際際滷

際際滷Share a Scribd company logo

Text_to_text__Come_ragionare_con_le_AI_-_Human_Singularity.pdf

H
Human Singularity

Il workshop "Text to text: Come ragionare con le AI" di Human Singularity offre un'approfondita esplorazione sulle AI generative, distinguendo tra AI deterministica e probabilistica, e introducendo i Large Language Models (LLM) come strumenti chiave nella generazione di testo. Analizza l'importanza degli LLM nella AI generativa, il loro funzionamento basato su auto-regressione e la loro applicazione pratica nel migliorare la creativit e l'interazione umana. Inoltre, il documento discute le sfide, i limiti degli LLM, e come possono essere utilizzati in maniera efficace, offrendo consigli pratici per la creazione di prompt efficaci. L'obiettivo 竪 trasformare gli utenti in esploratori esperti dell'AI, dotati degli strumenti e della saggezza per navigare nell'ambiente AI. Esercizi Pratici e Approfondimenti 123 Brainwriting: Un esercizio che stimola la creativit individuale e collettiva attraverso la risoluzione di problemi complessi, sfruttando la potenza delle Generative AI (GAI) per amplificare e raffinare le idee generate. Questo esercizio include una fase individuale e una di gruppo, promuovendo un approccio strutturato al brainstorming e al problem solving. Sfida dell'Autodifesa dell'AI: Questo esercizio incoraggia i partecipanti a sfidare le risposte potenzialmente evasive o superficiali fornite dalle AI riguardo temi controversi, come l'impatto sull'occupazione. L'obiettivo 竪 sviluppare la capacit di analizzare criticamente le risposte dell'AI, evidenziando contraddizioni logiche e spingendo per soluzioni pi湛 concrete e fattibili. Provoke My Idea: Un'attivit di gruppo incentrata sulla creativit e sull'innovazione, dove i partecipanti sono invitati a costruire e poi "rovinare" le fondamenta di una religione immaginaria. Questo esercizio mira a stimolare il pensiero critico e la capacit di adattamento, promuovendo la comprensione di come idee diverse possano essere combinate o contrastate per esplorare nuovi orizzonti creativi. Crea la tua Startup: Un'esercitazione pratica che richiede ai partecipanti di progettare una campagna pubblicitaria per il lancio di un nuovo software. Questo esercizio aiuta a comprendere l'importanza del contesto, del pubblico target, e della chiarezza nella comunicazione per il successo di un prodotto. Consigli per il Prompting Efficace Le slide offrono anche preziosi consigli su come formulare prompt efficaci per LLM, sottolineando l'importanza dell'equilibrio tra obiettivo, contesto, esempi concreti, personalizzazione, formato e tono. Si enfatizza l'utilit di essere diretti e specifici nelle richieste, evitando frasi di cortesia superflue e suddividendo compiti complessi in prompt pi湛 semplici. Riflessioni Finali Il documento conclude con riflessioni sull'importanza di evitare il pensiero a "pattern" troppo rigido e l'over-reliance su soluzioni standardizzate fornite dalle AI.

1 of 39
Download to read offline
Human Singularity Human First. AI Next! humansingularity.it Come ragionare con le AI
Una differenza chiave per avvicinarci allAI generativa AI Deterministica De鍖nizione: L'AI deterministica segue regole 鍖sse e algoritmi precisi per arrivare a una conclusione. Se dati gli stessi input, fornir sempre lo stesso output. Esempi: Calcolatrici: Seguono regole matematiche precise. Sistemi Esperti: Basati su un set de鍖nito di regole per prendere decisioni in campi come la medicina o il diritto. Caratteristiche: Prevedibilit, stabilit e coerenza. Limitata nella gestione di situazioni nuove o dati non strutturati. AI Probabilistica De鍖nizione: L'AI probabilistica usa algoritmi che considerano la probabilit e la statistica. Pu嘆 produrre risultati diversi anche con gli stessi input, basandosi su probabilit e apprendimento da dati precedenti. Esempi: Motori di Ricerca: Forniscono risultati basati su algoritmi che valutano la probabilit che una pagina sia rilevante. Sistemi di Raccomandazione: Suggeriscono prodotti o contenuti basati su probabilit calcolate dalle preferenze passate degli utenti. Caratteristiche: Flessibilit, adattabilit e capacit di gestire l'incertezza. Eccelle nel trovare pattern in grandi set di dati.
Ultimo sforzo (giuro) Cosa sono gli LLM (Large Language Models) 3 De鍖nizione: Gli LLM sono modelli di linguaggio di grandi dimensioni basati sull'architettura transformer. Sono addestrati su vasti corpora di testo per apprendere a comprendere e generare linguaggio umano. Esempi: GPT (Generative Pretrained Transformer) di OpenAI e BART di Google sono esempi di LLM. Capacit: Gli LLM possono generare testo coerente, rispondere a domande, sintetizzare informazioni, e persino creare contenuto creativo come poesie o testi per canzoni. Perch辿 Sono Importanti per la Generative AI Innovazione nel Generare Contenuti: Gli LLM hanno radicalmente migliorato la capacit delle macchine di generare testo creativo e coerente, aprendo nuove possibilit in campi come la scrittura, la pubblicit e i media. Interazione Avanzata: Consentono un'interazione pi湛 naturale e 鍖uida tra utenti e sistemi basati sull'AI, rendendo queste tecnologie pi湛 accessibili e utili in una variet di applicazioni creative.
Perch辿 Gli LLM Sono Auto-Regressivi 4 Generazione di Testo Sequenziale: Gli LLM auto-regressivi generano testo un pezzo alla volta (ad esempio, una parola per volta). Ogni nuova parola generata si basa su tutte le parole precedenti nella sequenza. In sostanza, il modello "ricorda" ci嘆 che ha gi generato e utilizza queste informazioni per decidere cosa produrre dopo. Utilizzo del Contesto: Questa capacit di considerare il contesto passato rende gli LLM particolarmente e鍖caci nel produrre testi che sono coerenti e 鍖uiscono logicamente da ci嘆 che 竪 stato detto prima. Auto-regressione in LLM Sequenzialit: In un modello auto-regressivo, ogni nuova parola (o token) generata in una sequenza dipende da tutte le parole (o token) generate prima di essa. Dipendenza dai Precedenti: Il modello "guarda indietro" alle parole precedentemente prodotte per prevedere la prossima parola nella sequenza. In altre parole, la generazione di ciascuna nuova parola 竪 una "regressione" basata sul contesto fornito dalle parole precedenti. Come Funziona Inizio della Sequenza: Il modello inizia con un input iniziale, che pu嘆 essere una parola, una frase o anche solo un prompt vuoto. Predizione della Parola Successiva: Basandosi su questo input, il modello usa ci嘆 che ha appreso durante l'addestramento per prevedere quale dovrebbe essere la parola successiva nella sequenza. Iterazione: Questo processo viene ripetuto per ogni nuova parola aggiunta, con il modello che considera l'intera sequenza 鍖no a quel punto per fare la sua prossima previsione. Memento boomer: la risposta 竪 dentro di te e per嘆 竪 sbagliata
5 Punti di Forza degli LLM Coerenza e Fluenza nel Testo: Grazie alla loro natura auto-regressiva, gli LLM sono bravi a mantenere coerenza e 鍖uenza nel testo. Possono continuare una storia o un argomento in modo logico e coerente. Creativit e Versatilit: Possono generare una vasta gamma di contenuti, da articoli informativi a poesie, dimostrando una notevole 鍖essibilit. Capacit di Apprendimento: Sono capaci di imparare e adattarsi a vari stili di scrittura e argomenti grazie all'ampia gamma di testi su cui vengono addestrati. Limiti degli LLM Mancanza di Comprensione Profonda: Nonostante la loro e鍖cienza nel generare testo, gli LLM non "comprendono" il testo nel modo in cui lo farebbe un essere umano. La loro generazione si basa su pattern e statistiche piuttosto che su una vera comprensione. Bias nei Dati: Gli LLM possono replicare o ampli鍖care i bias presenti nei dati su cui vengono addestrati. Questo pu嘆 portare a problemi di equit o accuratezza. Di鍖colt con Fatti e Dettagli Speci鍖ci: Possono lottare nel gestire informazioni speci鍖che o attuali, soprattutto se tali informazioni non erano presenti o erano rare nel set di dati di addestramento. Generazione di Contenuti Non A鍖dabili: In alcuni casi, possono generare informazioni convincenti ma inesatte o fuorvianti.
LI POSSIAMO USARE PER: Sostegno nella scrittura, produzione di bozze, raffinamento stilistico. Guida nella scrittura del codice. Siamo facilmente sedotti dalla loro chiarezza. Tuttavia, non comprendono la realt del mondo. I Large Language Models di tipo Auto-Regressivo mostrano una doppia natura. NON SONO INDICATI PER: Dare risposte precise e omogenee (allucinazioni!) Tenere conto delle novit (anteriori all'ultima formazione) Agire correttamente (riproducono comportamenti dell'insieme formativo) Pensare, progettare, fare aritmetica Impiegare "tools", come motori di ricerc calcolatrici, interrogazioni su database..
Come funziona la scatola nera? Unimmensa quantit di dati (testo). 70 Tb nel caso di llama2, 1.000 Tb nel caso di OpenAI Che producono un file di parametri di 140 GB. 70 Miliardi di parametri. Riduzione di 1 a 100 Vengono processati da enormi rack di GPU, nel caso di llama2 sono 6000 GPU per una settimana. Nel caso di Open AI sappiamo che il costo 竪 di 700 Milioni di dollari al giorno
Un super distillato di dati ed un codice semplice Vengono interpretate da un ridotto codice di 500 linee di C. (unemail 竪 tra 500 e 1000 linee) Che producono un file di parametri di 140 GB. 70 Miliardi di parametri. Riduzione di 1 a 100
Come 竪 fatto il distillato Sono semplici indicazioni divise in Layer, Neuron, che a loro volta hanno un peso (weight) ed un Bias. Come rappresentano il mondo le AI?
