Introduzione al workshop e al contesto accademico
Il 5 febbraio, nell’ambito degli Stati Generali del Museo della Filosofia presso l’Università degli Studi di Milano, si è tenuto il workshop “Intelligenza Artificiale. Cosa (non) possiamo chiederle”. Organizzato dal SESAR Lab del Dipartimento di Informatica, l’evento ha riunito ricercatori, studenti e professionisti per approfondire le dinamiche dei Large Language Models (LLM) come ChatGPT, Claude e Gemini.
L’obiettivo principale era fornire una panoramica completa delle capacità di questi modelli, ma soprattutto mettere in luce i limiti intrinseci che emergono quando vengono impiegati nella pratica quotidiana. La presenza di un Associate Professor del SESAR Lab ha garantito una trattazione rigorosa, basata su esempi concreti e su attività collaborative.
Come funzionano gli LLM: meccanismo di apprendimento
Gli LLM sono addestrati su enormi quantità di testi mediante una procedura nota come masking. Durante il training, parti di una frase vengono oscurate; il modello deve ricostruirle a partire dal contesto circostante. Ripetuto su scala massiva, questo approccio permette di apprendere regolarità linguistiche, associazioni concettuali e strutture sintattiche avanzate.
Quando un utente formula una domanda, il modello genera una risposta creando una sequenza di parole coerente con l’input e con ciò che ha appreso. Il processo è efficace per molti compiti, ma opera esclusivamente sul piano del linguaggio, non su quello della verifica diretta dei fatti o dell’esperienza reale.
Integrazioni recenti e loro impatto
Le versioni più recenti degli LLM includono strumenti esterni – calcolatrici, motori di ricerca, accesso a database e meccanismi di function calling – per superare alcune difficoltà dei primi sistemi, soprattutto quelle legate a:
- Calcoli numerici complessi
- Aggiornamento delle informazioni
- Verifica di dati fattuali
Tuttavia, queste soluzioni non eliminano completamente i problemi. Situazioni di ambiguità, domande mal poste o contraddittorie, e informazioni web ambigue continuano a generare risposte incerte o errate.
Tipologie di domande problematiche
Il workshop ha dedicato una parte significativa all’analisi sistematica delle tipologie di richieste che mettono in difficoltà gli LLM. Tra le categorie ricorrenti troviamo:
- Domande ambigue, senza contesto sufficiente
- Interrogativi logicamente contraddittori
- Richieste che richiedono dati aggiornati in tempo reale
- Problemi che richiedono ragionamento multi‑step
In tutti questi casi, il modello tende a produrre risposte apparentemente coerenti, ma spesso prive di una reale affidabilità. Il punto critico è che l’LLM non segnala esplicitamente la propria incertezza, lasciando l’utente nella falsa sicurezza.
Strategie di prompting emergenti
Durante le sessioni pratiche, i partecipanti hanno sperimentato diverse tecniche di prompting per mitigare gli errori. Alcune strategie concrete includono:
- Definire chiaramente il contesto: fornire al modello tutte le informazioni necessarie prima di porre la domanda.
- Suddividere il problema: trasformare un compito complesso in una serie di sotto‑richieste più gestibili.
- Richiedere fonti: chiedere al modello di citare le fonti o di spiegare il ragionamento alla base della risposta.
- Usare esempi: includere esempi di risposte corrette per guidare il modello verso lo stile desiderato.
- Verificare con più modelli: confrontare le risposte di diversi LLM per individuare discrepanze.
Nonostante l’efficacia di queste tecniche, il prompt perfetto non esiste: anche la formulazione più accurata non può compensare completamente i limiti strutturali del modello.
Attività pratica: test dei limiti in gruppo
Il workshop ha proposto un’attività collaborativa in cui i partecipanti, divisi in gruppi, hanno testato diversi modelli sottoponendoli a domande progettate per esplorarne i limiti. Tra le prove più significative:
- Calcoli matematici complessi senza l’ausilio della calcolatrice integrata.
- Richieste di informazioni storiche aggiornate al giorno corrente.
- Problemi di logica che richiedevano più passaggi di inferenza.
I risultati hanno evidenziato come, anche con prompt ben strutturati, le risposte potessero contenere errori sottili o omissioni di dati rilevanti. Questa osservazione ha rafforzato l’idea che la competenza nell’uso degli LLM vada oltre il semplice prompting.
Riflessioni più ampie e implicazioni etiche
Discutere i limiti degli LLM implica anche interrogarsi su temi più ampi: il rapporto tra linguaggio e conoscenza, tra apparenza di correttezza e affidabilità, e tra automazione e responsabilità. Nel contesto degli Stati Generali del Museo della Filosofia, queste questioni hanno trovato un terreno fertile per il dibattito tra tecnologia e pensiero critico.
Gli LLM, pur essendo strumenti potenti, non sono neutrali né infallibili. La loro capacità di generare testi plausibili può dare l’illusione di autorevolezza, ma è indispensabile mantenere una postura critica, verificare le informazioni e comprendere i confini del modello.
Verso un uso maturo e consapevole
Per utilizzare gli LLM in modo efficace è necessario sviluppare una competenza a più livelli:
- Conoscenza tecnica: comprendere il funzionamento interno e le limitazioni del modello.
- Capacità di prompting: saper formulare richieste chiare, contestualizzate e strutturate.
- Spirito critico: valutare l’affidabilità delle risposte, controllare le fonti e confrontare i risultati.
Solo integrando queste dimensioni è possibile sfruttare appieno il potenziale degli LLM, evitando le trappole dell’automazione cieca.
Conclusioni
Il workshop del 5 febbraio ha dimostrato che la semplice disponibilità di strumenti avanzati non basta: è fondamentale coltivare una cultura critica e pratica dell’intelligenza artificiale. Gli LLM continueranno a evolversi, ma la responsabilità di un loro uso consapevole rimane nelle mani degli utenti.
Per chi desidera approfondire ulteriormente questi temi, è consigliabile iscriversi a newsletter specializzate, partecipare a laboratori pratici e mantenere un dialogo costante con la comunità accademica.