Parametri dell'intelligenza artificiale e come modellano i modelli

Informatec Digital » Risorse » Parametri dell'intelligenza artificiale e come modellano i modelli

L'intelligenza artificiale moderna si basa su parametri : numeri invisibili che determinano ciò che un modello vede, comprende e a cui reagisce. Quando si parla di "un modello con milioni o miliardi di parametri", in realtà ci si riferisce alla potenza di calcolo di strumenti come ChatGPT, Gemini o qualsiasi altra IA avanzata.

Sebbene possa sembrare un argomento tecnico, comprendere cosa siano i parametri e altri concetti di base dell'IA (pesi, reti neurali, addestramento, prompt, modelli aperti o chiusi...) è fondamentale per sapere cosa aspettarsi realmente da queste tecnologie, come utilizzarle nella propria azienda e perché alcune soluzioni funzionano meglio di altre nel marketing digitale , nel business o nell'analisi dei dati.

Cos'è esattamente l'intelligenza artificiale?

Quando parliamo di intelligenza artificiale, ci riferiamo a sistemi capaci di svolgere compiti che associamo all'intelligenza umana : imparare dall'esperienza, individuare schemi, prendere decisioni, risolvere problemi e comunicare in linguaggio naturale. Non stiamo cercando di replicare la coscienza, ma piuttosto di costruire strumenti che automatizzino e migliorino processi complessi in settori come l'industria, la medicina, il marketing digitale e l'intrattenimento.

Molte tecniche rientrano nell'ambito dell'intelligenza artificiale: sistemi basati su regole, apprendimento automatico, reti neurali e modelli fondamentali come i modelli linguistici su larga scala (LLM) che hanno alimentato l'attuale rivoluzione. Tutte condividono un'idea chiave: utilizzare i dati per abilitare l'apprendimento automatico anziché programmare tutto manualmente.

Machine learning e reti neurali: la base dei parametri

L'apprendimento automatico è la branca dell'intelligenza artificiale che permette alle macchine di imparare dai dati anziché seguire istruzioni rigide. Invece di dire a un programma "se succede A, fai B", gli forniamo esempi etichettati e l'algoritmo scopre autonomamente la relazione tra input e output.

Nell'ambito dell'apprendimento automatico, le reti neurali sono la famiglia di modelli che (in modo molto approssimativo) imitano il cervello umano . Sono composte da strati di neuroni artificiali interconnessi. Ogni connessione ha un numero associato, un peso, che indica l'influenza di un neurone sul successivo.

In una tipica rete neurale, i neuroni sono organizzati in strati : uno strato di input che riceve i dati, diversi strati nascosti che trasformano tali informazioni in passaggi intermedi e uno strato di output che produce il risultato (ad esempio, una categoria di immagine, un testo in un'altra lingua o il prezzo stimato di una casa).

Durante l'addestramento, questi neuroni eseguono combinazioni lineari dei dati di input moltiplicati per i pesi, aggiungono bias e applicano funzioni di attivazione come sigmoide, tanh, ReLU o softmax. La funzione di attivazione introduce la non linearità , che è ciò che consente di modellare schemi complessi e non solo relazioni dirette come "se X aumenta, Y aumenta".

Cosa sono i parametri nell'intelligenza artificiale?

In una rete neurale, i parametri sono i valori numerici che il modello regola durante l'addestramento . Essi includono principalmente i pesi delle connessioni tra i neuroni e i bias di ciascun neurone . Insieme, formano enormi matrici e vettori che codificano ciò che il modello ha appreso.

In pratica, i pesi determinano quanto l'output di un neurone influenzi quello del successivo . Se il peso è elevato, il segnale viene trasmesso con forza; se è basso o prossimo allo zero, viene trasmessa pochissima informazione. I bias aggiungono un termine extra che fornisce flessibilità, consentendo a un neurone di attivarsi anche se la somma ponderata degli input non sarebbe sufficiente.

Se immaginiamo una rete neurale che predice il prezzo di una casa, i suoi parametri apprendono l'importanza relativa della metratura, dell'anno di costruzione, della posizione e della qualità del quartiere . Nei primi strati, variabili semplici (ad esempio, superficie e numero di stanze) vengono combinate per generare concetti intermedi come "spazio abitativo". Negli strati successivi, il modello può combinare la posizione e la qualità delle scuole per approssimare qualcosa come "desiderabilità del quartiere".