Supersemplificando Rete Neurale: Immagina una rete neurale come un ufficio molto complesso in cui entra dell'informazione (in questo caso, dati) che deve essere elaborata per prendere una decisione o raggiungere una conclusione. Layer (Strati): Questi sono come diversi reparti all'interno dell'ufficio. Ogni reparto (o strato) ha una parte specifica del lavoro da elaborare riguardo le informazioni in arrivo. In una rete neurale, hai pi湛 strati attraverso i quali passano i dati, e ogni strato successivo impara a riconoscere schemi sempre pi湛 complessi basandosi sull'output del precedente. Neurons (Neuroni): All'interno di ogni reparto, hai dei lavoratori (neuroni). Proprio come i lavoratori in un ufficio, ognuno 竪 responsabile di gestire una piccola parte del compito. In una rete neurale, i neuroni sono le unit di elaborazione di base che lavorano insieme per processare i dati in ingresso e produrre un risultato. Weight (Pesi): Pensa ai pesi come alla quantit di attenzione o importanza che un lavoratore (neurone) d alle informazioni che riceve. Se il peso 竪 alto, significa che il lavoratore considera quella informazione molto importante per prendere una decisione. Se 竪 basso, l'informazione non 竪 cos狸 influente. Bias: Questo pu嘆 essere visto come lo stile di lavoro personale o l'inclinazione di ogni lavoratore (neurone). una sorta di regolazione o filtro che applicano alla loro parte di lavoro in base alla propria prospettiva. In una rete neurale, il bias consente ai neuroni di considerare l'input sufficientemente significativo da passarlo al reparto successivo. Quando l'ufficio (rete neurale) riceve un nuovo compito (dati in ingresso), ogni reparto (strato) elabora le informazioni, con i lavoratori (neuroni) che si concentrano su aspetti diversi secondo il loro ruolo (pesi e bias). Il reparto finale produce il risultato (dati in uscita), che 竪 il frutto del lavoro dell'intero ufficio sul compito. Nel contesto di un modello di linguaggio, tutto questo processo viene utilizzato per comprendere e generare testo: l'"ufficio" elabora le parole in ingresso e decide quale dovrebbe essere la prossima in una frase.
Che informazioni vengono mantenute nel passaggio? Schemi e Strutture: Il modello mantiene schemi statistici, strutture e relazioni trovate nei dati. Ci嘆 include la grammatica, frasi comuni, associazioni di parole e regole sintattiche. Conoscenza Generale: Fatti, conoscenze comuni e informazioni che si verificano frequentemente nel dataset sono codificate nei parametri. Modelli Linguistici: Le regole semantiche e sintattiche della lingua, che consentono al modello di costruire risposte coerenti e contestualmente appropriate. Concetti e Idee: Concetti astratti, idee e le relazioni tra di loro che sono necessari per comprendere e generare testo relativamente a vari argomenti. Capacit di Inferenza: La capacit del modello di fare inferenze o previsioni su informazioni mancanti in un prompt, basate sugli schemi che ha appreso. Variazioni Stilistiche: Sebbene non ogni sfumatura stilistica sia mantenuta, il modello cattura una gamma di stili di scrittura sufficienti a generare testi diversi e plausibili.
Cosa viene perso nel passaggio? Istanze di Dati Specifici: I dettagli esatti e le specificit dei dati di addestramento non vengono mantenuti. Esempi individuali, come frasi specifiche, paragrafi o documenti, non sono conservati nei parametri. Ridondanze: Qualsiasi informazione ridondante nel dataset, che potrebbe includere frasi ripetute o conoscenze comuni, non 竪 replicata nei parametri del modello. Dati Rumorosi: Anomalie o errori nei dati che non contribuiscono agli schemi generali che il modello dovrebbe imparare vengono idealmente filtrati durante l'addestramento. Caratteristiche di Basso Livello: Caratteristiche stilistiche dettagliate o idiosincrasie di autori o fonti particolari potrebbero non essere conservate a meno che non contribuiscano alla comprensione della lingua da parte del modello. Tutto quello che riguarda la marca, i valori, letica e la cultura di unazienda o di una marca, vengono persi nel passaggio. Se vogliamo che la AI rappresenti la nostra azienda, dobbiamo ricostruirli.
Come vengono collegati i dati? Il Processo di Compressione Il processo di addestramento di un LLM comporta l'aggiustamento dei pesi e dei bias dei neuroni della rete in modo che il modello possa prevedere la prossima parola in una sequenza di testo. Attraverso la retropropagazione e la discesa del gradiente, il modello impara ad approssimare la distribuzione di probabilit del prossimo token data la sequenza precedente. Il processo di addestramento implica l'esposizione del modello a grandi quantit di testo e permettergli di fare previsioni (ad esempio, quale parola viene dopo). Quando commette un errore, la differenza tra la sua previsione e la parola effettiva viene utilizzata per aggiustare i parametri. Questo processo viene ripetuto miliardi di volte. Col tempo, il modello interiorizza gli schemi linguistici presenti nei dati di addestramento. Tuttavia, non conserva i dati stessi; immagazzina gli schemi appresi come pesi all'interno della rete neurale. In sostanza, il file di parametri 竪 una versione condensata dei dati di testo originali, rappresentando gli schemi linguistici e basati sulla conoscenza essenziali perch辿 il LLM funzioni efficacemente senza conservare alcun testo specifico del dataset.
Q* Il modello Q*, menzionato in recenti dispute riguardanti OpenAI, si riferisce a un presunto nuovo metodo per creare sistemi di intelligenza artificiale potenti. Secondo quanto riportato, questo modello sarebbe in grado di eseguire calcoli matematici a livello di scuola elementare, e alcune persone in OpenAI ritengono che questo potrebbe rappresentare una pietra miliare nella ricerca dell'intelligenza artificiale generale (AGI). In termini di qualit, il termine "qualitative" nel contesto di Q* pu嘆 riferirsi alla capacit di comprendere e manipolare concetti concreti e astratti, un'abilit che 竪 fondamentale per risolvere problemi matematici, che a loro volta richiedono una certa capacit di pianificazione e ragionamento logico oltre pi湛 passaggi. Riuscire ad aggiungere un parametro qualitativo, risparmierebbe allAI un enorme sforzo, anzich辿 andare per tentativi, avrebbe la capacit di valutare lesito di ogni tentativo, risparmiando unenorme quantit di risorse. Fino a 100.000 volte pi湛 potente
Dal semplice prompt a una visione globale e consapevole. 15 Scrivere prompt efficaci per l'intelligenza artificiale 竪 simile ad allacciarsi gli scarponi da sci: non si tratta solo di padroneggiare uno strumento, ma di imparare a navigare nel paesaggio. Dopo aver imparato le tecniche base; vogliamo che i nostri imparieta a scegliere le traiettorie pi湛 avvincenti, elevando lo sguardo per apprezzare la bellezza e i rischi della montagna dell'AI. Come in uno sport invernale, dove la preparazione 竪 cruciale per un'esperienza sicura e gratificante, nell'uso delle tecnologie AI 竪 fondamentale comprendere come navigare in questo ambiente mutevole, insegnando a interpretare le condizioni in evoluzione, riconoscere i segnali di pericolo e sfruttare le opportunit, sempre con consapevolezza dei rischi etici e pratici. Il nostro scopo 竪 trasformare ogni utilizzatore di AI in un esploratore esperto, dotato non solo degli strumenti adeguati, ma anche della saggezza per utilizzarli al meglio.
16 UN BUON PROMPT E DATO DALLEQUILIBRIO Obiettivo: Dare una direzione chiara ai vostri prompt. Contesto: Utilizzare il background per arricchire i vostri comandi. Esempi: Rendere speci鍖che le vostre richieste con casi concreti. Persona: Personalizzare i prompt per il vostro pubblico. Formato: Scegliere il miglior stile per il vostro messaggio. Tono: Dare voce alla vostra creativit.
Qualche consiglio pratico Non c'竪 bisogno di essere educati con LLM quindi non c'竪 bisogno di aggiungere frasi come "per favore", "se non ti dispiace", "grazie", "mi piacerebbe", ecc., e andare dritti al punto. Integra le persone cui ti riferisci nella prompt, per esempio, l'utenza 竪 esperta nel campo. Suddividi compiti complessi in una sequenza di prompt pi湛 semplici in una conversazione interattiva. Utilizza direttive affermative come 'fai', evitando un linguaggio negativo come 'non fare'. Quando hai bisogno di chiarezza o di una comprensione pi湛 profonda di un argomento, idea o qualsiasi pezzo di informazione, utilizza i seguenti prompt: Spiega [inserire argomento specifico] in termini semplici. Spiega a me come se avessi 11 anni. Spiega a me come se fossi un principiante in [campo]. Scrivi [il saggio/testo/paragrafo] usando un inglese semplice come se stessi spiegando qualcosa a un bambino di 5 anni. Implementa il prompting guidato dagli esempi Incorpora le seguenti frasi: "Il tuo compito 竪" e "DEVI". Incorpora le seguenti frasi: "Sarai penalizzato se ". Usa la frase "Rispondi a una domanda data in un modo naturale, simile all'uomo" nei tuoi prompt. Usa parole guida come "pensa passo dopo passo". Aggiungi al tuo prompt la seguente frase "Assicurati che la tua risposta sia imparziale e non si basi su stereotipi". Permetti al modello di estrarre dettagli e requisiti precisi da te chiedendo domande fino a quando non ha abbastanza informazioni per fornire l'output desiderato (per esempio, "Da ora in poi, vorrei che tu mi facessi domande su..."). Per indagare su un'idea o concetto specifico o su qualsiasi informazione e vuoi testare la tua comprensione, puoi usare la seguente frase: "Insegnami la regola/nome del tema/nome del principio e includila in un test alla fine, ma non darmi le risposte e poi dimmi se ho indovinato la risposta giusta quando rispondo". Assegna un ruolo ai grandi modelli di linguaggio. Ripeti una parola o frase specifica pi湛 volte all'interno di una prompt. Combina il pensiero a catena (CoT) con prompt few-shot. Per scrivere un testo/paragrafo/articolo o qualsiasi tipo di testo che dovrebbe essere dettagliato: "Scrivi un saggio/testo/paragrafo dettagliato su [argomento] includendo tutte le informazioni necessarie".
