Come ragiona l’Intelligenza Artificiale (quello che deve sapere il Commercialista per non fare errori) – 3 di 7

Nell’articolo precedente ti ho spiegato tecnicamente come l’AI giunge alle conclusioni che poi ti comunica come risposta. Hai visto che che non fa ricerche su “Google” e che è in grado di mostrarti varie opzioni.

Oggi andiamo ancora di più nel tecnico: niente di difficile, ma sicuramente necessario per poter padroneggiare bene queste tecnologie.

1. Analisi linguistica (Natural Language Understanding)

• La frase dell’utente viene tokenizzata (scomposta in unità linguistiche).

• Viene costruita una rappresentazione semantica che collega concetti e relazioni:

  • Entità numeriche → 10.000, 5%, 3 anni.

  • Entità finanziarie → investimento, titolo obbligazionario, rendimento.

  • Intento → calcolare un valore futuro (“quanto avrò alla fine”).

• In questa fase entra in gioco il parsing semantico e la mappatura sul contesto matematico-finanziario.

2. Recupero di conoscenze (Knowledge Retrieval)

• Dal modello vengono attivati i pattern di conoscenza appresi durante l’addestramento, associati alla categoria “interessi” o “calcolo finanziario”.

• Vengono recuperate le formule standard:

  • Interesse semplice:

    $$M=C+(C\times i\times n)$$

  • Interesse composto:

    M=C×(1+i)nM = C \times (1 + i)^nM=C×(1+i)n

3. Ragionamento e disambiguazione

• Si rileva un punto di ambiguità: non è specificato se il calcolo deve considerare interesse semplice o composto.

• Viene quindi applicata una strategia di disambiguazione: presentare entrambe le possibilità.

• La scelta di mostrare entrambe deriva da un modello euristico: evitare risposte incomplete quando l’input non è del tutto definito.

4. Elaborazione simbolica e calcolo numerico

• I dati estratti vengono sostituiti nelle formule:

  • Capitale iniziale $C=10.000$

  • Tasso annuo $i=0,05$

  • Numero anni $n=3$

• Viene eseguita un’operazione di reasoning numerico integrato:

  • Composto: 10.000×(1,05)3=11.576,2510.000 \times (1,05)^3 = 11.576,2510.000×(1,05)3=11.576,25

  • Semplice: $10.000+(10.000\times 0,05\times 3)=11.500$

5. Generazione della risposta (Natural Language Generation)

• I risultati numerici vengono trasformati in linguaggio naturale.

• La risposta è strutturata in modo da:

  • Evidenziare i due scenari.

  • Mostrare i calcoli in forma leggibile.

  • Dare un contesto (“di solito si considera l’interesse composto”).

• In questa fase viene applicato un modello di coerenza discorsiva, che organizza la spiegazione in passi chiari e progressivi.

6. Output finale

• L’utente riceve una risposta in linguaggio naturale, con il risultato calcolato e la spiegazione dei passaggi logici e matematici.

• L’output è una combinazione di:

  • Inferenza semantica (capire cosa si chiede).

  • Richiamo di conoscenze apprese (formule).

  • Ragionamento numerico (esecuzione calcoli).

  • Generazione linguistica (spiegazione chiara e coerente).

👉 In sintesi: il processo è una pipeline che va da comprensione linguistica → recupero della conoscenza → ragionamento logico-numerico → generazione della risposta.

Leggi il prossimo articolo per conoscere questa pipeline in forma di schema logico/pseudocodice per rendertela ancora chiara.