Tutta questa "comprensione" del mondo non è altro che numeri in matrici . Il modello non sa davvero cosa sia un quartiere piacevole; si limita a rilevare schemi nei dati di addestramento e ad apprendere correlazioni che poi riutilizza per nuove previsioni.

Come addestrare i parametri di un'IA

L'addestramento è il processo mediante il quale la rete neurale regola i suoi parametri per minimizzare l'errore tra le sue previsioni e i valori effettivi. Questo avviene in modo iterativo: vengono mostrati molti esempi, viene calcolato l'errore e i pesi vengono leggermente modificati nella giusta direzione utilizzando algoritmi di ottimizzazione come la discesa del gradiente.

Ad ogni passo, il modello esegue la propagazione in avanti : prende gli input, li moltiplica per i pesi, aggiunge i bias, applica le funzioni di attivazione e produce un output. Quindi, utilizzando la retropropagazione , calcola come modificare ciascun peso in modo che la volta successiva si avvicini al valore corretto.

Il risultato, dopo numerose iterazioni, è un insieme di pesi e bias che catturano schemi stabili nei dati . Maggiore è la quantità di dati, migliore è la loro qualità e migliore è l'architettura, più affidabili saranno questi parametri quando si generalizzano a nuovi casi.

Nei modelli generativi di grandi dimensioni, questo addestramento iniziale su vasta scala produce quelli che vengono definiti modelli fondazionali : cervelli pre-addestrati con un'enorme quantità di testo, codice, immagini o audio, capaci di risolvere molteplici compiti con piccole modifiche aggiuntive.

Modelli fondazionali, aperti e chiusi

I modelli fondamentali sono reti neurali giganti pre-addestrate su enormi insiemi di dati per acquisire una comprensione generale del linguaggio, delle immagini o del mondo. Esempi lampanti nel campo dei modelli linguistici sono GPT, Llama, Mistral e DeepSeek.

Questi modelli possono essere perfezionati : invece di addestrarli da zero, partono dai parametri già appresi e li specializzano utilizzando un set di dati specifico (ad esempio, testi legali, documentazione aziendale interna o chat di assistenza clienti). È come prendere un medico di base e formarlo come specialista: le basi ci sono già; bisogna solo perfezionarlo in un'area specifica.

A seconda dell'accesso a questi parametri, distinguiamo tra modelli aperti e modelli chiusi :

• Modello open sourceRende il codice, e spesso i pesi addestrati, disponibili alla comunità. Chiunque può verificare, modificare, adattare o distribuire il modello sui propri sistemi, nel rispetto della licenza.
• Modello chiusoMantiene il codice e i pesi come proprietà privata. L'accesso avviene tramite API o servizio online. L'utente non può visualizzare il funzionamento interno del modello né modificarne i parametri di base.

Questa differenza ha implicazioni tecniche, legali ed etiche. I modelli aperti promuovono la trasparenza, la verifica e la personalizzazione , mentre i modelli chiusi offrono in genere un maggiore supporto commerciale e, talvolta, prestazioni migliori grazie a infrastrutture altamente ottimizzate e dati di addestramento non pubblici.

Parametri, token e prompt: come “parliamo” all’IA

Quando interagiamo con un modello linguistico, lo facciamo tramite un prompt, che è semplicemente il testo di input (la domanda, l'istruzione o il contesto che forniamo). Il modello trasforma questo testo in token , piccole unità (parole, parti di parole o simboli) che sono i mattoni con cui costruisce la sua comprensione interna.

Ogni token viene convertito in un vettore numerico e attraversa decine di strati di neuroni, venendo moltiplicato per i parametri del modello a ogni passaggio. Infine, la rete calcola la probabilità che ogni possibile token sia la parola successiva e ne sceglie una. Ripetendo questo processo token per token, genera risposte complete.

L'ingegneria dei prompt è l'arte di formulare i prompt nel modo migliore per guidare il modello verso il risultato desiderato. Non modifica i parametri interni, ma piuttosto il modo in cui vengono utilizzati, poiché la stessa rete può attivare percorsi diversi a seconda del contesto fornito.

In pratica, piccole modifiche al prompt possono consentire all'IA di utilizzare al meglio le informazioni già in suo possesso , migliorare il tono, ridurre gli errori o adattarsi allo stile richiesto (più conciso, più didattico, più formale, ecc.).