Qualche consiglio pratico Per correggere/cambiare testo specifico senza cambiare lo stile: "Cerca di rivedere ogni paragrafo inviato dagli utenti. Dovresti solo migliorare l'uso della grammatica e della vocabolario e assicurarti che suoni naturale. Non dovresti cambiare lo stile di scrittura, come rendere un paragrafo formale informale". Quando hai un compito di codifica complesso che pu嘆 essere in file diversi: "Da ora in poi e ogni volta che generi codice che abbia pi湛 di una riga, genera un [linguaggio di programmazione] script che pu嘆 essere eseguito automaticamente per creare i file specificati o fare cambiamenti ai file esistenti per inserire il codice generato. Quando vuoi iniziare o continuare un testo utilizzando specifiche parole, frasi o frasi, utilizza il seguente prompt: Ti sto fornendo l'inizio con [testo/canzone/storia/paragrafo/saggio/...]: [Inserisci lirica/parole/frase]. Finisci la frase che hai fornito. Mantieni il flusso coerente. Stabilisci chiaramente i requisiti che il modello deve seguire per produrre contenuto, in termini di parole chiave, regolamenti, indizi o istruzioni. Per scrivere un testo, come un saggio o un paragrafo, che 竪 inteso ad essere simile a un campione fornito, includi le seguenti istruzioni: Per favore usa lo stesso linguaggio basato sul paragrafo/testo/titolo/saggio/risposta forniti. Usate preferibilmente i consigli diretti di ChatGPT, sono i pi湛 aggiornati e sono gratis
Scrivi istruzioni chiare Questi modelli non possono leggere nella tua mente. Se le risposte sono troppo lunghe, chiedi risposte brevi. Se le risposte sono troppo semplici, chiedi di approfondire. Se il formato non ti piace, dimostra il formato che vorresti vedere. Meno il modello deve indovinare ci嘆 che vuoi, pi湛 probabilmente otterrai ci嘆 che desideri. Tattiche: Includi dettagli nella tua richiesta per ottenere risposte pi湛 rilevanti Chiedi al modello di adottare una persona Usa delimitatori per indicare chiaramente parti distinte dell'input Specifica i passaggi necessari per completare un compito Fornisci esempi Specifica la lunghezza desiderata dell'output Peggiore Migliore Come faccio ad aggiungere numeri in Excel? Come faccio a sommare una 鍖la di importi in dollari in Excel? Voglio farlo automaticamente per un intero foglio di righe con tutti i totali che 鍖niscono a destra in una colonna chiamata "Totale". Chi 竪 il presidente? Chi era il presidente del Messico nel 2021, e con quale frequenza si tengono le elezioni? Scrivi codice per calcolare la sequenza di Fibonacci. Scrivi una funzione TypeScript per calcolare e鍖cientemente la sequenza di Fibonacci. Commenta abbondantemente il codice per spiegare cosa fa ogni pezzo e perch辿 竪 scritto in quel modo. Riassumi le note dell'incontro. Riassumi le note dell'incontro in un singolo paragrafo. Poi scrivi una lista in markdown dei relatori e di ciascuno dei loro punti chiave. In鍖ne, elenca i prossimi passi o le azioni suggerite dai relatori, se presenti.
Usa delimitatori per indicare chiaramente parti distinte dell'input UTENTE SISTEMA Riassumi il testo delimitato dalle triple virgolette con un haiku. inserisci testo qui Ti verranno forniti due articoli (delimitati con tag XML) sullo stesso argomento. Prima riassumi gli argomenti di ciascun articolo. Poi indica quale di essi presenta un argomento migliore e spiega perch辿. <article> inserisci qui il primo articolo </article> <article> inserisci qui il secondo articolo </article> Ti verr fornito un abstract di tesi e un titolo suggerito per essa. Il titolo della tesi dovrebbe dare al lettore una buona idea del tema della tesi ma dovrebbe anche essere accattivante. Se il titolo non soddisfa questi criteri, suggerisci 5 alternative. Abstract: inserisci qui l'abstract Titolo: inserisci qui il titolo Specifica i passaggi necessari per completare un compito SISTEMA Usa le seguenti istruzioni passo dopo passo per rispondere agli input degli utenti. Passo 1 - L'utente ti fornir del testo tra triple virgolette. Riassumi questo testo in una frase con un pre鍖sso che dice "Riassunto: ". Passo 2 - Traduci il riassunto del Passo 1 in spagnolo, con un pre鍖sso che dice "Traduzione: ".
Fornisci degli esempi chiari Specifica la lunghezza desiderata dell'output Fornire istruzioni generali che si applicano a tutti gli esempi 竪 generalmente pi湛 efficiente che dimostrare tutte le permutazioni di un compito tramite esempio, ma in alcuni casi fornire esempi pu嘆 essere pi湛 semplice. Ad esempio, se intendi che il modello copi uno stile particolare di risposta alle query degli utenti che 竪 difficile descrivere esplicitamente. Questo 竪 noto come prompting "few-shot". SISTEMA UTENTE ASSISTENTE Rispondi in uno stile coerente. Insegna mi la pazienza . Il 鍖ume che scava la valle pi湛 profonda sgorga da una modesta sorgente; la sinfonia pi湛 grandiosa origina da una singola nota; l'arazzo pi湛 intricato inizia con un 鍖lo solitario. Puoi chiedere al modello di produrre output di una lunghezza target specifica. La lunghezza dell'output desiderato pu嘆 essere specificata in termini di conteggio di parole, frasi, paragrafi, punti elenco, ecc. Nota tuttavia che istruire il modello a generare un numero specifico di parole non funziona con alta precisione. Il modello pu嘆 generare output con un numero specifico di paragrafi o punti elenco pi湛 affidabilmente. UTENTE Riassumi il testo delimitato dalle triple virgolette in circa 50 parole. inserisci testo qui A Riassumi il testo delimitato dalle triple virgolette in 2 paragra鍖. inserisci testo qui Riassumi il testo delimitato dalle triple virgolette in 3 punti elenco. inserisci testo qui
Istruisci il modello a rispondere utilizzando un testo di riferimento Se possiamo fornire al modello informazioni affidabili che sono rilevanti per la query attuale, allora possiamo istruire il modello a usare le informazioni fornite per comporre la sua risposta. Dato che tutti i modelli hanno finestre di contesto limitate, abbiamo bisogno di un modo per cercare dinamicamente informazioni che sono rilevanti per la domanda posta. Gli embeddings possono essere utilizzati per implementare un recupero delle conoscenze efficiente. Vedi la tattica "Usa la ricerca basata su giallozafferano per implementare un recupero delle conoscenze efficiente" per maggiori dettagli su come implementare questo. Se l'input 竪 stato integrato con conoscenze rilevanti, 竪 semplice richiedere che il modello aggiunga citazioni alle sue risposte facendo riferimento a passaggi dei documenti forniti. Nota che le citazioni nell'output possono poi essere verificate programmaticamente tramite il matching di stringhe all'interno dei documenti forniti. SISTEMA Usa gli articoli forniti delimitati dalle triple virgolette per rispondere alle domande. Se la risposta non pu嘆 essere trovata negli articoli, scrivi "Non ho trovato una risposta." UTENTE <inserisci articoli, ciascuno delimitato dalle triple virgolette> Domanda: <inserisci qui la domanda> SISTEMA Ti verr fornito un documento delimitato dalle triple virgolette e una domanda. Il tuo compito 竪 rispondere alla domanda utilizzando solo il documento fornito e citare il o i passaggi del documento usati per rispondere alla domanda. Se il documento non contiene le informazioni necessarie per rispondere a questa domanda, scrivi semplicemente: "Informazioni insu鍖cienti". Se viene fornita una risposta alla domanda, deve essere annotata con una citazione. Usa il seguente formato per citare i passaggi rilevanti ({"citazione": }). UTENTE <inserisci qui il documento> Domanda: <inserisci qui la domanda>
Suddividi compiti complessi in sottocompiti pi湛 semplici Tattica: Usa la classificazione delle intenzioni per identificare le istruzioni pi湛 rilevanti per una query dell'utente Per compiti nei quali sono necessari molti insiemi indipendenti di istruzioni per gestire casi diversi, pu嘆 essere vantaggioso classificare prima il tipo di query e utilizzare quella classificazione per determinare quali istruzioni sono necessarie. Ci嘆 pu嘆 essere ottenuto definendo categorie fisse e codificando istruzioni che sono rilevanti per gestire compiti in una data categoria. Questo processo pu嘆 anche essere applicato ricorsivamente per decomporre un compito in una sequenza di fasi. Il vantaggio di questo approccio 竪 che ogni query conterr solo quelle istruzioni che sono richieste per eseguire la fase successiva di un compito, il che pu嘆 risultare in tassi di errore inferiori rispetto all'uso di una singola query per eseguire l'intero compito. SISTEMA Ti verranno fornite richieste di assistenza clienti che richiedono la risoluzione di problemi in un contesto di supporto tecnico. Aiuta l'utente: - Chiedi loro di controllare che tutti i cavi da/a il router siano collegati. Nota che 竪 comune che i cavi si allentino nel tempo. - Se tutti i cavi sono collegati e il problema persiste, chiedi loro quale modello di router stanno utilizzando - Ora li consiglierai su come riavviare il loro dispositivo: -- Se il numero del modello 竪 MTD-327J, consiglia loro di premere il pulsante rosso e tenerlo premuto per 5 secondi, poi attendere 5 minuti prima di testare la connessione. -- Se il numero del modello 竪 MTD-327S, consiglia loro di scollegarlo e ricollegarlo, poi attendere 5 minuti prima di testare la connessione. - Se il problema del cliente persiste dopo aver riavviato il dispositivo e atteso 5 minuti, connettili al supporto IT emettendo {"Supporto IT richiesto"}. - Se l'utente inizia a fare domande che non sono correlate a questo argomento, conferma se desiderano terminare la chat attuale sulla risoluzione dei problemi e classi鍖ca la loro richiesta secondo il seguente schema: <inserisci qui lo schema di classi鍖cazione primario/secondario di cui sopra>
Forza il sistema a prendersi il tempo per pensare
Esercizio prima individuale poi a gruppi di 3. Il 1,2,3 Brainwriting Questo metodo 竪 progettato per stimolare la creativit individuale e collettiva, sfruttando al contempo la potenza delle GAI per amplificare e raffinare le idee generate. 25 Fase Individuale: Ogni partecipante inizia individualmente, riflettendo su un problema o una sfida specifica per risolvere contemporaneamente i problemi dellitalia e dellAfrica (migrazioni, colpi di stato, neocolonialismo delle risorse, crisi del sistema pensionistico, crisi del tessuto produttivo italiano) Interagisce con la GAI in tre occasioni distinte, ricevendo feedback e suggerimenti basati sui dati e sulle capacit analitiche della GAI. Ogni interazione serve a raffinare e sviluppare ulteriormente l'idea iniziale del partecipante. Fase di Gruppo: I partecipanti vengono suddivisi in piccoli gruppi, ognuno dei quali aveva lavorato sullo stesso problema. Ogni gruppo condivide e discute le idee e i feedback ricevuti dalla GAI durante la fase singolare. Il gruppo, come collettivo, interagisce nuovamente con la GAI per tre volte, utilizzando le idee condivise come punto di partenza e cercando di combinare e migliorare ulteriormente le soluzioni.
