Se gli esperti di intelligenza artificiale volessero migliorare il loro lavoro come tecnici, dovrebbero concentrarsi anche sull’apprendimento della psicologia, oltre ai tradizionali temi di AI. Perché? Perché migliorerà il codice AI che produrranno.
Come influisce sulla programmazione la capacità di comprendere il comportamento umano
Per un esperto di AI, questo potrebbe sembrare controintuitivo, ma la capacità di comprendere il comportamento umano, sviluppare modelli mentali chiari sui problemi che vuoi risolvere e capire il perché prima di iniziare a lavorare sul come è una competenza sempre più critica, specialmente nell’era dell’IA.
La programmazione è una delle cose che l’IA fa meglio. Spesso l’IA può scrivere codice di qualità superiore rispetto agli esseri umani, e le sue capacità stanno rapidamente migliorando. I linguaggi di programmazione, infatti, utilizzano un vocabolario molto più limitato rispetto ai linguaggi umani. E poiché la complessità di un modello di IA aumenta quadraticamente con l’universo dei simboli che rappresentano il linguaggio compreso dall’IA, un vocabolario più piccolo significa risultati più veloci e migliori.
Tuttavia, c’è un piccolo inghippo: il codice creato da un’IA può essere sintatticamente e semanticamente corretto ma non funzionalmente corretto. In altre parole, può funzionare bene, ma non fare ciò che vuoi che faccia. L’output di un modello è molto sensibile al modo in cui un prompt è scritto. Se sbagli il prompt, la tua IA produrrà codice che è al massimo plausibile, al peggio errato e pericoloso.
Qualità del prompt e qualità dell’output: l’importanza di porre le domande giuste
Nella disciplina emergente chiamata “prompt engineering“ — a questo stadio più un’arte che una scienza — gli utenti imparano come creare manualmente prompt che sono compatti, espressivi ed efficaci nel far fare all’IA ciò che vogliono. Esistono varie tecniche, come il few-shot prompting, dove si premettono al prompt un certo numero di esempi per guidare l’IA verso la strada giusta, a volte con domande e risposte. Ad esempio, per l’analisi del sentiment utilizzando il few-shot prompting, un utente potrebbe inserire un prompt come “Analizza il sentiment delle frasi in una chiamata sugli utili” seguito da esempi specifici come “Prospettive migliorate: Positivo” o “Domanda in calo: Negativo” per aiutare l’IA a comprendere il modello e il contesto per generare analisi del sentiment accurate basate sugli esempi.
Una delle competenze più importanti che ho imparato in decenni di gestione di team di ingegneria è porre le domande giuste e comprendere le motivazioni delle persone. Non è dissimile con l’IA: la qualità dell’output di un modello linguistico di grandi dimensioni (LLM) è molto sensibile alla qualità del prompt. Domande ambigue o non ben formulate faranno sì che l’IA cerchi di indovinare la domanda che stai realmente ponendo, il che a sua volta aumenta la probabilità di ottenere una risposta imprecisa o addirittura totalmente inventata (un fenomeno spesso chiamato “allucinazione”). Per questo, è necessario padroneggiare prima di tutto l’empatia, la comprensione del comportamento umano e le capacità comunicative per ottenere il massimo dall’IA — tutte competenze fondamentali sviluppate attraverso la formazione psicologica. La domanda “Sai programmare?” diventerà “Sai ottenere il miglior codice dalla tua IA facendo la domanda giusta?”
Come l’IA cambia il nostro rapporto con la conoscenza e la nozione di autorialità
Allargando un po’ lo sguardo, la dipendenza delle prestazioni dell’IA dalla qualità dei modelli mentali espressi dall’utente suggerisce un cambiamento fondamentale nella relazione tra autori e lettori e, in generale, nel nostro rapporto con la conoscenza. In un certo senso, offre un parallelo con l’invenzione della stampa, che ha democratizzato l’informazione attraverso la produzione di massa di libri e la creazione di biblioteche e università. Prima della stampa, chi voleva imparare la matematica, ad esempio, doveva avere accesso fisico a un matematico o a un testo copiato a mano, probabilmente acquistato a caro prezzo. I libri stampati hanno abbassato di molto quella barriera, e Internet l’ha ridotta praticamente a zero. Tuttavia, è rimasta una barriera: il divario di conoscenza tra l’autore e il lettore. Puoi avere accesso a qualsiasi articolo o libro nel mondo, ma sono di poco uso se non puoi capirli.
