Inferenza e addestramento dell'IA: cos'è l'inferenza dell'IA?

Cos'è l'inferenza AI?

Nel campo dell'intelligenza artificiale (IA), l'inferenza è il processo che un modello di machine learning addestrato* utilizza per trarre conclusioni da dati nuovi di zecca. Un modello di intelligenza artificiale in grado di trarre inferenze può farlo senza avere esempi del risultato desiderato. In altre parole, l'inferenza è un modello di intelligenza artificiale in azione.

Un esempio di inferenza IA potrebbe essere un'auto a guida autonoma in grado di riconoscere un segnale di stop, anche su una strada che non ha mai percorso prima. Il processo di identificazione di questo segnale di stop in un nuovo contesto è l'inferenza.

Un altro esempio è un modello di machine learning addestrato sulle prestazioni passate di giocatori sportivi professionisti che può essere in grado di fare previsioni sulle prestazioni future di un determinato giocatore sportivo prima che venga firmato un contratto. Tale previsione è un'inferenza.

*Il machine learning è un tipo di IA.

Inferenza e addestramento dell'IA

• L'addestramento è la prima fase per un modello di intelligenza artificiale. L'addestramento può comportare un processo di tentativi ed errori oppure un processo di presentazione al modello di esempi degli input e degli output desiderati, oppure entrambi.
• L'inferenza è il processo che segue l'addestramento dell'IA. Più un modello è addestrato e messo a punto, migliori saranno le sue inferenze, anche se non è mai garantito che siano perfette.

Per arrivare al punto di essere in grado di identificare i segnali di stop in nuovi luoghi (o di prevedere la prestazione di un atleta professionista), i modelli di machine learning attraversano un processo di addestramento. Per il veicolo a guida autonoma, gli sviluppatori hanno mostrato al modello migliaia o milioni di immagini di segnali di stop. Un veicolo che utilizza il modello potrebbe anche essere stato guidato su strada (con un conducente umano come riserva), il che gli consentirebbe di imparare per tentativi ed errori. Alla fine, dopo un addestramento sufficiente, il modello è riuscito a identificare i segnali di stop da solo.

Quali sono alcuni casi d'uso per l'inferenza dell'IA?

Quasi tutte le applicazioni di intelligenza artificiale nel mondo reale si basano sull'inferenza dell'intelligenza artificiale stessa. Alcuni degli esempi più comunemente usati includono:

• Modelli linguistici di grandi dimensioni (LLM): un modello addestrato su testo di esempio può analizzare e interpretare testi che non ha mai visto prima
• Analisi predittiva: una volta che un modello è stato addestrato sui dati passati e raggiunge la fase di inferenza, può fare previsioni basate sui dati in entrata
• Sicurezza della posta elettronica: un modello di machine learning può essere addestrato per riconoscere le e-mail di spam o gli attacchi di compromissione della posta elettronica aziendale, quindi fare inferenze sui messaggi di posta elettronica in arrivo, consentendo ai filtri di sicurezza della posta elettronica di bloccare quelli dannosi
• Auto senza conducente: come descritto nell'esempio precedente, l'inferenza è estremamente importante per i veicoli a guida autonoma
• Ricerca: la ricerca scientifica e medica dipende dall'interpretazione dei dati e l'inferenza dell'IA può essere utilizzata per trarre conclusioni da tali dati
• Finanza: un modello addestrato sulle prestazioni passate del mercato può fare inferenze (non garantite) sulle prestazioni future del mercato

Come funziona l'addestramento dell'IA?

In sostanza, l'addestramento dell'intelligenza artificiale comporta l'alimentazione dei modelli di IA con grandi set di dati. Tali set di dati possono essere strutturati o non strutturati, etichettati o non etichettati. Alcuni tipi di modelli potrebbero richiedere esempi specifici di input e i relativi output desiderati. Altri modelli, come i modelli di deep learning, potrebbero richiedere solo dati non elaborati. Alla fine i modelli imparano a riconoscere schemi o correlazioni e possono quindi fare inferenze basate su nuovi input.