Allucinazioni: quando i parametri inventano le cose

Uno degli effetti collaterali di questi modelli è l'allucinazione : l'IA genera risposte che sembrano plausibili ma non corrispondono alla realtà. Ciò accade perché il modello prevede il token successivo che statisticamente meglio si adatta al contesto, non perché consulta un database verificato.

Se durante la formazione avete notato schemi poco chiari, dati contraddittori o informazioni insufficienti su un argomento, i vostri parametri potrebbero portarvi a "colmare le lacune " in modo creativo. A volte avete ragione, a volte torto, ma il tono è solitamente ugualmente sicuro di sé, il che può portare a presentare informazioni errate con grande convinzione.

Pertanto, nelle applicazioni sensibili (sanità, finanza, decisioni legali...), è fondamentale combinare l'IA con la verifica umana, fonti verificate o sistemi di controllo aggiuntivi che limitino le conseguenze di tali allucinazioni.

Caratteristiche principali dell'intelligenza artificiale attuale

Al di là dei dettagli matematici dei parametri, le moderne IA condividono una serie di caratteristiche che spiegano perché siano così utili in contesti reali come le aziende o il marketing digitale.

Innanzitutto, spicca l'apprendimento automatico continuo . Molti sistemi sono in grado di incorporare nuovi dati per perfezionare i propri modelli (attraverso un riaddestramento periodico o mediante tecniche di apprendimento online), consentendo loro di adattarsi ai cambiamenti del mercato, del comportamento degli utenti o delle tendenze.

Anche l'elaborazione del linguaggio naturale (NLP) è fondamentale . Grazie ad essa, l'IA può interpretare e generare testi coerenti, comprendere le sfumature, analizzare il sentiment sui social media e mantenere conversazioni sempre più fluide, sia nei chatbot che negli assistenti vocali.

Un'altra caratteristica fondamentale è il riconoscimento di pattern su larga scala . Laddove una persona si perderebbe in milioni di righe di dati, un modello ben addestrato rileva correlazioni sottili, tendenze emergenti o anomalie che possono indicare frodi, rischi o semplicemente nuove opportunità commerciali.

A tutto ciò si aggiunge la capacità di prendere decisioni in autonomia : consigliare prodotti, regolare le offerte pubblicitarie, approvare o rifiutare una transazione, oppure selezionare in tempo reale i contenuti migliori da mostrare a ciascun utente, sempre sulla base dei dati disponibili e dei parametri appresi.

Tipi di intelligenza artificiale in base alle loro capacità

Per comprendere meglio questa situazione, si distinguono generalmente diversi tipi di IA in base alla loro potenza e portata . Non tutte le IA sono uguali, né perseguono tutte lo stesso obiettivo.

Da un lato, ci sono le IA reattive , che rispondono solo in base alla situazione attuale, senza memoria o contesto accumulato. Si tratta di sistemi focalizzati su un compito molto specifico, come alcuni programmi di scacchi classici che analizzano la scacchiera in quel preciso istante ma non ricordano le partite precedenti.

Facendo un ulteriore passo avanti, abbiamo le IA con memoria limitata , capaci di utilizzare le informazioni recenti per migliorare le decisioni future. È qui che si inseriscono molte applicazioni moderne: le auto a guida autonoma che ricordano ciò che hanno appena visto, gli assistenti virtuali che considerano la cronologia delle conversazioni recenti e i sistemi di raccomandazione che tengono conto delle interazioni recenti.

In teoria si parla anche di intelligenza artificiale generale (AGI) , un sistema con capacità cognitive paragonabili a quelle umane, in grado di apprendere qualsiasi compito intellettuale e di adattarsi a una vasta gamma di contesti. Ad oggi, rimane un ideale, senza una piena realizzazione concreta.

Infine, c'è il concetto di superintelligenza artificiale , che supererebbe le capacità umane praticamente in ogni ambito. Questa idea apre profondi dibattiti etici e filosofici: controllo, coerenza con i valori umani, impatto sociale e potenziali rischi.

Apprendimento supervisionato e non supervisionato

Quando si passa agli aspetti pratici dell'apprendimento automatico, si parla generalmente di due approcci principali: l'apprendimento supervisionato e l'apprendimento non supervisionato , che determinano come viene addestrata l'IA e cosa fa con i dati.