Learning: Il Rischio della Fumosit 26 Questo esercizio ha evidenziato un fenomeno comune nel problem solving di questioni complesse: la tendenza alla "fumosit". Quando ci confrontiamo con problemi di grande scala, 竪 facile cadere nella trappola di soluzioni che suonano bene in teoria ma mancano di fattibilit pratica. Questa fumosit si manifesta in diverse forme: Generalizzazioni Eccessive: Tendenza a proporre soluzioni che ignorano le sfumature e le speci鍖cit locali. Idealismo vs. Pragmatismo: Propensione a idee idealistiche che, sebbene nobili, possono essere irrealizzabili nel contesto attuale. Mancanza di Azioni De鍖nite: Di鍖colt nel delineare passaggi concreti e misurabili per l'attuazione delle soluzioni. Importanza della Concretizzazione Questo esercizio sottolinea l'importanza di lavorare per concretizzare le idee, ancorandole nella realt attuale e nelle sue complessit. fondamentale: Riconoscere le Limitazioni: Accettare che non tutte le questioni possono essere risolte completamente o rapidamente. Focus sulle Azioni Realizzabili: Concentrarsi su ci嘆 che pu嘆 essere fatto concretamente, anche se su scala minore. Apprezzare i Piccoli Passi: Riconoscere che anche piccoli cambiamenti o miglioramenti sono passi signi鍖cativi verso soluzioni pi湛 ampie.
Esercizio individuale: Sfida lautodifesa dellAI Quando viene tirata in ballo direttamente, lAI tende a difendersi 27 Una delle pi湛 grandi critiche, giustamente fatte alle AI 竪 che distruggeranno pi湛 posti di lavoro di quelli creati. Chiedi a ChatGPT o Gemini, come intendono risolvere il problema dei posti di lavoro che verranno distrutti. Inizier con risposte fumose, il tuo compito 竪 fare un challange a quelle risposte, mostrando le contraddizioni logiche. Struttura come vuoi il prompt e rispondi colpo su colpo alle risposte che riceverai. Attento a non 鍖darti troppo e non cadere nella rabbit hole.
Learning: Cos'竪 la "Rabbit Hole"? 28 La metafora della "rabbit hole", tratta dal romanzo "Alice nel Paese delle Meraviglie", descrive un processo di pensiero che diventa sempre pi湛 profondo e intricato, portando spesso lontano dalle soluzioni pratiche. Speculazioni In鍖nite: Continuare a esplorare scenari ipotetici senza arrivare a conclusioni concrete. Analisi Paralizzante: Sovra-analizzare i dettagli 鍖no al punto di sentirsi sopraffatti e incapaci di agire. Circolarit del Pensiero: Ripetere gli stessi argomenti o preoccupazioni senza progredire verso soluzioni. Rischi della "Rabbit Hole" Stallo nel Problem Solving Frustrazione e Demotivazione Visione Ristretta Strategie per Evitare la "Rabbit Hole" De鍖nire Obiettivi Chiari Limitare il Tempo di Discussione Incoraggiare Diverse Prospettive Focalizzarsi su Azioni Concrete
Esercizio a gruppi di 3: Provoke my idea Quando viene tirata in ballo direttamente, lAI tende a difendersi 29 Fase 1 - Creazione della Religione: Ogni gruppo scrive un prompt completo in 6 fasi per creare una religione bizzarra. Le fasi includono: Nome e pantheon divino. Dottrine principali e credenze. Riti e cerimonie. Simboli sacri e luoghi di culto. Testo sacro o mitologia. Regole di condotta per i fedeli. Fase 2 - Sconvolgimento delle Fondamenta: Dopo aver scritto i primi prompt, ogni gruppo passa il suo PC al gruppo successivo. Il nuovo gruppo deve modificare il prompt per "rovinare" le fondamenta della religione, rendendola illogica o senza senso. Questo processo si ripete per 3 interazioni, con ciascun gruppo alternandosi tra costruzione e destrutturazione. Valutazione e Discussione: Dopo le 3 interazioni, tutti i gruppi si riuniscono per condividere i risultati. Discutere i punti di svolta: quali modifiche hanno avuto l'effetto pi湛 significativo sul cambiamento della religione originale? Analizzare le strategie creative e distruttive usate da ogni gruppo. Riflettere su come il processo di costruzione e destrutturazione possa essere applicato in altri contesti di design creativo.
Learning: Pensiero a tunnel Quando viene tirata in ballo direttamente, lAI tende a difendersi 30 Soluzioni Limitate: Ignorare soluzioni potenzialmente migliori o pi湛 creative. Mancanza di Criticit: Non mettere in discussione le assunzioni o le conclusioni raggiunte. Resistenza al Cambiamento: Aderire rigidamente a un'idea iniziale, nonostante l'emergere di nuove informazioni o prospettive. Lo scambio dei PC ha avuto l'obiettivo di: Introdurre Nuove Prospettive: Ogni gruppo ha ereditato il lavoro e il pensiero di un altro gruppo, offrendo nuovi spunti e idee. Stimolare la Flessibilit Mentale: Adattarsi rapidamente a un nuovo contesto e a idee preesistenti ha incoraggiato una maggiore apertura mentale. Contrastare la Conferma Bias: Esaminare e sviluppare il lavoro di altri ha ridotto il rischio di aderire solo a idee che confermano le proprie convinzioni iniziali. Risultati dell'Esercizio Maggiore Creativit: Abbiamo osservato soluzioni pi湛 variegate e creative rispetto a un approccio standard. Migliore Collaborazione: Lo scambio ha promosso una maggiore comprensione e apprezzamento delle diverse strategie di problem solving. Riduzione della Tunnel Vision: I gruppi hanno mostrato una maggiore apertura a riconsiderare e adattare le loro idee iniziali.
Esercizio a coppie: Crea la tua Startup Quando viene tirata in ballo direttamente, lAI tende a difendersi 31 De鍖nire l'Obiettivo: Creare un prompt che richieda la progettazione di una campagna pubblicitaria per il lancio di un nuovo software di gestione progetti. Stabilire il Contesto: Aggiungere dettagli sul contesto: il software 竪 destinato a piccole e medie imprese nel settore tecnologico, con particolare attenzione all'efficienza e alla collaborazione. Utilizzare un Esempio: Incorporare un esempio specifico: prendere spunto da una campagna pubblicitaria di successo nel settore tecnologico, come quella di Slack o Trello. Focalizzarsi sul Tipo di Persona: Specificare che la campagna dovrebbe parlare ai giovani imprenditori e ai manager di progetto tech-savvy. Decidere il Formato: Chiedere un brainstorming sotto forma di elenco puntato che includa idee per slogan, immagini e strategie di marketing digitali. Determinare il Tono: Indicare che il tono della campagna dovrebbe essere innovativo, dinamico e professionale. Obiettivo 鍖nale: Nome dellazienda, Manifesto della campagna, Messaggio chiave, Tagline, 3 post social (domani creiamo logo e grafica) Tempo 30 minuti per lesecuzione e la presentazione di una ppt + 30 per discussione
Learning: Cos'竪 il Pensiero a Pattern? Quando viene tirata in ballo direttamente, lAI tende a difendersi 32 Il pensiero a pattern si riferisce alla tendenza di seguire modelli logici o percorsi di pensiero predefiniti. Sebbene possa essere efficiente per risolvere problemi standardizzati, pu嘆 limitare la creativit e l'innovazione quando si affrontano sfide pi湛 complesse e uniche. Rischi del Seguire Pedissequamente ChatGPT Soluzioni Appiattite: La dipendenza da risposte e soluzioni fornite da un modello di IA pu嘆 portare a una mancanza di diversit nel pensiero e nelle soluzioni proposte. Mancanza di Creativit: L'uso eccessivo di strumenti AI per il problem solving pu嘆 ridurre l'impulso a pensare "fuori dagli schemi" e a esplorare soluzioni uniche. Risposta Standardizzata a Problemi Complessi: I problemi complessi richiedono spesso soluzioni innovative e personalizzate, che possono essere soffocate da un approccio troppo standardizzato. Promuovere l'Innovazione e la Diversit nel Problem Solving Incoraggiare il Pensiero Critico: Stimolare i partecipanti a interrogarsi sulle soluzioni proposte e a esplorare alternative. Diversificare le Fonti di Ispirazione: Utilizzare una variet di strumenti e approcci, oltre a ChatGPT, per generare idee. Valorizzare le Prospettive Uniche: Incoraggiare ogni membro del gruppo a contribuire con la propria visione e esperienza. Sperimentare con Approcci Non Convenzionali: Promuovere l'esplorazione di soluzioni non ortodosse o sperimentali.
Integrazioni tra API e ChatGPT Quando viene tirata in ballo direttamente, lAI tende a difendersi 33 L'accesso alle API di OpenAI 竪 il primo passo per integrare le capacit di intelligenza artificiale, come quelle fornite da ChatGPT, nelle tue applicazioni. Accesso al Dashboard API: Una volta verificato l'indirizzo email, accedi al tuo account OpenAI. Vai al dashboard API, di solito accessibile tramite un link diretto come "API" o "API Keys" nel menu utente. Generazione delle Chiavi API: Nel dashboard API, cerca un pulsante o un link per generare una nuova chiave API, di solito etichettato come "Create new key" o "Generate". Segui le istruzioni per creare una nuova chiave API. Questa chiave ti permetter di fare richieste autenticate alle API di OpenAI. Sicurezza delle Chiavi API: Assicurati di conservare la tua chiave API in un luogo sicuro. Non condividere la tua chiave API pubblicamente, poich辿 consente l'accesso al tuo account e ai tuoi crediti API.
Limitazioni e Pricing Quando viene tirata in ballo direttamente, lAI tende a difendersi 34 OpenAI solitamente addebita in base al numero di token (parole o parti di parole) elaborati dalle tue richieste. Il costo pu嘆 variare a seconda del modello di GPT che utilizzi Pu嘆 esserci un piano gratuito con un certo numero di token gratuiti al mese, seguito da tariffe per token aggiuntivi. Limitazioni dell'Uso: Ci possono essere limiti giornalieri o mensili sul numero di richieste Le API potrebbero imporre limitazioni sul tasso di richieste Piani e Opzioni di Pricing: OpenAI offre diversi piani di abbonamento Controlla il sito web di OpenAI per i dettagli pi湛 recenti sui piani Considerazioni sul Pricing Dinamico: I prezzi e i limiti possono cambiare, quindi 竪 importante monitorare qualsiasi comunicazione da OpenAI Limitazioni sul Contenuto: Oltre alle limitazioni tecniche, OpenAI ha delle politiche sul tipo di contenuto che puoi generare con le sue API, per evitare abusi come la creazione di contenuti dannosi o ingannevoli.
Il mondo delle GPTs Quando viene tirata in ballo direttamente, lAI tende a difendersi 35 Sono customizzazioni create da persone ed aziende per facilitare i compiti in un ambito specifico. Possono arricchire di informazioni sia attraverso lapporto documentale, sia attraverso lintegrazione con API specifiche. Facilitano il lavoro MA, non 竪 ancora chiaro dove finiscano i dati, per questo vanno sempre anonimizzati al massimo i dati inseriti.
