Nell’ultimo articolo ti ho spiegato quali errori può commettere l’Intelligenza Artificiale. Ora ti spiego come, con il calcolo delle probabilità, minimizzi il rischio di errore.
Il cuore dei modelli linguistici come ChatGPT non è “deterministico” (come una calcolatrice), ma probabilistico. Ogni fase che hai visto (parsing → ragionamento → calcolo → risposta) sfrutta la teoria delle probabilità per ridurre il rischio di errore.
Vediamo come:
Quando incontra un testo, ogni parola (token) viene rappresentata come un vettore numerico in uno spazio probabilistico.
Se trova “10.000 €”, il modello non è sicuro al 100% che significhi “diecimila euro”. Esiste una distribuzione di probabilità:
“10.000 euro” → 0,92
“10.000 dollari” → 0,05
“10.000 lire” → 0,02
Viene scelto l’interpretazione con la probabilità più alta, riducendo il rischio che il separatore . o il simbolo € siano fraintesi.
La frase viene analizzata in relazioni grammaticali. Ogni legame (“per 3 anni” = durata) ha una probabilità di correttezza.
Ad esempio:
“per 3 anni” = durata → 0,87
“per 3 anni” = moltiplicatore del rendimento → 0,11
altro → 0,02
Il modello sceglie la relazione con peso maggiore, ma mantiene traccia delle alternative → questo riduce gli errori di interpretazione.
Quando deve estrarre entità e valori, assegna probabilità di appartenenza.
“5% annuo” → probabilità che sia un tasso annuo = 0,94
probabilità che sia un tasso totale per 3 anni = 0,05
altro = 0,01
La scelta finale si basa sulla massima probabilità, ma la consapevolezza che esistono alternative porta a includere chiarimenti (es. mostrare sia interesse semplice che composto).
L’intento dell’utente è stimato come distribuzione di probabilità su diversi scenari:
Vuole il montante finale = 0,78
Vuole solo gli interessi guadagnati = 0,15
Vuole una definizione teorica = 0,07
Poiché il primo scenario ha probabilità più alta, la risposta si orienta lì, ma per sicurezza può includere un accenno agli altri scenari → riduzione del rischio di errore pragmatico.
Qui il rischio di errore è minore, perché i calcoli numerici non sono stimati per probabilità ma eseguiti in modo deterministico.
Tuttavia, la scelta della formula giusta dipende ancora dal modello probabilistico:
Formula composta = 0,81
Formula semplice = 0,19
Per ridurre il rischio di sbaglio, spesso vengono mostrate entrambe.
La frase prodotta non è scritta parola per parola in modo rigido, ma tramite una catena di predizioni probabilistiche:
Ad esempio, dopo “Avrai un montante di…”, la parola più probabile da seguire è “11.576,25 €”.
Il modello bilancia precisione numerica (alta probabilità di riprodurre il calcolo corretto) e chiarezza linguistica (probabilità che la frase sia comprensibile e coerente).
In sintesi, il modello riduce il rischio di errore usando:
Distribuzioni di probabilità su significati, strutture e intenzioni.
Scelta dell’ipotesi più probabile, senza però scartare del tutto quelle meno probabili.
Ridondanza esplicativa: se due interpretazioni hanno probabilità simili, vengono mostrate entrambe (es. interesse semplice vs composto).
Feedback implicito: il modello impara dalle interazioni passate ad aggiornare i pesi probabilistici, migliorando la precisione.
👉 In pratica, il modello si comporta come un “scommettitore informato”: valuta tutte le possibili interpretazioni della frase e sceglie quella con la probabilità più alta, aggiungendo alternative quando l’incertezza è significativa.
Il prossimo articolo concluderà questo ciclo di spiegazioni tecniche sull’AI: non perderlo.
Impostazioni privacy
Questo sito utilizza i cookie per migliorare la tua esperienza di navigazione su questo sito.
