Tag: IntelligenzaArtificiale

DIGITAL CULTURE

Riprogrammare l’etica: l’hacker mindset nell’era dell’AI

Ci sono libri che segnano, altri che ispirano, altri ancora che mettono in discussione le fondamenta di ciò che sei. Per me “L’etica hacker” (2001) di Pekka Himanen ha rappresentato qualcosa che va oltre: un compagno silenzioso che ha orientato, negli anni, scelte, approcci, e un certo modo di guardare al lavoro, alla tecnologia, alla collaborazione. Non è stato solo un testo: è stato un cambio di mindset.

Quando lo lessi la prima volta, ormai più di vent’anni fa, non era solo la storia di una controcultura nata nei laboratori del MIT o nelle stanze dei pionieri dell’open source. Era la dimostrazione concreta che si poteva lavorare per passione, condividere senza calcoli, apprendere per curiosità, innovare senza chiedere il permesso.

E soprattutto, era possibile costruire un mondo digitale più aperto, umano e meritocratico.

Negli anni, questo spirito è diventato parte del mio modo di pensare e di agire. L’ho portato nei progetti, nelle aziende, nelle lezioni in aula. L’ho trasmesso ai miei team, ai collaboratori, agli studenti. E ancora oggi è un riferimento che ritorna, soprattutto in un momento in cui l’intelligenza artificiale sta ridefinendo profondamente l’equilibrio tra uomo e macchina, tra creatività e automazione, tra responsabilità e delega.

Qualche giorno fa, parlando di competenze nell’era dell’AI, durante l’evento di iKairos • Mentoring ed economia sociale, ho affermato che il manifesto dell’etica hacker, nella sua visione originaria, può e deve essere rivisto alla luce delle sfide odierne. Perché i principi che lo sostenevano non sono invecchiati. Anzi. Hanno solo bisogno di un nuovo contesto in cui esprimersi. E forse dovrebbe diventare manifesto alla base di alcuni insegnamenti.

L’etica hacker nasce negli anni ’60 e ’70 come espressione di una nuova cultura emergente attorno al mondo dei computer. Nei laboratori del MIT e tra le community dei primi sviluppatori si forma un modo radicalmente diverso di concepire il lavoro, il sapere, la collaborazione. Il termine “hacker”, prima ancora di essere associato a intrusioni informatiche, definisce una figura che smonta, esplora, migliora, condivide.

L’hacker, quello vero, è un artigiano del codice mosso da passione, non da tornaconto. Uno spirito libero che rifiuta l’autoritarismo, le regole imposte, le gerarchie chiuse.

Nel 2001, Pekka Himanen raccoglie quell’eredità e la organizza in un sistema valoriale. Il suo libro è una vera e propria dichiarazione di indipendenza culturale rispetto all’etica protestante del lavoro, fatta di sacrificio, dovere, e produttività.

L’etica hacker, al contrario, si fonda su passione, creatività, libertà, condivisione. Il lavoro è vissuto come gioco esplorativo. L’accesso alla conoscenza è un diritto. Il merito è superiore al titolo. La tecnologia non è solo strumento: è terreno di espressione personale e collettiva.

Questa visione ha contaminato generazioni di innovatori. Ha ispirato il movimento open source, l’idea stessa di community digitale, il pensiero meritocratico nelle organizzazioni fluide. Ma soprattutto ha lasciato una traccia culturale che oggi, nell’era dell’Intelligenza Artificiale, può essere riattivata come codice sorgente per leggere un futuro che si complica.

Viviamo un tempo in cui le macchine non sono più solo strumenti, ma soggetti conversazionali, agenti autonomi, creatori di contenuti. L’intelligenza artificiale si insinua nei processi creativi, nelle relazioni, nella formazione. Ridefinisce i ruoli, accelera le scelte, amplia (o restringe) l’accesso alle opportunità. I principi dell’etica hacker, ne sono convinto, possono essere riletti come una grammatica di riferimento per orientarsi.

Per questo ho ripreso il Manifesto originale, e l’ho riscritto alla luce del 2025, cercando di coglierne la continuità e la trasformazione.

Oggi, nella convergenza tra AI e creatività, la visione hacker trova una nuova casa.

Non è l’AI che minaccia l’arte, è la sua adozione inconsapevole. La sfida non è resistere all’automazione, ma integrarla in modo critico, curioso, anche ironico dove necessario. Come farebbe un hacker davanti a una macchina nuova: la smonta, la esplora, la spinge oltre i limiti. E magari la usa per disegnare qualcosa che prima non era possibile.