Con l'avanzare dell'addestramento, gli sviluppatori potrebbero aver bisogno di perfezionare i modelli, fornendo alcune inferenze subito dopo il processo di addestramento iniziale, per poi correggere i risultati. Immagina che un modello di intelligenza artificiale sia stato incaricato di identificare le foto di cani da un set di dati di fotografie di animali domestici. Se il modello invece riconosce le foto dei gatti, allora necessita di qualche messa a punto.

In che modo l'utilizzo della potenza di calcolo dell'IA riesce a confrontare l'inferenza e l'addestramento?

I programmi di intelligenza artificiale estendono le capacità dei computer ben oltre ciò che erano in grado di fare in precedenza. Ma questo avviene al costo di un utilizzo di potenza di elaborazione molto maggiore rispetto ai programmi per computer tradizionali, proprio come, per una persona, risolvere un'equazione matematica complessa richiede più attenzione e concentrazione rispetto a risolvere "2 + 2".

L'addestramento di un modello di intelligenza artificiale può essere molto costoso in termini di potenza di calcolo, ma si tratta più o meno di una spesa una tantum. Una volta che un modello è stato addestrato correttamente, idealmente non ha bisogno di altro. Se il modello deve essere adattato a un nuovo caso d'uso, gli sviluppatori possono utilizzare tecniche meno intensive come l'adattamento a basso rango (LoRA) invece di riaddestrare il modello da zero.

L'inferenza, tuttavia, è in continua evoluzione. Se uno stesso modello è attivamente in uso, applica costantemente il suo addestramento a nuovi dati e trae ulteriori inferenze. Ciò richiede un bel po' di potenza di calcolo e può essere molto costoso.

In che modo Cloudflare consente agli sviluppatori di eseguire l'inferenza dell'IA?

Cloudflare Workers AI offre agli sviluppatori l'accesso alle GPU di tutto il mondo per l'esecuzione di attività di intelligenza artificiale. Questo si abbina a Vectorize, un servizio per la generazione e l'archiviazione di incorporamenti per modelli di machine learning. Cloudflare offre anche uno storage di oggetti molto utile per mantenere le raccolte di dati di addestramento, R2, una piattaforma di archiviazione senza costi in uscita.

Scopri di più su come Cloudflare consente agli sviluppatori di eseguire l'inferenza dell'IA all'edge.

DOMANDE FREQUENTI

Qual è la differenza tra addestramento dell'IA e inferenza dell'IA?

L'addestramento dell'IA è la fase iniziale dello sviluppo dell'IA, quando un modello apprende; mentre l'inferenza dell'IA è la fase successiva in cui il modello addestrato applica le sue conoscenze a nuovi dati per fare previsioni o trarre conclusioni.

Come funziona l'addestramento dell'IA?

L'addestramento dell'intelligenza artificiale prevede l'alimentazione di un modello con grandi set di dati, che possono essere strutturati o non strutturati. Il modello impara a riconoscere schemi e correlazioni all'interno di questi dati. Gli sviluppatori potrebbero anche perfezionare il modello correggendo i risultati iniziali, un processo simile all'apprendimento per tentativi ed errori

Cos'è un esempio di inferenza dell'IA?

Un esempio di inferenza è un'auto a guida autonoma che riconosce un segnale di stop su una nuova strada. Il modello che controlla l'auto applica il suo addestramento a una situazione mai sperimentata prima per effettuare un'identificazione corretta.

Quale processo richiede più potenza di calcolo, l'addestramento o l'inferenza?

L'addestramento di un modello di intelligenza artificiale può essere molto costoso in termini di potenza di calcolo, ma è generalmente una spesa una tantum. L'inferenza, d'altro canto, è un processo continuo che utilizza una notevole quantità di potenza di calcolo man mano che il modello viene applicato attivamente a nuovi dati.

Quali sono alcuni casi d'uso comuni per l'inferenza dell'IA?

Quasi tutte le applicazioni di intelligenza artificiale nel mondo reale si basano sull'inferenza dell'intelligenza artificiale stessa. Esempi comuni includono modelli linguistici di grandi dimensioni (LLM) che rispondono a nuovi prompt, sviluppatori che utilizzano il "vibe coding" per creare app, analisi predittive che fanno previsioni, prodotti di sicurezza informatica che identificano nuovi ceppi di malware e modelli finanziari che prevedono le prestazioni del mercato