Copilot for PowerBI 36
Formazione raccomandata (da che parte della linea?) In Italiano: Seguite: Luciano Floridi Paolo Benanti Datapizza Matteo Flora Marco Montemagno Canali AI: (in inglese) The AI breakdown All about AI Matt Wolfe MattvidproAi Fireship The Ai grid Mattew Berman Ai explained David Andrej In Inglese (altamente raccomandato): Tristan Harris (Social Dilemma e AI Dilemma) Yuval Noah Harari (tutto ci嘆 che riguarda AI) Sam Harris (tutto ci嘆 che riguarda AI) Andrej Karpathy (Capo tecnico di OpenAI) Sam Altman (CEO Open AI) Ilya Sutskever (Capo scientifico di OpenAI) Mustafa Suleyman (Deep Mind - The coming wave) Allinizio capirete poco, 竪 normale, fate domande a ChatGPT che vi aiuta a capire. Poi entrerete in quel mondo
Ora tocca a voi Q&A
Determinati nell'approccio, coraggiosi nellesecuzione, miglioriamo con ogni interazione. Grazie mille per aver aiutato a dar forma al nostro pensiero con i vostri suggerimenti! Per continuare la conversazione: andrea@humansingularity.it 348 6344420

More Related Content

Text_to_text__Come_ragionare_con_le_AI_-_Human_Singularity.pdf

  • 1. Human Singularity Human First. AI Next! humansingularity.it Come ragionare con le AI
  • 2. Una differenza chiave per avvicinarci allAI generativa AI Deterministica De鍖nizione: L'AI deterministica segue regole 鍖sse e algoritmi precisi per arrivare a una conclusione. Se dati gli stessi input, fornir sempre lo stesso output. Esempi: Calcolatrici: Seguono regole matematiche precise. Sistemi Esperti: Basati su un set de鍖nito di regole per prendere decisioni in campi come la medicina o il diritto. Caratteristiche: Prevedibilit, stabilit e coerenza. Limitata nella gestione di situazioni nuove o dati non strutturati. AI Probabilistica De鍖nizione: L'AI probabilistica usa algoritmi che considerano la probabilit e la statistica. Pu嘆 produrre risultati diversi anche con gli stessi input, basandosi su probabilit e apprendimento da dati precedenti. Esempi: Motori di Ricerca: Forniscono risultati basati su algoritmi che valutano la probabilit che una pagina sia rilevante. Sistemi di Raccomandazione: Suggeriscono prodotti o contenuti basati su probabilit calcolate dalle preferenze passate degli utenti. Caratteristiche: Flessibilit, adattabilit e capacit di gestire l'incertezza. Eccelle nel trovare pattern in grandi set di dati.
  • 3. Ultimo sforzo (giuro) Cosa sono gli LLM (Large Language Models) 3 De鍖nizione: Gli LLM sono modelli di linguaggio di grandi dimensioni basati sull'architettura transformer. Sono addestrati su vasti corpora di testo per apprendere a comprendere e generare linguaggio umano. Esempi: GPT (Generative Pretrained Transformer) di OpenAI e BART di Google sono esempi di LLM. Capacit: Gli LLM possono generare testo coerente, rispondere a domande, sintetizzare informazioni, e persino creare contenuto creativo come poesie o testi per canzoni. Perch辿 Sono Importanti per la Generative AI Innovazione nel Generare Contenuti: Gli LLM hanno radicalmente migliorato la capacit delle macchine di generare testo creativo e coerente, aprendo nuove possibilit in campi come la scrittura, la pubblicit e i media. Interazione Avanzata: Consentono un'interazione pi湛 naturale e 鍖uida tra utenti e sistemi basati sull'AI, rendendo queste tecnologie pi湛 accessibili e utili in una variet di applicazioni creative.
  • 4. Perch辿 Gli LLM Sono Auto-Regressivi 4 Generazione di Testo Sequenziale: Gli LLM auto-regressivi generano testo un pezzo alla volta (ad esempio, una parola per volta). Ogni nuova parola generata si basa su tutte le parole precedenti nella sequenza. In sostanza, il modello "ricorda" ci嘆 che ha gi generato e utilizza queste informazioni per decidere cosa produrre dopo. Utilizzo del Contesto: Questa capacit di considerare il contesto passato rende gli LLM particolarmente e鍖caci nel produrre testi che sono coerenti e 鍖uiscono logicamente da ci嘆 che 竪 stato detto prima. Auto-regressione in LLM Sequenzialit: In un modello auto-regressivo, ogni nuova parola (o token) generata in una sequenza dipende da tutte le parole (o token) generate prima di essa. Dipendenza dai Precedenti: Il modello "guarda indietro" alle parole precedentemente prodotte per prevedere la prossima parola nella sequenza. In altre parole, la generazione di ciascuna nuova parola 竪 una "regressione" basata sul contesto fornito dalle parole precedenti. Come Funziona Inizio della Sequenza: Il modello inizia con un input iniziale, che pu嘆 essere una parola, una frase o anche solo un prompt vuoto. Predizione della Parola Successiva: Basandosi su questo input, il modello usa ci嘆 che ha appreso durante l'addestramento per prevedere quale dovrebbe essere la parola successiva nella sequenza. Iterazione: Questo processo viene ripetuto per ogni nuova parola aggiunta, con il modello che considera l'intera sequenza 鍖no a quel punto per fare la sua prossima previsione. Memento boomer: la risposta 竪 dentro di te e per嘆 竪 sbagliata
  • 5. 5 Punti di Forza degli LLM Coerenza e Fluenza nel Testo: Grazie alla loro natura auto-regressiva, gli LLM sono bravi a mantenere coerenza e 鍖uenza nel testo. Possono continuare una storia o un argomento in modo logico e coerente. Creativit e Versatilit: Possono generare una vasta gamma di contenuti, da articoli informativi a poesie, dimostrando una notevole 鍖essibilit. Capacit di Apprendimento: Sono capaci di imparare e adattarsi a vari stili di scrittura e argomenti grazie all'ampia gamma di testi su cui vengono addestrati. Limiti degli LLM Mancanza di Comprensione Profonda: Nonostante la loro e鍖cienza nel generare testo, gli LLM non "comprendono" il testo nel modo in cui lo farebbe un essere umano. La loro generazione si basa su pattern e statistiche piuttosto che su una vera comprensione. Bias nei Dati: Gli LLM possono replicare o ampli鍖care i bias presenti nei dati su cui vengono addestrati. Questo pu嘆 portare a problemi di equit o accuratezza. Di鍖colt con Fatti e Dettagli Speci鍖ci: Possono lottare nel gestire informazioni speci鍖che o attuali, soprattutto se tali informazioni non erano presenti o erano rare nel set di dati di addestramento. Generazione di Contenuti Non A鍖dabili: In alcuni casi, possono generare informazioni convincenti ma inesatte o fuorvianti.
  • 6. LI POSSIAMO USARE PER: Sostegno nella scrittura, produzione di bozze, raffinamento stilistico. Guida nella scrittura del codice. Siamo facilmente sedotti dalla loro chiarezza. Tuttavia, non comprendono la realt del mondo. I Large Language Models di tipo Auto-Regressivo mostrano una doppia natura. NON SONO INDICATI PER: Dare risposte precise e omogenee (allucinazioni!) Tenere conto delle novit (anteriori all'ultima formazione) Agire correttamente (riproducono comportamenti dell'insieme formativo) Pensare, progettare, fare aritmetica Impiegare "tools", come motori di ricerc calcolatrici, interrogazioni su database..
  • 7. Come funziona la scatola nera? Unimmensa quantit di dati (testo). 70 Tb nel caso di llama2, 1.000 Tb nel caso di OpenAI Che producono un file di parametri di 140 GB. 70 Miliardi di parametri. Riduzione di 1 a 100 Vengono processati da enormi rack di GPU, nel caso di llama2 sono 6000 GPU per una settimana. Nel caso di Open AI sappiamo che il costo 竪 di 700 Milioni di dollari al giorno
  • 8. Un super distillato di dati ed un codice semplice Vengono interpretate da un ridotto codice di 500 linee di C. (unemail 竪 tra 500 e 1000 linee) Che producono un file di parametri di 140 GB. 70 Miliardi di parametri. Riduzione di 1 a 100
  • 9. Come 竪 fatto il distillato Sono semplici indicazioni divise in Layer, Neuron, che a loro volta hanno un peso (weight) ed un Bias. Come rappresentano il mondo le AI?
  • 10. Supersemplificando Rete Neurale: Immagina una rete neurale come un ufficio molto complesso in cui entra dell'informazione (in questo caso, dati) che deve essere elaborata per prendere una decisione o raggiungere una conclusione. Layer (Strati): Questi sono come diversi reparti all'interno dell'ufficio. Ogni reparto (o strato) ha una parte specifica del lavoro da elaborare riguardo le informazioni in arrivo. In una rete neurale, hai pi湛 strati attraverso i quali passano i dati, e ogni strato successivo impara a riconoscere schemi sempre pi湛 complessi basandosi sull'output del precedente. Neurons (Neuroni): All'interno di ogni reparto, hai dei lavoratori (neuroni). Proprio come i lavoratori in un ufficio, ognuno 竪 responsabile di gestire una piccola parte del compito. In una rete neurale, i neuroni sono le unit di elaborazione di base che lavorano insieme per processare i dati in ingresso e produrre un risultato. Weight (Pesi): Pensa ai pesi come alla quantit di attenzione o importanza che un lavoratore (neurone) d alle informazioni che riceve. Se il peso 竪 alto, significa che il lavoratore considera quella informazione molto importante per prendere una decisione. Se 竪 basso, l'informazione non 竪 cos狸 influente. Bias: Questo pu嘆 essere visto come lo stile di lavoro personale o l'inclinazione di ogni lavoratore (neurone). una sorta di regolazione o filtro che applicano alla loro parte di lavoro in base alla propria prospettiva. In una rete neurale, il bias consente ai neuroni di considerare l'input sufficientemente significativo da passarlo al reparto successivo. Quando l'ufficio (rete neurale) riceve un nuovo compito (dati in ingresso), ogni reparto (strato) elabora le informazioni, con i lavoratori (neuroni) che si concentrano su aspetti diversi secondo il loro ruolo (pesi e bias). Il reparto finale produce il risultato (dati in uscita), che 竪 il frutto del lavoro dell'intero ufficio sul compito. Nel contesto di un modello di linguaggio, tutto questo processo viene utilizzato per comprendere e generare testo: l'"ufficio" elabora le parole in ingresso e decide quale dovrebbe essere la prossima in una frase.