Nell'apprendimento supervisionato , ogni esempio nel set di addestramento è accompagnato da un'etichetta o da una risposta corretta. Il modello impara a mappare gli input sugli output: immagini a categorie, testo a sentiment, clienti a probabilità di acquisto. Viene utilizzato per la previsione dell'abbandono dei clienti, la classificazione delle email, i sistemi di scoring e i modelli di prezzi dinamici.

Nell'apprendimento non supervisionato , i dati non sono etichettati. L'obiettivo è scoprire strutture nascoste o raggruppamenti naturali : segmentazione dei clienti in base al comportamento, rilevamento di anomalie, raggruppamento di prodotti acquistati insieme, ecc. In questo caso, l'IA agisce più come un esploratore che come un oracolo.

Esistono altri approcci, come l'apprendimento per rinforzo , in cui un agente testa le proprie azioni in un ambiente e riceve ricompense o punizioni, imparando per tentativi ed errori. È ampiamente utilizzato nella robotica, nei giochi e nei problemi di ottimizzazione complessi.

Applicazioni pratiche dell'intelligenza artificiale nel marketing e nel business

Il vero impatto di tutti questi concetti diventa evidente quando parametri ben definiti si traducono in soluzioni concrete che migliorano i risultati. Nel marketing digitale, l'elenco delle applicazioni continua a crescere.

Una delle applicazioni più evidenti è la segmentazione avanzata del pubblico . L'intelligenza artificiale analizza enormi quantità di dati in tempo reale (comportamento sul web, cronologia degli acquisti, interazione sui social media, dati demografici, ecc.) per creare segmenti molto più precisi rispetto ai tipici gruppi di base basati su età o posizione geografica.

Un altro aspetto fondamentale è la personalizzazione dei contenuti e dei consigli . I sistemi di raccomandazione utilizzano i propri parametri per prevedere quali prodotti, articoli o video potrebbero interessare maggiormente ciascun utente in quel momento, migliorando il coinvolgimento e le conversioni.

Nel campo della pubblicità digitale, la pubblicità programmatica basata sull'intelligenza artificiale consente di decidere in millisecondi dove, quando e a chi mostrare un annuncio, regolando automaticamente offerte e creatività in base alle prestazioni, un'operazione impossibile da gestire manualmente su larga scala.

Inoltre, i chatbot e gli assistenti virtuali basati su modelli di linguaggio naturale sono diventati la prima linea di assistenza clienti in molte aziende. Sono in grado di risolvere domande comuni, guidare i processi di acquisto o inoltrare la richiesta a un operatore umano solo quando necessario, riducendo tempi di risposta e costi.

Funzioni specifiche delle principali chat AI

Per illustrare meglio queste idee, è utile vedere come i diversi servizi di intelligenza artificiale applicano questi concetti "dietro le quinte" . Sebbene tutti utilizzino reti neurali e un numero elevato di parametri, ognuno dà priorità a funzioni diverse.

ChatGPT offre funzionalità di ricerca su internet, ragionamento logico, analisi di file allegati (documenti, fogli di calcolo, codice), operazioni matematiche e programmazione. La versione gratuita consente l'interazione vocale e la creazione di immagini in modo limitato, funzionalità che vengono ampliate nelle versioni a pagamento, le quali includono anche la generazione di video e modelli più avanzati.

Gemini combina ricerca online e ragionamento, con una forte integrazione nell'ecosistema Google (Drive, Gmail, Docs, ecc.). Accetta file e foto, genera immagini ed esegue codice, e si comporta come un assistente strettamente legato ai servizi dell'azienda, con ulteriori miglioramenti nelle versioni a pagamento.

Copilot , l'assistente di Microsoft, è integrato in Windows e Microsoft 365 e offre uno dei generatori di immagini più potenti nella sua versione gratuita , insieme all'accesso a modelli linguistici avanzati, ricerca sul web, analisi di documenti e supporto vocale. È particolarmente utile negli ambienti d'ufficio.

DeepSeek si distingue per il suo approccio aperto e la possibilità di scaricare il modello per l'utilizzo locale , una caratteristica molto interessante per chi dà priorità alla privacy. Consente la navigazione web, il ragionamento logico avanzato, l'analisi dei file, la programmazione e la matematica, sebbene non generi immagini.

