0 nel debugging e nel miglioramento del sistema.<\/p>\n\n\n\n

    Problemi etici:<\/strong> in alcune applicazioni in cui l’IA viene utilizzata per prendere decisioni critiche (mi piace la finanza, la sanit\u00e0 o le questioni legali), il problema della scatola nera solleva problemi etici. Le parti interessate non dovrebbero fidarsi delle decisioni prese da modelli che non possono interpretare o spiegare.<\/p>\n\n\n\n

    Affrontare il problema della scatola nera \u00e8 un’area di ricerca e sviluppo in corso nell’IA. I ricercatori stanno lavorando su metodi per migliorare l’interpretabilit\u00e0 e la trasparenza dei modelli, ad esempio creando tecniche per visualizzare il comportamento dei modelli, l’importanza delle caratteristiche e i razionali delle decisioni. Questo \u00e8 particolarmente importante per garantire l’equit\u00e0, la responsabilit\u00e0 e la trasparenza dei sistemi di IA nelle applicazioni reali. (Approfondiremo questo aspetto nella sezione Quadri per un’IA di successo).<\/p>\n\n\n\n

    02<\/em> Allucinazioni<\/h3>\n\n\n\n

    L’IA ha fatto molta strada. Ma \u00e8 tutt’altro che perfetta.<\/p>\n\n\n\n

    I modelli di IA possono generare o produrre informazioni, contenuti o output che non si basano su dati reali o sulla conoscenza del mondo reale. Questo fenomeno \u00e8 noto come allucinazione e pu\u00f2 variare da piccole incongruenze a imprecisioni di fatto fino a vere e proprie invenzioni. Poich\u00e9 sono generalmente coerenti e grammaticalmente corrette, le allucinazioni possono essere molto convincenti e possono essere scambiate per fatti o ritenute accurate.<\/p>\n\n\n\n

    Le allucinazioni nei modelli di IA possono essere dovute a vari fattori, tra cui errori o distorsioni nei dati di addestramento, complessit\u00e0 del modello, mancanza di controllo e supervisione durante l’addestramento o il prompt stesso. Nell’elaborazione del linguaggio naturale, ad esempio, i modelli di linguaggio a volte generano testi che sembrano coerenti ma che sono completamente inventati e privi di basi fattuali. Ad esempio, un modello di linguaggio potrebbe generare un paragrafo di testo che descrive un evento o uno scenario fittizio come se fosse reale.<\/p>\n\n\n\n

    03<\/em> Bias nell’IA<\/h3>\n\n\n\n

    I bias nell’IA si riferiscono alla presenza di pregiudizi ingiusti e scorretti nelle decisioni o nelle previsioni fatte dai sistemi di intelligenza artificiale. Questi pregiudizi possono derivare da varie fonti e possono portare a risultati discriminatori o diseguali.<\/p>\n\n\n\n

    Anche se la posta in gioco non \u00e8 cos\u00ec alta nell’apprendimento come nella sanit\u00e0 o nella giustizia penale, i pregiudizi possono comunque compromettere i programmi e manifestarsi nei seguenti modi:<\/p>\n\n\n\n

    Pregiudizio dei dati di addestramento:<\/strong> una delle principali fonti di pregiudizio nell’IA \u00e8 rappresentata dai dati di addestramento distorti. Se i dati utilizzati per addestrare un modello di IA contengono pregiudizi (ad esempio storici, di campionamento, per procura, ecc.) o riflettono le disuguaglianze e gli stereotipi esistenti nella societ\u00e0, \u00e8 probabile che il modello apprenda e perpetui tali pregiudizi. Progettare un sistema in modo che produca esempi equilibrati dal punto di vista del genere (indipendentemente dalla divisione di genere esistente negli esempi su cui \u00e8 stato addestrato) contrasterebbe questo fenomeno.<\/p>\n\n\n\n

    Pregiudizio algoritmico:<\/strong> alcuni algoritmi possono intrinsecamente favorire un gruppo o produrre risultati distorti a causa del modo in cui elaborano i dati. Un sistema di riconoscimento facciale, ad esempio, potrebbe essere meno accurato per le persone con la carnagione pi\u00f9 scura, o un sistema di riconoscimento vocale potrebbe non funzionare bene con i dialetti regionali.<\/p>\n\n\n\n

