Per capire come funziona immagina di dover disporre tutte le parole italiane su un grande foglio, mettendo vicine quelle che hanno significati simili o che compaiono spesso in contesti simili.
“Gatto” e “cane” finiranno vicini. “Mangia” sarà in un’altra zona, ma non troppo lontana, perché spesso appare con parole come “gatto”. “Pesce” sarà vicino a “mangia” e, indirettamente, anche a “gatto”.
Questa è l’idea di base dello spazio vettoriale: ogni parola (più precisamente, ogni pezzo di testo) viene trasformata in una serie di numeri che la posizionano in questo spazio. La posizione non è scelta da un umano, ma viene imparata automaticamente analizzando grandi quantità di testo.
Questi “punti” però non sono fissi. Quando il modello legge una frase, ogni parola cambia leggermente posizione in base al contesto. Quindi “gatto” non è sempre identico: dipende da con chi “sta parlando” nella frase.
A questo punto entra in gioco la rete del modello. È composta da molti piccoli calcoli collegati tra loro. Ogni collegamento ha un peso: alcuni contano molto, altri poco. Questi pesi sono ciò che il modello impara durante l’addestramento.
Quando arriva una frase, i numeri che rappresentano le parole passano attraverso questa rete e vengono trasformati più volte.
Il meccanismo di attenzione si può immaginare come una riunione tra le parole della frase. Ogni parola “guarda” le altre e si chiede: “Chi di voi è importante per me, in questo momento?”. Per esempio, “mangia” può dare molta importanza a “gatto” e “pesce”, e meno ad altre parole. In base a questi “voti”, ogni parola aggiorna il proprio significato tenendo conto delle altre.
Il risultato non è una singola rappresentazione della frase, ma una versione più ricca di ogni parola, che incorpora il contesto. Da queste rappresentazioni il modello può poi generare una risposta, tradurre o fare altre operazioni.
Quindi il modello non “sa” nel senso umano che il gatto mangia il pesce. Non ha esperienza diretta del mondo. Però ha imparato, dai dati, schemi molto complessi su come le parole si combinano e su quali concetti tendono ad apparire insieme o in strutture simili.
Infine, la domanda influenza la risposta perché le parole usate in ingresso guidano il percorso dei calcoli dentro il modello. Non sono parametri: sono l’input. Ma, a seconda di come sono scelte, attivano relazioni diverse tra le parole e portano a risultati diversi.
Quando usi l'AI spendi del tempo a formulare domande corrette e complete, spiegando anche il contesto e il tipo di risultato che vuoi ottenere. Una domanda migliore fa una risposta migliore.