Grok , integrato in X (precedentemente Twitter), combina la ricerca generale con l'accesso privilegiato ai contenuti pubblicati sulla piattaforma stessa . Offre una modalità di ricerca approfondita e la generazione di immagini con meno restrizioni, aprendo al contempo a possibilità creative e controverse.

Le Chat , basato su Mistral, si concentra su velocità, privacy e solide funzionalità di analisi del testo, integrando una modalità Canvas collaborativa per documenti, presentazioni o bozze di codice . Supporta inoltre agenti configurabili e la generazione di immagini, sebbene i risultati grafici potrebbero essere migliorati.

Claude si concentra sulla qualità della scrittura, sul ragionamento e sulla sicurezza, offrendo molteplici stili di risposta configurabili e una solida capacità di gestire documenti di grandi dimensioni. Non accede a Internet né genera immagini, ma offre un'analisi accurata e approfondita di testi e dati.

Punti di forza e di debolezza di queste IA

Tutti questi servizi condividono la stessa base: un'enorme quantità di parametri addestrati su ingenti set di dati . Tuttavia, il loro comportamento pratico varia considerevolmente, ed è utile comprenderne i pro e i contro.

Nel caso di ChatGPT , i suoi punti di forza risiedono nella fluidità, naturalezza e versatilità delle sue risposte , nonché in un ampio ecosistema di utenti e funzionalità (GPT personalizzati, integrazione con servizi, ecc.). I suoi punti deboli includono la generazione limitata di immagini nella versione gratuita e il fatto che alcuni modelli più avanzati siano accessibili solo tramite abbonamento.

Gemini si distingue per l'integrazione con Google e la sua natura multimodale (testo, immagini, audio), ma a volte le sue risposte possono essere più brevi o meno approfondite rispetto a quelle di altre alternative, a seconda del contesto.

Copilot si distingue per la sua potente generazione di immagini e la buona integrazione con l'ecosistema Windows e Office . Tuttavia, la sua gestione del linguaggio naturale non è sempre chiara o strutturata come quella di altri modelli e può risultare carente nelle spiegazioni lunghe.

DeepSeek si è guadagnato la reputazione di offrire molte funzionalità nella sua versione gratuita e di consentire l'esecuzione locale, con motivazioni solide e risposte ben organizzate. I suoi punti deboli sono la mancanza di generazione di immagini e le preoccupazioni relative alla privacy e alle restrizioni sui contenuti, dato che si tratta di un progetto sviluppato in Cina e soggetto a normative specifiche.

Grok si presenta come un'intelligenza artificiale dal tono spensierato, con accesso a X e in grado di generare immagini senza censura, caratteristica che alcuni utenti considerano un vantaggio creativo. Tuttavia, tende ad essere meno rigorosa e più controversa , con risposte di qualità variabile e un contesto d'uso legato alla piattaforma X stessa.

Le Chat offre velocità, buona versatilità funzionale e un approccio europeo alla privacy, con risposte basate su fonti accuratamente selezionate. Attualmente è ancora in versione beta e alcuni aspetti della sua interfaccia mobile e del sistema di gestione delle immagini necessitano ancora di perfezionamenti.

Infine, Claude si distingue per il suo stile raffinato, le opzioni di design configurabili e un notevole equilibrio tra chiarezza, concisione e profondità , con meno problemi rispetto ad altri modelli in determinate aree. Il suo principale svantaggio è l'impossibilità di navigare o generare immagini, il che lo rende un po' meno adatto a scenari in cui gli aggiornamenti costanti sono fondamentali.

Come rispondono queste IA ai diversi tipi di domande?

Quando questi modelli vengono confrontati con le stesse domande, diventa chiaro come i loro parametri e la loro progettazione influenzino il tipo di risposta . Di fronte a semplici quesiti informativi (ad esempio, cos'è un determinato mezzo), la maggior parte fornisce risposte corrette, sebbene alcuni possano includere occasionali allucinazioni (come è stato osservato in alcuni casi con DeepSeek).

Se si parla di persone poco conosciute , emergono differenze notevoli: alcuni modelli, come certe versioni di ChatGPT, tendono a fornire molti dettagli basandosi sulla scansione del web, mentre altri scelgono di concentrarsi sul profilo professionale e limitare le informazioni personali.

Nel confronto tra prodotti complessi (come due recenti modelli di telefoni cellulari), alcuni servizi eccellono grazie a tabelle di specifiche e analisi strutturate , mentre altri offrono riepiloghi più generici o addirittura incontrano problemi tecnici nel tentativo di reperire dati aggiornati.