    Pregiudizi di etichettatura:<\/strong> le persone responsabili dell’etichettatura possono introdurre inconsciamente i loro pregiudizi quando etichettano immagini o testi. Come discusso in precedenza, l’IA vuole semplicemente soddisfare le aspettative degli esseri umani, definite dai modelli presenti nei dati di partenza. Pertanto, tutti i pregiudizi rappresentati nell’etichettatura umana saranno riportati nell’output statistico del sistema IA. Il sistema ha imparato a mantenere esattamente la stessa quantit\u00e0 di pregiudizi di un umano, il che pu\u00f2 essere problematico.<\/p>\n\n\n\n

    Cicli di feedback: l’<\/strong> IA non impara solo dal suo set di dati, ma anche dall’interazione con gli esseri umani. Se gli utenti si impegnano costantemente o forniscono feedback positivi su contenuti distorti, il sistema di IA pu\u00f2 adattarsi e rafforzare questi pregiudizi. In altre parole, i sistemi di IA che interagiscono con gli utenti possono imparare i pregiudizi dalle loro interazioni.<\/p>\n\n\n\n

    Nel contesto dell’IA per l’apprendimento, i pregiudizi sono un rischio enorme da tenere presente. Non esistono due utenti uguali. Esiste un livello di implementazione efficace dell’IA che apporta un grado di personalizzazione basato sulle caratteristiche uniche di ciascun utente, sfruttando al contempo i dati raccolti all’interno della piattaforma di formazione. La combinazione di queste due strategie pu\u00f2 consentire all’IA di adattarsi alle esigenze di un utente a livello individuale.<\/p>\n\n\n\n

    Attenuare i pregiudizi nell’IA per l’apprendimento \u00e8 fondamentale per garantire che i sistemi siano equi, etici e imparziali nelle loro decisioni e che l’esperienza di apprendimento sia personalizzata per l’individuo (senza pregiudizi nei suoi confronti).<\/p>\n\n\n\n

    \n
    \"\"<\/figure>\n\n\n\n

    Lo sapevate che<\/h3>\n\n\n\n

    Secondo un recente sondaggio, l’86% degli utenti intervistati ha sperimentato allucinazioni da IA quando ha utilizzato chatbot come ChatGPT e Bard. Nonostante ci\u00f2, il 72% si fida ancora dell’IA.<\/p>\n<\/div>\n\n\n\n

    Quadri di riferimento per un’IA di successo<\/h3>\n\n\n\n

    Non esiste una soluzione rapida per il problema della scatola nera, delle allucinazioni, dei pregiudizi e di altri problemi inerenti all’IA, ma fortunatamente ci sono molte persone e organizzazioni intelligenti che stanno lavorando a questo problema. Durante lo sviluppo di soluzioni basate sull’IA, il team di Docebo ha scavato a fondo nella propria ricerca e ha trovato questi principi, tecniche e framework utili per pensare a soluzioni efficaci, incentrate sull’utente e affidabili.<\/p>\n\n\n\n

    01<\/em> Ispezionabile, spiegabile, sovrascrivibile<\/h3>\n\n\n\n

    Nel report del Dipartimento dell’Istruzione degli Stati Uniti, Office of Educational Technology, IA and the Future of Teaching and Learning<\/a><\/em>, gli authoring IA delineano i criteri per i “buoni modelli di IA” e introducono l’idea che un’IA efficace per l’apprendimento deve essere tre cose: Ispezionabile, spiegabile e sovrascrivibile.<\/p>\n\n\n\n

    Ispezionabilit\u00e0: si<\/strong> riferisce alla capacit\u00e0 dell’utente di monitorare il funzionamento interno dell’IA nel prendere decisioni e creare risultati.<\/p>\n\n\n\n

    Spiegabilit\u00e0: si<\/strong> riferisce alla capacit\u00e0 di fornire spiegazioni leggibili per le decisioni prese dai modelli di IA.<\/p>\n\n\n\n

    Sovrapponibilit\u00e0: si<\/strong> riferisce alla capacit\u00e0 dell’utente di sostituire o rimuovere elementi dell’output o del processo decisionale dell’IA per avere un maggiore controllo sull’output finale.<\/p>\n\n\n\n