Oggi un artista è anche chi addestra un modello generativo sul proprio stile. Chi sperimenta prompt per generare variazioni visive, musicali, testuali. Chi ibrida. Chi contamina. L’hacker di oggi non è solo un coder: è un “creatore aumentato”, che gioca con i linguaggi della macchina per raccontare cose che prima non aveva voce per dire.

Nell’educazione, questa visione suggerisce un ribaltamento radicale. Non si tratta di proteggere la scuola dall’AI, ma di ripensare la scuola con l’AI come laboratorio permanente.L’apprendimento non è trasmissione passiva, ma esplorazione.

Un’aula hacker è un luogo dove si smontano algoritmi, si analizzano bias, si creano strumenti. Dove si insegna a usare l’AI per creare valore, non per copiarlo. Dove gli studenti non sono utenti, ma sperimentatori. E i docenti, non trasmettitori, ma facilitatori di senso.

In questo senso, formare nuove competenze non è solo una questione tecnica. È culturale. Significa coltivare la capacità di porre domande nuove. Di interpretare modelli. Di saper leggere un output generato da una macchina e chiedersi: perché ha risposto così? Quali dati ha usato? Cosa manca?

Anche nelle relazioni umane, l’etica hacker ha qualcosa da dire. In un’epoca in cui chatbot apparentemente empatici, avatar conversazionali e interfacce simulate creano nuove forme di interazione, l’hacker ethic suggerisce di mantenere lucidità. Non demonizzare la tecnologia, ma comprenderne la natura. Non rifiutare la relazione mediata, ma riconoscerne i limiti. L’empatia non è solo output simulato, è ascolto attivo, è vulnerabilità reale. E questo è ancora umano.

Nel lavoro e nelle organizzazioni, l’approccio hacker si traduce in apertura, sperimentazione, decentralizzazione. Una leadership che sa condividere processi, coinvolgere team nel co-design di strumenti intelligenti, responsabilizzare sull’uso dell’AI. Non si tratta di temere l’automazione, ma di scegliere cosa automatizzare e cosa proteggere. Di disegnare processi che valorizzino l’iniziativa, non la deresponsabilizzazione.

L’organizzazione hacker non è una rete caotica: è una comunità di scopo, dove ogni nodo ha autonomia e interconnessione: l’adozione dell’AI può diventare un driver di empowerment distribuito, se accompagnata da trasparenza, documentazione condivisa, strumenti formativi aperti.

E poi ci sono loro: gli hacker di domani.

Non saranno sviluppatori. Saranno artisti, insegnanti, ricercatori, imprenditori. Persone capaci di leggere la tecnologia non come un fine, ma come un mezzo. Persone che sapranno dove mettere le mani, ma soprattutto perché mettercele. Non solo skill, ma mindset.

Saranno quelli che useranno l’AI per risolvere problemi, ma anche per porre domande nuove. Che non cercheranno scorciatoie, ma nuove strade. Che non si accontenteranno dell’efficienza, ma andranno in cerca del senso.

Ecco perché oggi, più che mai, serve riconsiderare l’etica hacker. Non per nostalgia, ma per visione.

Perché se l’AI è il fuoco della nostra epoca, come dicevo in una riflessione di ieri, qualcuno deve insegnare come usarlo. E come non bruciarsi.

AI & GENAI

LLAMA 2: Rivoluzione Open Source nell’Intelligenza Artificiale Generativa

Con l’annuncio di Meta che rende disponibile il codice sorgente di LLaMA 2, il campo dell’intelligenza artificiale generativa (GenAI) è testimone di un punto di svolta significativo a mio avviso, e forse, considerato che non ne ho visto scrivere molto, anche sottovalutato. Questa decisione democratizza l’accesso a uno dei modelli di linguaggio più avanzati, offrendo a sviluppatori, ricercatori e appassionati di tecnologia di tutto il mondo la possibilità di esplorare e innovare liberamente. LLaMA 2 si distingue per la sua profonda capacità di comprensione e generazione del linguaggio umano, rivaleggiando e in alcuni casi superando modelli ben noti come GPT-3.5 e GPT-4 di OpenAI.

Cos’è LLaMA 2

LLaMA 2 rappresenta una soluzione all’avanguardia nella GenAI, sviluppata con tecniche di apprendimento di ultima generazione. Il modello è progettato per imitare il modo in cui gli esseri umani comunicano, offrendo capacità di generazione e comprensione del testo che trovano applicazione in una vasta gamma di contesti, dalla costruzione di chatbot avanzati alla creazione di contenuti testuali per assistenza nella scrittura e risposta automatica, banalmente alle email.