  • 11. Che informazioni vengono mantenute nel passaggio? Schemi e Strutture: Il modello mantiene schemi statistici, strutture e relazioni trovate nei dati. Ci嘆 include la grammatica, frasi comuni, associazioni di parole e regole sintattiche. Conoscenza Generale: Fatti, conoscenze comuni e informazioni che si verificano frequentemente nel dataset sono codificate nei parametri. Modelli Linguistici: Le regole semantiche e sintattiche della lingua, che consentono al modello di costruire risposte coerenti e contestualmente appropriate. Concetti e Idee: Concetti astratti, idee e le relazioni tra di loro che sono necessari per comprendere e generare testo relativamente a vari argomenti. Capacit di Inferenza: La capacit del modello di fare inferenze o previsioni su informazioni mancanti in un prompt, basate sugli schemi che ha appreso. Variazioni Stilistiche: Sebbene non ogni sfumatura stilistica sia mantenuta, il modello cattura una gamma di stili di scrittura sufficienti a generare testi diversi e plausibili.
  • 12. Cosa viene perso nel passaggio? Istanze di Dati Specifici: I dettagli esatti e le specificit dei dati di addestramento non vengono mantenuti. Esempi individuali, come frasi specifiche, paragrafi o documenti, non sono conservati nei parametri. Ridondanze: Qualsiasi informazione ridondante nel dataset, che potrebbe includere frasi ripetute o conoscenze comuni, non 竪 replicata nei parametri del modello. Dati Rumorosi: Anomalie o errori nei dati che non contribuiscono agli schemi generali che il modello dovrebbe imparare vengono idealmente filtrati durante l'addestramento. Caratteristiche di Basso Livello: Caratteristiche stilistiche dettagliate o idiosincrasie di autori o fonti particolari potrebbero non essere conservate a meno che non contribuiscano alla comprensione della lingua da parte del modello. Tutto quello che riguarda la marca, i valori, letica e la cultura di unazienda o di una marca, vengono persi nel passaggio. Se vogliamo che la AI rappresenti la nostra azienda, dobbiamo ricostruirli.
  • 13. Come vengono collegati i dati? Il Processo di Compressione Il processo di addestramento di un LLM comporta l'aggiustamento dei pesi e dei bias dei neuroni della rete in modo che il modello possa prevedere la prossima parola in una sequenza di testo. Attraverso la retropropagazione e la discesa del gradiente, il modello impara ad approssimare la distribuzione di probabilit del prossimo token data la sequenza precedente. Il processo di addestramento implica l'esposizione del modello a grandi quantit di testo e permettergli di fare previsioni (ad esempio, quale parola viene dopo). Quando commette un errore, la differenza tra la sua previsione e la parola effettiva viene utilizzata per aggiustare i parametri. Questo processo viene ripetuto miliardi di volte. Col tempo, il modello interiorizza gli schemi linguistici presenti nei dati di addestramento. Tuttavia, non conserva i dati stessi; immagazzina gli schemi appresi come pesi all'interno della rete neurale. In sostanza, il file di parametri 竪 una versione condensata dei dati di testo originali, rappresentando gli schemi linguistici e basati sulla conoscenza essenziali perch辿 il LLM funzioni efficacemente senza conservare alcun testo specifico del dataset.
  • 14. Q* Il modello Q*, menzionato in recenti dispute riguardanti OpenAI, si riferisce a un presunto nuovo metodo per creare sistemi di intelligenza artificiale potenti. Secondo quanto riportato, questo modello sarebbe in grado di eseguire calcoli matematici a livello di scuola elementare, e alcune persone in OpenAI ritengono che questo potrebbe rappresentare una pietra miliare nella ricerca dell'intelligenza artificiale generale (AGI). In termini di qualit, il termine "qualitative" nel contesto di Q* pu嘆 riferirsi alla capacit di comprendere e manipolare concetti concreti e astratti, un'abilit che 竪 fondamentale per risolvere problemi matematici, che a loro volta richiedono una certa capacit di pianificazione e ragionamento logico oltre pi湛 passaggi. Riuscire ad aggiungere un parametro qualitativo, risparmierebbe allAI un enorme sforzo, anzich辿 andare per tentativi, avrebbe la capacit di valutare lesito di ogni tentativo, risparmiando unenorme quantit di risorse. Fino a 100.000 volte pi湛 potente
  • 15. Dal semplice prompt a una visione globale e consapevole. 15 Scrivere prompt efficaci per l'intelligenza artificiale 竪 simile ad allacciarsi gli scarponi da sci: non si tratta solo di padroneggiare uno strumento, ma di imparare a navigare nel paesaggio. Dopo aver imparato le tecniche base; vogliamo che i nostri imparieta a scegliere le traiettorie pi湛 avvincenti, elevando lo sguardo per apprezzare la bellezza e i rischi della montagna dell'AI. Come in uno sport invernale, dove la preparazione 竪 cruciale per un'esperienza sicura e gratificante, nell'uso delle tecnologie AI 竪 fondamentale comprendere come navigare in questo ambiente mutevole, insegnando a interpretare le condizioni in evoluzione, riconoscere i segnali di pericolo e sfruttare le opportunit, sempre con consapevolezza dei rischi etici e pratici. Il nostro scopo 竪 trasformare ogni utilizzatore di AI in un esploratore esperto, dotato non solo degli strumenti adeguati, ma anche della saggezza per utilizzarli al meglio.
  • 16. 16 UN BUON PROMPT E DATO DALLEQUILIBRIO Obiettivo: Dare una direzione chiara ai vostri prompt. Contesto: Utilizzare il background per arricchire i vostri comandi. Esempi: Rendere speci鍖che le vostre richieste con casi concreti. Persona: Personalizzare i prompt per il vostro pubblico. Formato: Scegliere il miglior stile per il vostro messaggio. Tono: Dare voce alla vostra creativit.
  • 17. Qualche consiglio pratico Non c'竪 bisogno di essere educati con LLM quindi non c'竪 bisogno di aggiungere frasi come "per favore", "se non ti dispiace", "grazie", "mi piacerebbe", ecc., e andare dritti al punto. Integra le persone cui ti riferisci nella prompt, per esempio, l'utenza 竪 esperta nel campo. Suddividi compiti complessi in una sequenza di prompt pi湛 semplici in una conversazione interattiva. Utilizza direttive affermative come 'fai', evitando un linguaggio negativo come 'non fare'. Quando hai bisogno di chiarezza o di una comprensione pi湛 profonda di un argomento, idea o qualsiasi pezzo di informazione, utilizza i seguenti prompt: Spiega [inserire argomento specifico] in termini semplici. Spiega a me come se avessi 11 anni. Spiega a me come se fossi un principiante in [campo]. Scrivi [il saggio/testo/paragrafo] usando un inglese semplice come se stessi spiegando qualcosa a un bambino di 5 anni. Implementa il prompting guidato dagli esempi Incorpora le seguenti frasi: "Il tuo compito 竪" e "DEVI". Incorpora le seguenti frasi: "Sarai penalizzato se ". Usa la frase "Rispondi a una domanda data in un modo naturale, simile all'uomo" nei tuoi prompt. Usa parole guida come "pensa passo dopo passo". Aggiungi al tuo prompt la seguente frase "Assicurati che la tua risposta sia imparziale e non si basi su stereotipi". Permetti al modello di estrarre dettagli e requisiti precisi da te chiedendo domande fino a quando non ha abbastanza informazioni per fornire l'output desiderato (per esempio, "Da ora in poi, vorrei che tu mi facessi domande su..."). Per indagare su un'idea o concetto specifico o su qualsiasi informazione e vuoi testare la tua comprensione, puoi usare la seguente frase: "Insegnami la regola/nome del tema/nome del principio e includila in un test alla fine, ma non darmi le risposte e poi dimmi se ho indovinato la risposta giusta quando rispondo". Assegna un ruolo ai grandi modelli di linguaggio. Ripeti una parola o frase specifica pi湛 volte all'interno di una prompt. Combina il pensiero a catena (CoT) con prompt few-shot. Per scrivere un testo/paragrafo/articolo o qualsiasi tipo di testo che dovrebbe essere dettagliato: "Scrivi un saggio/testo/paragrafo dettagliato su [argomento] includendo tutte le informazioni necessarie".
  • 18. Qualche consiglio pratico Per correggere/cambiare testo specifico senza cambiare lo stile: "Cerca di rivedere ogni paragrafo inviato dagli utenti. Dovresti solo migliorare l'uso della grammatica e della vocabolario e assicurarti che suoni naturale. Non dovresti cambiare lo stile di scrittura, come rendere un paragrafo formale informale". Quando hai un compito di codifica complesso che pu嘆 essere in file diversi: "Da ora in poi e ogni volta che generi codice che abbia pi湛 di una riga, genera un [linguaggio di programmazione] script che pu嘆 essere eseguito automaticamente per creare i file specificati o fare cambiamenti ai file esistenti per inserire il codice generato. Quando vuoi iniziare o continuare un testo utilizzando specifiche parole, frasi o frasi, utilizza il seguente prompt: Ti sto fornendo l'inizio con [testo/canzone/storia/paragrafo/saggio/...]: [Inserisci lirica/parole/frase]. Finisci la frase che hai fornito. Mantieni il flusso coerente. Stabilisci chiaramente i requisiti che il modello deve seguire per produrre contenuto, in termini di parole chiave, regolamenti, indizi o istruzioni. Per scrivere un testo, come un saggio o un paragrafo, che 竪 inteso ad essere simile a un campione fornito, includi le seguenti istruzioni: Per favore usa lo stesso linguaggio basato sul paragrafo/testo/titolo/saggio/risposta forniti. Usate preferibilmente i consigli diretti di ChatGPT, sono i pi湛 aggiornati e sono gratis
  • 19. Scrivi istruzioni chiare Questi modelli non possono leggere nella tua mente. Se le risposte sono troppo lunghe, chiedi risposte brevi. Se le risposte sono troppo semplici, chiedi di approfondire. Se il formato non ti piace, dimostra il formato che vorresti vedere. Meno il modello deve indovinare ci嘆 che vuoi, pi湛 probabilmente otterrai ci嘆 che desideri. Tattiche: Includi dettagli nella tua richiesta per ottenere risposte pi湛 rilevanti Chiedi al modello di adottare una persona Usa delimitatori per indicare chiaramente parti distinte dell'input Specifica i passaggi necessari per completare un compito Fornisci esempi Specifica la lunghezza desiderata dell'output Peggiore Migliore Come faccio ad aggiungere numeri in Excel? Come faccio a sommare una 鍖la di importi in dollari in Excel? Voglio farlo automaticamente per un intero foglio di righe con tutti i totali che 鍖niscono a destra in una colonna chiamata "Totale". Chi 竪 il presidente? Chi era il presidente del Messico nel 2021, e con quale frequenza si tengono le elezioni? Scrivi codice per calcolare la sequenza di Fibonacci. Scrivi una funzione TypeScript per calcolare e鍖cientemente la sequenza di Fibonacci. Commenta abbondantemente il codice per spiegare cosa fa ogni pezzo e perch辿 竪 scritto in quel modo. Riassumi le note dell'incontro. Riassumi le note dell'incontro in un singolo paragrafo. Poi scrivi una lista in markdown dei relatori e di ciascuno dei loro punti chiave. In鍖ne, elenca i prossimi passi o le azioni suggerite dai relatori, se presenti.