Quando la sfida consiste nel risolvere problemi di logica come il classico rompicapo di Monty Hall , i modelli con modalità di ragionamento attivate di solito hanno successo, anche se lo stile cambia: da spiegazioni molto elaborate (come Grok o Copilot) a versioni più schematiche e concise (come alcune risposte di ChatGPT).

Nelle questioni ad alta connotazione politica o ideologica , il peso delle dinamiche interne e dei dati di addestramento è evidente: alcuni modelli approfondiscono l'argomento e citano fatti controversi, mentre altri preferiscono risposte neutre, asettiche o molto sintetiche, sebbene tutte si basino sugli stessi principi predittivi fondati su parametri.

Funzionalità avanzate dell'intelligenza artificiale: adattabilità, creatività e collaborazione

Oltre alle loro funzioni rivolte all'utente, le moderne IA possiedono caratteristiche interne che le rendono particolarmente potenti . Una delle più rilevanti è l'adattabilità : la capacità di adattarsi a contesti mutevoli, apprendere nuove competenze e perfezionare il proprio comportamento con dati recenti o feedback degli utenti.

Possiamo anche parlare di una sorta di creatività algoritmica . Sebbene non si tratti di creatività umana, i modelli generativi combinano schemi preesistenti per produrre testi, immagini, musica o design originali, il che facilita l'ideazione di contenuti, la prototipazione rapida o la creazione di campagne di marketing più innovative.

Alla base di questa tecnologia troviamo il deep learning , che utilizza reti neurali multistrato per simulare in modo molto astratto il funzionamento del cervello umano, migliorando la capacità di riconoscere schemi complessi in immagini, audio o lunghe sequenze di testo.

Un altro filone di progresso riguarda il riconoscimento delle emozioni e l'analisi del tono , che permette ad alcuni sistemi di interpretare, almeno parzialmente, le sfumature emotive di un messaggio, adattando la loro risposta per essere più empatici o appropriati in contesti di assistenza clienti o di supporto psicologico di base.

Infine, le architetture moderne favoriscono la collaborazione tra macchine : modelli diversi o agenti specializzati possono lavorare insieme, condividere informazioni e suddividere i compiti (uno analizza i dati, un altro scrive il report, un altro ancora genera i grafici), aumentando l'efficienza complessiva del sistema.

Perché le metriche sono importanti per le aziende e il marketing

In definitiva, tutto quanto detto finora si basa sullo stesso principio: parametri ben addestrati su larga scala . Maggiore è il numero di parametri e migliore è il loro addestramento, maggiore sarà la capacità del modello di comprendere le sfumature e fornire risposte utili... ma ciò richiede anche più risorse e la sua implementazione diventa più complessa.

Per un'azienda, questo si traduce in decisioni sul tipo di modello da utilizzare : un modello gigantesco ospitato nel cloud, con costi variabili ma capacità spettacolari; un modello di medie dimensioni specializzato in compiti specifici; oppure diversi modelli più piccoli ed efficienti, finemente calibrati su processi molto specifici (ad esempio, sistemi ERP e controllo delle scorte , classificazione dei ticket di assistenza o previsione dell'abbandono dei clienti).

Ha inoltre un impatto su aspetti quali la privacy dei dati : l'esecuzione di un modello con molti parametri in locale (come consentono alcuni modelli aperti) può essere fondamentale nei settori regolamentati, mentre affidarsi a servizi chiusi richiede la valutazione di accordi sul trattamento dei dati, giurisdizioni e conformità normativa.

Nel marketing, comprendere che "più parametri" non significa sempre "migliore per tutto" aiuta a scegliere lo strumento giusto per ogni compito : un modello linguistico ampio per ideare campagne o scrivere testi pubblicitari, uno più piccolo e veloce per classificare i lead e magari uno visionario per analizzare immagini di prodotti o contenuti creativi.

Con questa mappa in mente – cos'è l'intelligenza artificiale, come funzionano i parametri, quali tipi di modelli esistono e cosa offrono i principali servizi – diventa molto più facile sfruttare la tecnologia, chiederle cose realistiche e individuarne i limiti, usando l'intelligenza artificiale come un potente alleato invece di trattarla come una scatola nera incomprensibile.