LLaMA 2: Una Risorsa Preziosa

Rilasciato con i pesi del modello e il codice per facilitare l’addestramento e il fine-tuning, LLaMA 2 è addestrato su un corpus di 2 trilioni di token, garantendo una comprensione e una capacità generativa particolarmente significativa. La sua superiorità nei benchmark esterni lo rende una risorsa per chi oggi è al lavoro nell’AI generativa, stimolando l’innovazione e promuovendo lo sviluppo di applicazioni sempre più sofisticate e responsabili.

Innovazione Aperta e Crescita nel Campo dell’AI Generativa

L’iniziativa di Meta di rendere LLaMA 2 liberamente accessibile è emblematico di un impegno verso l’innovazione aperta, consentendo una collaborazione nel campo dell’AI alla community di accademici, sviluppatori, progettisti e aziende. Questo approccio non solo accelera il progresso tecnologico ma incoraggia anche una riflessione critica sull’uso responsabile dell’AI, con Meta che fornisce linee guida per gli sviluppatori e iniziative di collaborazione per gli accademici.

Genesi e Sviluppo di LLAMA

Il percorso di LLAMA inizia è stato avviato da menti di OpenAI e Meta, unite non troppo tempo fa per fare vita ad una nuova direzione nell’intelligenza artificiale. Nata nel 2022, LLAMA è il frutto di un’ambizione condivisa: rivoluzionare il modo in cui interagiamo con l’informazione digitale, sfruttando le potenzialità dell’AI per superare i limiti dei tradizionali motori di ricerca e dei chatbot. La sua creazione segna un punto di svolta, rappresentando un salto qualitativo verso un’interazione più naturale, intuitiva e produttiva tra l’utente e la macchina.

La visione alla base di LLAMA è chiara: rendere l’accesso all’informazione non solo universalmente disponibile ma anche intrinsecamente più significativo. Questo obiettivo ambizioso si concretizza attraverso l’implementazione di tecnologie all’avanguardia in apprendimento automatico e elaborazione del linguaggio naturale (NLP), permettendo a LLAMA di comprendere e rispondere alle query degli utenti in modi che vanno oltre la semplice restituzione di dati. La piattaforma si distingue per la sua capacità di analizzare il contesto delle domande, offrendo risposte mirate che riflettono una comprensione profonda non solo del testo della query ma anche delle intenzioni e delle esigenze informative dell’utente.

Sviluppato con un occhio rivolto al futuro, LLAMA simboleggia a mio avviso un’impegno verso l’innovazione continua. Attraverso cicli iterativi di apprendimento e miglioramento, il modello si adatta e evolve, anticipando e rispondendo alle mutevoli dinamiche del digitale e alle crescenti aspettative degli utenti.

LLAMA-2 caratteristiche ed architettura

LLAMA-2 è uno dei progressi più significativi nell’ambito dell’IA dall’epoca di pionieri come AlexNet e i lavori fondamentali sui Transformer e una delle più complete architetture di grandi reti neurali per l’intelligenza generativa (GenAI). Rilasciato da Meta con una licenza aperta sia per scopi di ricerca che commerciali, LLAMA-2 non è semplicemente un altro modello nel vasto mare dell’AI, ma un balzo in avanti nell’innovazione aperta, segnando un punto di svolta per Meta nel contributo all’innovazione aperta in AI.

La struttura di LLAMA-2, dettagliata in un documento di 77 pagine, fornisce una panoramica esaustiva che permette ai data scientist di ricreare e personalizzare i modelli per i propri dataset. Con un addestramento su 2 trilioni di token, LLAMA-2 supera tutti i benchmark open source di un ampio margine e si colloca al livello di performance di GPT-3.5 nelle valutazioni umane. La novità più significativa risiede nel suo miglioramento rispetto all’architettura di OpenAI, in particolare nel bilanciamento tra sicurezza e utilità, dove le prestazioni del modello non degradano man mano che diventa più sicuro.

LLAMA-2 introduce avanzamenti notevoli come l’attenzione per query di gruppo (Grouper query attention), l’attenzione fantasma (Ghost Attention), il ridimensionamento della temperatura in contesto (In-Context Temperature re-scaling) e la percezione temporale (Temporal Perception). Queste innovazioni, insieme alla disponibilità su piattaforme come HuggingFace, WatsonX e Azure, facilitano l’adozione del modello, riducendo i costi e le barriere all’entrata. Ora è possibile personalizzare un modello LLM di 70B su una singola GPU, una possibilità inimmaginabile solo sei mesi fa.