    Insieme, questi principi di sviluppo dei prodotti IA forniscono la trasparenza e il controllo di cui l’uomo ha bisogno per poter convalidare e adattare le decisioni del modello IA, se necessario. Se si prevede che l’utente ceda il controllo delle azioni e delle decisioni all’automazione, questi principi aiutano a preservare il controllo generale sull’output del sistema. In questo modo \u00e8 possibile beneficiare dell’IA senza dover avere una fiducia cieca nel sistema.<\/p>\n\n\n\n

    02<\/em> Generazione aumentata del recupero (RAG)<\/h3>\n\n\n\n

    Un altro modo in cui gli sviluppatori possono migliorare l’affidabilit\u00e0 dei risultati di un modello di IA \u00e8 una strategia chiamata Retrieval Augmented Generation (RAG).<\/p>\n\n\n\n

    RAG \u00e8 un framework IA che utilizza una base di conoscenza affidabile per migliorare i modelli di linguaggio di grandi dimensioni (LLM). Recupera fatti accurati per migliorare il processo di generazione e garantisce che il contesto sia basato sulle informazioni pi\u00f9 recenti.<\/p>\n\n\n\n

    Ricordate: i parametri e i dati inizialmente inseriti in un modello IA sono statici e per aggiornarli \u00e8 necessario riqualificare il modello. Il RAG permette ai modelli di linguaggio di saltare la riqualificazione e di accedere a informazioni aggiornate e affidabili. Questo approccio non solo aumenta l’attendibilit\u00e0 delle informazioni fornite, ma riduce anche la probabilit\u00e0 di creare contenuti falsi o fuorvianti, rendendola una tecnica preziosa per le applicazioni in cui l’accuratezza dei fatti e il contesto sono fondamentali.<\/p>\n\n\n\n

    I sistemi di IA per l’apprendimento pi\u00f9 efficaci e personalizzati si collegheranno e attingeranno alla base di conoscenze interne ed esterne dell’azienda per garantire che i contenuti di apprendimento siano non solo completi, ma anche specifici per la vostra attivit\u00e0. Ma per essere efficaci, \u00e8 necessario fare ordine in casa perch\u00e9, come si suol dire, chi non entra non esce.<\/p>\n\n\n\n

    Un’enfasi sulla gestione della conoscenza<\/h4>\n\n\n\n

    La maggior parte dei manager L&D comprende gi\u00e0 l’importanza vitale della gestione della conoscenza; tuttavia, a volte mi piace una battaglia in salita per creare un allineamento interfunzionale in tutta l’azienda su quello che \u00e8 essenzialmente un progetto a livello aziendale.<\/p>\n\n\n\n

    Il risultato di qualsiasi modello di IA \u00e8 buono solo quanto la qualit\u00e0 dei dati. E quando i dati a cui fanno riferimento RAG e la vostra soluzione di IA sono la base di conoscenza interna ed esterna dell’azienda, la gestione della conoscenza diventa fondamentale per tutti i membri dell’organizzazione.<\/p>\n\n\n\n

    La base di conoscenze a cui si fa riferimento funge da spina dorsale per il fact-checking e la convalida, consentendo al modello di generare informazioni accurate e affidabili. Se questa base di conoscenze (le conoscenze dell’organizzazione) \u00e8 vecchia, incompleta o imprecisa, il processo RAG pu\u00f2 portare alla diffusione di informazioni errate o non aggiornate.<\/p>\n\n\n\n

    Se state investendo in un prodotto di IA che far\u00e0 riferimento alla vostra base di conoscenze, la gestione delle conoscenze sar\u00e0 fondamentale per garantire la qualit\u00e0 e la pertinenza dei risultati.<\/p>\n\n\n\n

    Considerate la possibilit\u00e0 di creare (o ricostruire) un team interfunzionale per la gestione della conoscenza nella vostra azienda. Il team dovrebbe coinvolgere i seguenti gruppi e qualsiasi altro gruppo specifico della vostra azienda che sia fondamentale per la definizione delle verit\u00e0:<\/p>\n\n\n\n