Con l’IA, quella relazione cambia, così come la nozione di autorialità. Un LLM adatta il suo contenuto al livello di conoscenza e comprensione del lettore, prendendo spunti dai loro prompt. Il prompt del lettore è il seme che innesca un’IA a produrre contenuti, attingendo alle opere nei suoi dati di addestramento per creare un nuovo testo specificamente per quell’utente — il lettore è, in un certo senso, sia consumatore che autore. Usando l’esempio della matematica, se volessi capire il concetto di limiti in calcolo, potresti trovare un libro di testo rivolto a studenti delle superiori o universitari o tentare di trovare una fonte su Internet che corrisponda al tuo attuale livello di comprensione. Un modello di IA, d’altra parte, può fornire istruzioni personalizzate e adattive su misura per il tuo livello di comprensione e stile di apprendimento. Potrebbe esserci un futuro in cui lo standard d’oro dell’apprendimento — il tutoraggio personalizzato — sia disponibile per tutti. Le conseguenze di ciò sono inimmaginabili.
Conoscenza e A, l’uomo a un bivio: impigrirsi o elevarsi
L’IA generativa cambia il nostro rapporto con la conoscenza, appiattendo le barriere che non solo forniscono accesso ad essa, ma la spiegano anche in modo personalizzato. Crea una pendenza dolce tra il tuo livello di conoscenza e quello richiesto per affrontare un particolare argomento. Ma la capacità di accedere a conoscenze adeguatamente adattate e, cosa più importante, accurate, inizia — e finisce — con l’utente. Man mano che la conoscenza diventa più facile da ottenere, la comprensione e il ragionamento diventano sempre più importanti. Ma l’uso di quelle abilità di pensiero psicologico non termina una volta che ottieni l’output che pensi di cercare — il lavoro non è ancora finito. Come sappiamo, le IA possono commettere errori, e sono particolarmente abili nel rendere plausibili output errati, rendendo la capacità di discernere la verità un’altra abilità enormemente importante. Per impegnarci con la tecnologia in modo responsabile che ci fornisca le informazioni appropriate e accurate che vogliamo, dobbiamo guidare con una mentalità psicologica e una sana dose di scetticismo e buon senso durante tutto il percorso.
C’è stato un tempo in cui, per creare un programma per computer, dovevo fisicamente azionare interruttori o perforare fori in una scheda di carta. Quel processo creativo era a livello base con le complessità di quanti bit di memoria o registri il computer possedeva. Con miliardi di transistor e trilioni di celle di memoria, il nostro processo creativo del software ha dovuto elevarsi a livelli sempre più alti con la creazione di linguaggi di programmazione che astraggono la complessità dell’hardware sottostante, permettendo agli sviluppatori di concentrarsi quasi interamente sulla qualità dell’algoritmo anziché sugli uni e gli zeri.
Oggi siamo a un punto in cui i computer (cioè l’IA) non hanno bisogno di questo livello intermedio di traduzione tra la lingua che parliamo e quella che comprendono. Possiamo mettere da parte la Stele di Rosetta e semplicemente parlare in italiano a un computer. Capiranno probabilmente altrettanto bene che se gli parlassimo in Python. Questo presenta immediatamente due scelte: possiamo diventare pigri, o possiamo elevare il nostro pensiero.
Quando la lingua non è più una barriera, possiamo utilizzare la piena espressività del linguaggio umano per trasmettere all’IA concetti e logiche più elevati, catturando la nostra richiesta nel modo più compatto ed efficace, in modo dichiarativo (focalizzato sul risultato che vogliamo ottenere) piuttosto che imperativo (focalizzato sui passi per arrivarci). Imperativo: gira a sinistra, poi vai dritto, poi ancora a sinistra, poi (1.000 volte). Dichiarativo: portami a casa. Ho visto persone sui social media creare interi giochi con solo pochi prompt scritti abilmente che, in un passato molto recente, avrebbero richiesto mesi per essere sviluppati.
Le competebze che faranno grande un professionista in futuro
Il che ci riporta al mio punto originale: avere un modello mentale chiaro su un problema, essere in grado di scomporlo in passi trattabili, perfezionare la comprensione del comportamento umano e, a volte, essere preparati (e in grado) a interagire con un’IA “testarda” — queste sono le competenze che renderanno grande un ingegnere in futuro, e probabilmente la stessa considerazione si applica a molte categorie professionali.
Non vogliamo perdere la capacità di “aprire il cofano” quando necessario e correggere ciò che un’IA potrebbe aver trascurato o essere in una posizione (importante) per verificare ciò che un’IA ha creato. Sarebbe un vero problema per gli esseri umani, e probabilmente non lasceremo che accada — dobbiamo almeno costruire le IA. Tuttavia, questo ci porterebbe solo parzialmente avanti. Automatizzare la meccanica della creazione del codice e concentrarsi sulle nostre capacità di pensiero critico è ciò che ci permetterà di creare di più, più velocemente e avere un impatto sproporzionato sul mondo. Aiutare l’IA ad aiutarci a essere più umani, meno computer.