LLAMA-2 è presente in varianti da 7B, 13B e 70B parametri, inclusa una versione istruita specificamente per chat, denominata LLaMA-Chat, nelle stesse tre dimensioni. Rispetto ai modelli Llama-1 precedenti, LLAMA-2 si distingue per i termini di licenza, un aumento del 40% della dimensione del corpus di preaddestramento, il raddoppio della lunghezza del contesto del modello a 4K, e l’adozione dell’attenzione per query di gruppo per la variante da 70B. L’aspetto più impattante è il nuovo approccio alla sicurezza con modelli di ricompensa per la Sicurezza e l’Utilità, che supera la maggior parte degli altri modelli nelle valutazioni umane.

L’addestramento di LLAMA-2 si basa sull’uso dell’algoritmo di codifica bytepair (BPE), applicando l’architettura transformer standard con pre-normalizzazione usando RMSNorm, la funzione di attivazione SwiGLU e l’incorporamento posizionale rotativo. I dettagli includono l’uso dell’ottimizzatore AdamW con una programmazione del tasso di apprendimento di tipo coseno, un riscaldamento di 2000 passaggi e la decadenza del tasso di apprendimento finale al 10% del picco. Il modello ha dimostrato eccellenti prestazioni in varie attività, come la codifica, le Q&A in contesto, il ragionamento di senso comune e le valutazioni di conoscenza.

La personalizzazione del modello utilizza tecniche di fine-tuning supervisionato (SFT) e apprendimento rinforzato con feedback umano (RLHF), partendo da dati di istruzione tuning disponibili pubblicamente e annotando circa 27.540 istanze con un forte focus sulla qualità dei dati. L’approccio al fine-tuning e il modello di ricompensa mirano a bilanciare efficacemente sicurezza e utilità, superando la tradizionale compensazione tra questi due aspetti e spingendo LLAMA-2 a diventare un punto di riferimento per l’adozione sicura delle LLM in ambito aziendale.

Come funziona LLAMA-2

Il processo attraverso il quale LLAMA-2 viene addestrato, affinato e raffinato utilizza tecniche all’avanguardia di fine-tuning supervisionato (SFT) e di apprendimento rinforzato con feedback umano (RLHF), stabilendo nuovi standard per la personalizzazione e l’efficienza dei grandi modelli linguistici (LLM). Questo approccio multifase non solo permette a LLAMA-2 di eccellere in compiti diversificati, come la codifica, le Q&A in contesto, il ragionamento di senso comune e le valutazioni di conoscenza, ma lo rende anche uno strumento prezioso per applicazioni aziendali grazie alla sua maggiore sicurezza e utilità.

Durante la fase di SFT, LLAMA-2 viene inizialmente addestrato su un set di dati di istruzione pubblicamente disponibili, arricchito da una minuziosa annotazione di circa 27.540 istanze con un’enfasi sulla qualità. Questo processo sfrutta un programma di apprendimento rateale di tipo coseno, iniziando con un tasso di apprendimento di 2*10^-5 e impiegando un decadimento del peso di 0.1, una dimensione del batch di 64 e una lunghezza di sequenza di 4096 token, ottimizzando il modello attraverso 2 epoche. L’obiettivo di addestramento segue un approccio auto-regressivo, dove la perdita sui token del prompt dell’utente viene annullata e la back-propagation viene eseguita solo sui token di risposta.

Nella fase RLHF, la raccolta dei dati umani viene eseguita seguendo una procedura specifica: gli annotatori creano un prompt e valutano due risposte generate dal modello in base a criteri stabiliti, assicurando una diversità migliorata. Questi dati, categorizzati lungo le dimensioni della sicurezza e dell’utilità, fungono da base per il Modello di Ricompensa, che valuta le risposte del modello e il prompt corrispondente, producendo un punteggio scalare che indica la qualità dell’output generato.

L’innovazione più rilevante introdotta da LLAMA-2 è la sua capacità di superare il compromesso comunemente osservato tra sicurezza e utilità, ottenendo prestazioni superiori in entrambi i criteri. Per raggiungere questo obiettivo, Meta ha addestrato due modelli di ricompensa distinti: uno ottimizzato per l’utilità, denominato Helpfulness RM, e un altro per la sicurezza, denominato Safety RM. Questi modelli utilizzano la stessa architettura e gli stessi iperparametri dei modelli di linguaggio preaddestrati, eccetto per la testa di classificazione per la previsione del prossimo token, che viene sostituita con una testa di regressione per generare la ricompensa scalare.