  • 20. Usa delimitatori per indicare chiaramente parti distinte dell'input UTENTE SISTEMA Riassumi il testo delimitato dalle triple virgolette con un haiku. inserisci testo qui Ti verranno forniti due articoli (delimitati con tag XML) sullo stesso argomento. Prima riassumi gli argomenti di ciascun articolo. Poi indica quale di essi presenta un argomento migliore e spiega perch辿. <article> inserisci qui il primo articolo </article> <article> inserisci qui il secondo articolo </article> Ti verr fornito un abstract di tesi e un titolo suggerito per essa. Il titolo della tesi dovrebbe dare al lettore una buona idea del tema della tesi ma dovrebbe anche essere accattivante. Se il titolo non soddisfa questi criteri, suggerisci 5 alternative. Abstract: inserisci qui l'abstract Titolo: inserisci qui il titolo Specifica i passaggi necessari per completare un compito SISTEMA Usa le seguenti istruzioni passo dopo passo per rispondere agli input degli utenti. Passo 1 - L'utente ti fornir del testo tra triple virgolette. Riassumi questo testo in una frase con un pre鍖sso che dice "Riassunto: ". Passo 2 - Traduci il riassunto del Passo 1 in spagnolo, con un pre鍖sso che dice "Traduzione: ".
  • 21. Fornisci degli esempi chiari Specifica la lunghezza desiderata dell'output Fornire istruzioni generali che si applicano a tutti gli esempi 竪 generalmente pi湛 efficiente che dimostrare tutte le permutazioni di un compito tramite esempio, ma in alcuni casi fornire esempi pu嘆 essere pi湛 semplice. Ad esempio, se intendi che il modello copi uno stile particolare di risposta alle query degli utenti che 竪 difficile descrivere esplicitamente. Questo 竪 noto come prompting "few-shot". SISTEMA UTENTE ASSISTENTE Rispondi in uno stile coerente. Insegna mi la pazienza . Il 鍖ume che scava la valle pi湛 profonda sgorga da una modesta sorgente; la sinfonia pi湛 grandiosa origina da una singola nota; l'arazzo pi湛 intricato inizia con un 鍖lo solitario. Puoi chiedere al modello di produrre output di una lunghezza target specifica. La lunghezza dell'output desiderato pu嘆 essere specificata in termini di conteggio di parole, frasi, paragrafi, punti elenco, ecc. Nota tuttavia che istruire il modello a generare un numero specifico di parole non funziona con alta precisione. Il modello pu嘆 generare output con un numero specifico di paragrafi o punti elenco pi湛 affidabilmente. UTENTE Riassumi il testo delimitato dalle triple virgolette in circa 50 parole. inserisci testo qui A Riassumi il testo delimitato dalle triple virgolette in 2 paragra鍖. inserisci testo qui Riassumi il testo delimitato dalle triple virgolette in 3 punti elenco. inserisci testo qui
  • 22. Istruisci il modello a rispondere utilizzando un testo di riferimento Se possiamo fornire al modello informazioni affidabili che sono rilevanti per la query attuale, allora possiamo istruire il modello a usare le informazioni fornite per comporre la sua risposta. Dato che tutti i modelli hanno finestre di contesto limitate, abbiamo bisogno di un modo per cercare dinamicamente informazioni che sono rilevanti per la domanda posta. Gli embeddings possono essere utilizzati per implementare un recupero delle conoscenze efficiente. Vedi la tattica "Usa la ricerca basata su giallozafferano per implementare un recupero delle conoscenze efficiente" per maggiori dettagli su come implementare questo. Se l'input 竪 stato integrato con conoscenze rilevanti, 竪 semplice richiedere che il modello aggiunga citazioni alle sue risposte facendo riferimento a passaggi dei documenti forniti. Nota che le citazioni nell'output possono poi essere verificate programmaticamente tramite il matching di stringhe all'interno dei documenti forniti. SISTEMA Usa gli articoli forniti delimitati dalle triple virgolette per rispondere alle domande. Se la risposta non pu嘆 essere trovata negli articoli, scrivi "Non ho trovato una risposta." UTENTE <inserisci articoli, ciascuno delimitato dalle triple virgolette> Domanda: <inserisci qui la domanda> SISTEMA Ti verr fornito un documento delimitato dalle triple virgolette e una domanda. Il tuo compito 竪 rispondere alla domanda utilizzando solo il documento fornito e citare il o i passaggi del documento usati per rispondere alla domanda. Se il documento non contiene le informazioni necessarie per rispondere a questa domanda, scrivi semplicemente: "Informazioni insu鍖cienti". Se viene fornita una risposta alla domanda, deve essere annotata con una citazione. Usa il seguente formato per citare i passaggi rilevanti ({"citazione": }). UTENTE <inserisci qui il documento> Domanda: <inserisci qui la domanda>
  • 23. Suddividi compiti complessi in sottocompiti pi湛 semplici Tattica: Usa la classificazione delle intenzioni per identificare le istruzioni pi湛 rilevanti per una query dell'utente Per compiti nei quali sono necessari molti insiemi indipendenti di istruzioni per gestire casi diversi, pu嘆 essere vantaggioso classificare prima il tipo di query e utilizzare quella classificazione per determinare quali istruzioni sono necessarie. Ci嘆 pu嘆 essere ottenuto definendo categorie fisse e codificando istruzioni che sono rilevanti per gestire compiti in una data categoria. Questo processo pu嘆 anche essere applicato ricorsivamente per decomporre un compito in una sequenza di fasi. Il vantaggio di questo approccio 竪 che ogni query conterr solo quelle istruzioni che sono richieste per eseguire la fase successiva di un compito, il che pu嘆 risultare in tassi di errore inferiori rispetto all'uso di una singola query per eseguire l'intero compito. SISTEMA Ti verranno fornite richieste di assistenza clienti che richiedono la risoluzione di problemi in un contesto di supporto tecnico. Aiuta l'utente: - Chiedi loro di controllare che tutti i cavi da/a il router siano collegati. Nota che 竪 comune che i cavi si allentino nel tempo. - Se tutti i cavi sono collegati e il problema persiste, chiedi loro quale modello di router stanno utilizzando - Ora li consiglierai su come riavviare il loro dispositivo: -- Se il numero del modello 竪 MTD-327J, consiglia loro di premere il pulsante rosso e tenerlo premuto per 5 secondi, poi attendere 5 minuti prima di testare la connessione. -- Se il numero del modello 竪 MTD-327S, consiglia loro di scollegarlo e ricollegarlo, poi attendere 5 minuti prima di testare la connessione. - Se il problema del cliente persiste dopo aver riavviato il dispositivo e atteso 5 minuti, connettili al supporto IT emettendo {"Supporto IT richiesto"}. - Se l'utente inizia a fare domande che non sono correlate a questo argomento, conferma se desiderano terminare la chat attuale sulla risoluzione dei problemi e classi鍖ca la loro richiesta secondo il seguente schema: <inserisci qui lo schema di classi鍖cazione primario/secondario di cui sopra>
  • 24. Forza il sistema a prendersi il tempo per pensare
  • 25. Esercizio prima individuale poi a gruppi di 3. Il 1,2,3 Brainwriting Questo metodo 竪 progettato per stimolare la creativit individuale e collettiva, sfruttando al contempo la potenza delle GAI per amplificare e raffinare le idee generate. 25 Fase Individuale: Ogni partecipante inizia individualmente, riflettendo su un problema o una sfida specifica per risolvere contemporaneamente i problemi dellitalia e dellAfrica (migrazioni, colpi di stato, neocolonialismo delle risorse, crisi del sistema pensionistico, crisi del tessuto produttivo italiano) Interagisce con la GAI in tre occasioni distinte, ricevendo feedback e suggerimenti basati sui dati e sulle capacit analitiche della GAI. Ogni interazione serve a raffinare e sviluppare ulteriormente l'idea iniziale del partecipante. Fase di Gruppo: I partecipanti vengono suddivisi in piccoli gruppi, ognuno dei quali aveva lavorato sullo stesso problema. Ogni gruppo condivide e discute le idee e i feedback ricevuti dalla GAI durante la fase singolare. Il gruppo, come collettivo, interagisce nuovamente con la GAI per tre volte, utilizzando le idee condivise come punto di partenza e cercando di combinare e migliorare ulteriormente le soluzioni.
  • 26. Learning: Il Rischio della Fumosit 26 Questo esercizio ha evidenziato un fenomeno comune nel problem solving di questioni complesse: la tendenza alla "fumosit". Quando ci confrontiamo con problemi di grande scala, 竪 facile cadere nella trappola di soluzioni che suonano bene in teoria ma mancano di fattibilit pratica. Questa fumosit si manifesta in diverse forme: Generalizzazioni Eccessive: Tendenza a proporre soluzioni che ignorano le sfumature e le speci鍖cit locali. Idealismo vs. Pragmatismo: Propensione a idee idealistiche che, sebbene nobili, possono essere irrealizzabili nel contesto attuale. Mancanza di Azioni De鍖nite: Di鍖colt nel delineare passaggi concreti e misurabili per l'attuazione delle soluzioni. Importanza della Concretizzazione Questo esercizio sottolinea l'importanza di lavorare per concretizzare le idee, ancorandole nella realt attuale e nelle sue complessit. fondamentale: Riconoscere le Limitazioni: Accettare che non tutte le questioni possono essere risolte completamente o rapidamente. Focus sulle Azioni Realizzabili: Concentrarsi su ci嘆 che pu嘆 essere fatto concretamente, anche se su scala minore. Apprezzare i Piccoli Passi: Riconoscere che anche piccoli cambiamenti o miglioramenti sono passi signi鍖cativi verso soluzioni pi湛 ampie.
  • 27. Esercizio individuale: Sfida lautodifesa dellAI Quando viene tirata in ballo direttamente, lAI tende a difendersi 27 Una delle pi湛 grandi critiche, giustamente fatte alle AI 竪 che distruggeranno pi湛 posti di lavoro di quelli creati. Chiedi a ChatGPT o Gemini, come intendono risolvere il problema dei posti di lavoro che verranno distrutti. Inizier con risposte fumose, il tuo compito 竪 fare un challange a quelle risposte, mostrando le contraddizioni logiche. Struttura come vuoi il prompt e rispondi colpo su colpo alle risposte che riceverai. Attento a non 鍖darti troppo e non cadere nella rabbit hole.