La formazione del modello di ricompensa si avvale di dati di preferenza umana strutturati in un formato di etichetta di classificazione binaria, dove le risposte vengono categorizzate come scelte e rifiutate, garantendo che la risposta scelta riceva sempre un punteggio superiore rispetto alla sua controparte. Questo processo di addestramento, insieme all’innovativo approccio al fine-tuning e alla capacità di LLAMA-2 di bilanciare efficacemente sicurezza e utilità, posiziona il modello come un punto di riferimento per l’adozione sicura e produttiva delle LLM in ambito aziendale e oltre.

Unicità di LLAMA nel Panorama AI

Il rilascio di LLAMA-2 segna un cambiamento epocale nel campo dell’intelligenza artificiale, posizionandosi come un catalizzatore per l’innovazione aperta. La decisione di Meta di offrire LLAMA-2 con una licenza aperta, sebbene non esattamente “open source” nel senso tradizionale, sottolinea un impegno verso la democratizzazione dell’accesso alle tecnologie AI avanzate. Questo approccio, che promuove la condivisione di conoscenze e risorse, rappresenta un invito alla comunità globale di ricercatori e sviluppatori a collaborare, innovare e spingere ulteriormente i confini di ciò che l’intelligenza artificiale può realizzare.

Il modello LLAMA-2, con la sua architettura avanzata e le sue capacità di elaborazione del linguaggio naturale, è stato addestrato su un corpus di 2 trilioni di token, battendo i benchmark open source di un ampio margine e avvicinandosi alle prestazioni di GPT-3.5 nelle valutazioni umane. Questo risultato non è solo una testimonianza della potenza computazionale di LLAMA-2 ma anche della sua efficacia nell’interpretare e rispondere a una vasta gamma di query in modo contestualmente pertinente e sicuro.

LLAMA-2 rappresenta, quindi, non solo un traguardo tecnologico ma anche un invito alla collaborazione e alla condivisione delle conoscenze nel campo dell’IA. Il suo impatto sull’innovazione aperta e la ricerca collaborativa promette di accelerare ulteriormente lo sviluppo di soluzioni AI che sono sia potenti che responsabili, guidando la trasformazione digitale in maniera etica e sostenibile.

Comparazione e contesto di utilizzo

Nel contesto dell’evoluzione rapida dell’intelligenza artificiale, il confronto tra LLAMA 2, GPT-3.5 e GPT-4 rivela differenze fondamentali che influenzano la scelta del modello più adatto a specifici progetti. LLAMA 2 emerge come una soluzione economica e efficiente, particolarmente vantaggiosa per compiti che richiedono risposte in tempo reale e un alto grado di accuratezza, come la sintesi di notizie e l’individuazione di incongruenze factuali. La sua natura open-source favorisce una trasparenza e una personalizzazione che possono essere particolarmente attraenti per chi cerca un controllo maggiore sulle capacità e sull’implementazione del modello.

D’altro canto, GPT-3.5 e GPT-4, con le loro architetture più complesse e una capacità di contestualizzazione e di elaborazione di dati multimodali (nel caso di GPT-4), si posizionano come soluzioni ideali per compiti che richiedono una profonda comprensione del contesto o la gestione di una grande quantità di conoscenza. GPT-4, in particolare, con la sua capacità multimodale, offre possibilità uniche nel trattamento e nella generazione di testo, immagini e altri tipi di dati, rendendolo ineguagliabile per applicazioni che beneficiano di questa versatilità.

Per lo sviluppo di chatbot e la creazione di contenuti, la scelta tra questi modelli dipende dall’equilibrio tra costi, complessità del progetto e aspettative di performance. LLAMA 2 si rivela un’opzione versatile e aperta per le piccole imprese e progetti che valorizzano la personalizzazione e l’efficienza. GPT-3.5 colpisce per la sua capacità di gestire conversazioni complesse e supporto linguistico ampio, rendendolo adatto a imprese che operano su scala globale. GPT-4, infine, si distingue per la sua abilità nel risolvere problemi avanzati e nel mantenere un alto livello di professionalità e creatività nella risoluzione dei problemi, stabilendosi come la scelta preferibile per applicazioni critiche e per chi desidera minimizzare l’intervento umano nella generazione di contenuti.

La decisione su quale modello adottare dovrebbe quindi basarsi su una valutazione attenta delle specifiche esigenze del progetto, considerando fattori come il budget, la natura delle attività da svolgere e il livello di qualità richiesto. La comprensione delle forze e dei limiti di ciascun modello è essenziale per sfruttare al meglio le potenzialità dell’IA e innovare efficacemente nel proprio campo di applicazione.