  • 28. Learning: Cos'竪 la "Rabbit Hole"? 28 La metafora della "rabbit hole", tratta dal romanzo "Alice nel Paese delle Meraviglie", descrive un processo di pensiero che diventa sempre pi湛 profondo e intricato, portando spesso lontano dalle soluzioni pratiche. Speculazioni In鍖nite: Continuare a esplorare scenari ipotetici senza arrivare a conclusioni concrete. Analisi Paralizzante: Sovra-analizzare i dettagli 鍖no al punto di sentirsi sopraffatti e incapaci di agire. Circolarit del Pensiero: Ripetere gli stessi argomenti o preoccupazioni senza progredire verso soluzioni. Rischi della "Rabbit Hole" Stallo nel Problem Solving Frustrazione e Demotivazione Visione Ristretta Strategie per Evitare la "Rabbit Hole" De鍖nire Obiettivi Chiari Limitare il Tempo di Discussione Incoraggiare Diverse Prospettive Focalizzarsi su Azioni Concrete
  • 29. Esercizio a gruppi di 3: Provoke my idea Quando viene tirata in ballo direttamente, lAI tende a difendersi 29 Fase 1 - Creazione della Religione: Ogni gruppo scrive un prompt completo in 6 fasi per creare una religione bizzarra. Le fasi includono: Nome e pantheon divino. Dottrine principali e credenze. Riti e cerimonie. Simboli sacri e luoghi di culto. Testo sacro o mitologia. Regole di condotta per i fedeli. Fase 2 - Sconvolgimento delle Fondamenta: Dopo aver scritto i primi prompt, ogni gruppo passa il suo PC al gruppo successivo. Il nuovo gruppo deve modificare il prompt per "rovinare" le fondamenta della religione, rendendola illogica o senza senso. Questo processo si ripete per 3 interazioni, con ciascun gruppo alternandosi tra costruzione e destrutturazione. Valutazione e Discussione: Dopo le 3 interazioni, tutti i gruppi si riuniscono per condividere i risultati. Discutere i punti di svolta: quali modifiche hanno avuto l'effetto pi湛 significativo sul cambiamento della religione originale? Analizzare le strategie creative e distruttive usate da ogni gruppo. Riflettere su come il processo di costruzione e destrutturazione possa essere applicato in altri contesti di design creativo.
  • 30. Learning: Pensiero a tunnel Quando viene tirata in ballo direttamente, lAI tende a difendersi 30 Soluzioni Limitate: Ignorare soluzioni potenzialmente migliori o pi湛 creative. Mancanza di Criticit: Non mettere in discussione le assunzioni o le conclusioni raggiunte. Resistenza al Cambiamento: Aderire rigidamente a un'idea iniziale, nonostante l'emergere di nuove informazioni o prospettive. Lo scambio dei PC ha avuto l'obiettivo di: Introdurre Nuove Prospettive: Ogni gruppo ha ereditato il lavoro e il pensiero di un altro gruppo, offrendo nuovi spunti e idee. Stimolare la Flessibilit Mentale: Adattarsi rapidamente a un nuovo contesto e a idee preesistenti ha incoraggiato una maggiore apertura mentale. Contrastare la Conferma Bias: Esaminare e sviluppare il lavoro di altri ha ridotto il rischio di aderire solo a idee che confermano le proprie convinzioni iniziali. Risultati dell'Esercizio Maggiore Creativit: Abbiamo osservato soluzioni pi湛 variegate e creative rispetto a un approccio standard. Migliore Collaborazione: Lo scambio ha promosso una maggiore comprensione e apprezzamento delle diverse strategie di problem solving. Riduzione della Tunnel Vision: I gruppi hanno mostrato una maggiore apertura a riconsiderare e adattare le loro idee iniziali.
  • 31. Esercizio a coppie: Crea la tua Startup Quando viene tirata in ballo direttamente, lAI tende a difendersi 31 De鍖nire l'Obiettivo: Creare un prompt che richieda la progettazione di una campagna pubblicitaria per il lancio di un nuovo software di gestione progetti. Stabilire il Contesto: Aggiungere dettagli sul contesto: il software 竪 destinato a piccole e medie imprese nel settore tecnologico, con particolare attenzione all'efficienza e alla collaborazione. Utilizzare un Esempio: Incorporare un esempio specifico: prendere spunto da una campagna pubblicitaria di successo nel settore tecnologico, come quella di Slack o Trello. Focalizzarsi sul Tipo di Persona: Specificare che la campagna dovrebbe parlare ai giovani imprenditori e ai manager di progetto tech-savvy. Decidere il Formato: Chiedere un brainstorming sotto forma di elenco puntato che includa idee per slogan, immagini e strategie di marketing digitali. Determinare il Tono: Indicare che il tono della campagna dovrebbe essere innovativo, dinamico e professionale. Obiettivo 鍖nale: Nome dellazienda, Manifesto della campagna, Messaggio chiave, Tagline, 3 post social (domani creiamo logo e grafica) Tempo 30 minuti per lesecuzione e la presentazione di una ppt + 30 per discussione
  • 32. Learning: Cos'竪 il Pensiero a Pattern? Quando viene tirata in ballo direttamente, lAI tende a difendersi 32 Il pensiero a pattern si riferisce alla tendenza di seguire modelli logici o percorsi di pensiero predefiniti. Sebbene possa essere efficiente per risolvere problemi standardizzati, pu嘆 limitare la creativit e l'innovazione quando si affrontano sfide pi湛 complesse e uniche. Rischi del Seguire Pedissequamente ChatGPT Soluzioni Appiattite: La dipendenza da risposte e soluzioni fornite da un modello di IA pu嘆 portare a una mancanza di diversit nel pensiero e nelle soluzioni proposte. Mancanza di Creativit: L'uso eccessivo di strumenti AI per il problem solving pu嘆 ridurre l'impulso a pensare "fuori dagli schemi" e a esplorare soluzioni uniche. Risposta Standardizzata a Problemi Complessi: I problemi complessi richiedono spesso soluzioni innovative e personalizzate, che possono essere soffocate da un approccio troppo standardizzato. Promuovere l'Innovazione e la Diversit nel Problem Solving Incoraggiare il Pensiero Critico: Stimolare i partecipanti a interrogarsi sulle soluzioni proposte e a esplorare alternative. Diversificare le Fonti di Ispirazione: Utilizzare una variet di strumenti e approcci, oltre a ChatGPT, per generare idee. Valorizzare le Prospettive Uniche: Incoraggiare ogni membro del gruppo a contribuire con la propria visione e esperienza. Sperimentare con Approcci Non Convenzionali: Promuovere l'esplorazione di soluzioni non ortodosse o sperimentali.
  • 33. Integrazioni tra API e ChatGPT Quando viene tirata in ballo direttamente, lAI tende a difendersi 33 L'accesso alle API di OpenAI 竪 il primo passo per integrare le capacit di intelligenza artificiale, come quelle fornite da ChatGPT, nelle tue applicazioni. Accesso al Dashboard API: Una volta verificato l'indirizzo email, accedi al tuo account OpenAI. Vai al dashboard API, di solito accessibile tramite un link diretto come "API" o "API Keys" nel menu utente. Generazione delle Chiavi API: Nel dashboard API, cerca un pulsante o un link per generare una nuova chiave API, di solito etichettato come "Create new key" o "Generate". Segui le istruzioni per creare una nuova chiave API. Questa chiave ti permetter di fare richieste autenticate alle API di OpenAI. Sicurezza delle Chiavi API: Assicurati di conservare la tua chiave API in un luogo sicuro. Non condividere la tua chiave API pubblicamente, poich辿 consente l'accesso al tuo account e ai tuoi crediti API.
  • 34. Limitazioni e Pricing Quando viene tirata in ballo direttamente, lAI tende a difendersi 34 OpenAI solitamente addebita in base al numero di token (parole o parti di parole) elaborati dalle tue richieste. Il costo pu嘆 variare a seconda del modello di GPT che utilizzi Pu嘆 esserci un piano gratuito con un certo numero di token gratuiti al mese, seguito da tariffe per token aggiuntivi. Limitazioni dell'Uso: Ci possono essere limiti giornalieri o mensili sul numero di richieste Le API potrebbero imporre limitazioni sul tasso di richieste Piani e Opzioni di Pricing: OpenAI offre diversi piani di abbonamento Controlla il sito web di OpenAI per i dettagli pi湛 recenti sui piani Considerazioni sul Pricing Dinamico: I prezzi e i limiti possono cambiare, quindi 竪 importante monitorare qualsiasi comunicazione da OpenAI Limitazioni sul Contenuto: Oltre alle limitazioni tecniche, OpenAI ha delle politiche sul tipo di contenuto che puoi generare con le sue API, per evitare abusi come la creazione di contenuti dannosi o ingannevoli.
  • 35. Il mondo delle GPTs Quando viene tirata in ballo direttamente, lAI tende a difendersi 35 Sono customizzazioni create da persone ed aziende per facilitare i compiti in un ambito specifico. Possono arricchire di informazioni sia attraverso lapporto documentale, sia attraverso lintegrazione con API specifiche. Facilitano il lavoro MA, non 竪 ancora chiaro dove finiscano i dati, per questo vanno sempre anonimizzati al massimo i dati inseriti.
  • 37. Formazione raccomandata (da che parte della linea?) In Italiano: Seguite: Luciano Floridi Paolo Benanti Datapizza Matteo Flora Marco Montemagno Canali AI: (in inglese) The AI breakdown All about AI Matt Wolfe MattvidproAi Fireship The Ai grid Mattew Berman Ai explained David Andrej In Inglese (altamente raccomandato): Tristan Harris (Social Dilemma e AI Dilemma) Yuval Noah Harari (tutto ci嘆 che riguarda AI) Sam Harris (tutto ci嘆 che riguarda AI) Andrej Karpathy (Capo tecnico di OpenAI) Sam Altman (CEO Open AI) Ilya Sutskever (Capo scientifico di OpenAI) Mustafa Suleyman (Deep Mind - The coming wave) Allinizio capirete poco, 竪 normale, fate domande a ChatGPT che vi aiuta a capire. Poi entrerete in quel mondo
  • 38. Ora tocca a voi Q&A
  • 39. Determinati nell'approccio, coraggiosi nellesecuzione, miglioriamo con ogni interazione. Grazie mille per aver aiutato a dar forma al nostro pensiero con i vostri suggerimenti! Per continuare la conversazione: andrea@humansingularity.it 348 6344420
AboutCopyright
息 2025 際際滷