AI Literacy

L’alfabetizzazione all’IA è la capacità di comprendere, usare e valutare criticamente l’intelligenza artificiale, riconoscendone al contempo i limiti e le responsabilità. Essere alfabetizzati nell’IA significa sapere abbastanza da scegliere uno strumento appropriato, mettere in discussione i suoi risultati, proteggere le informazioni sensibili e decidere quando è necessario il giudizio umano. Non è necessario diventare ingegneri dell’IA: l’obiettivo è partecipare in modo consapevole, non padroneggiare ogni algoritmo.

Questa competenza si applica a chatbot, sistemi di raccomandazione, modelli predittivi e visione artificiale, che analizza immagini e video. In tutte queste applicazioni, la domanda fondamentale è la stessa: quali prove giustificano l’affidamento a questo sistema per questa attività?

Competenze fondamentali di alfabetizzazione all’IA#

Un utile punto di partenza è la combinazione di comprensione, valutazione e uso responsabile descritta nel framework di alfabetizzazione all’IA di Digital Promise. Queste capacità si rafforzano a vicenda.

La comprensione include il riconoscimento del fatto che il machine learning apprende schemi dai dati, invece di seguire soltanto regole programmate esplicitamente. Un modello è un software addestrato per fare previsioni o generare contenuti. Come spiega l’introduzione al machine learning di Google, i diversi approcci di apprendimento supportano attività diverse. L’addestramento sviluppa il modello; l’inferenza lo applica a nuovi input.

Valutare significa verificare che i risultati siano accurati e adatti al contesto a cui sono destinati. Una scrittura fluida non dimostra che un’affermazione sia vera, e una previsione formulata con sicurezza non è una garanzia. Chi legge dovrebbe chiedersi se i dati di valutazione sono simili all’ambiente in cui il sistema verrà usato.

L’uso responsabile porta a considerare anche la privacy, l’equità e la responsabilità. Chi potrebbe subire danni a causa di un errore? Quali informazioni dovrebbero rimanere private? Chi verifica le decisioni con conseguenze rilevanti? Il NIST AI Risk Management Framework offre una base strutturata per valutare questi rischi.

Alfabetizzazione all’IA e concetti correlati#

L’alfabetizzazione all’IA si sovrappone all’alfabetizzazione digitale, che riguarda l’uso e la valutazione delle tecnologie digitali in generale. L’alfabetizzazione ai dati si concentra più specificamente sull’interpretazione di dati, statistiche e prove. L’alfabetizzazione all’IA collega queste competenze ai sistemi che fanno previsioni, generano contenuti o supportano le decisioni.

L’ingegneria dei prompt—la progettazione di istruzioni per un modello di IA—è una competenza pratica nell’ambito dell’alfabetizzazione all’IA, non un suo sostituto. Si possono scrivere prompt efficaci e al contempo non accorgersi di risposte imprecise o della condivisione inappropriata di dati.

Allo stesso modo, l’etica dell’IA esamina principi come l’equità e la responsabilità; l’alfabetizzazione all’IA aiuta le persone ad applicarli nelle interazioni quotidiane. La spiegazione dell’alfabetizzazione all’IA di Stanford sottolinea che usare gli strumenti e valutarne le implicazioni etiche sono capacità distinte e complementari.

Applicazioni nel mondo reale#

Ispezione nella produzione: considera un sistema di rilevamento dei difetti basato su telecamera che controlla i prodotti per individuare crepe. Un operatore alfabetizzato nell’IA distingue i falsi positivi—prodotti accettabili segnalati come difettosi—dai falsi negativi—prodotti difettosi non rilevati. I primi causano scarti non necessari; i secondi lasciano passare i difetti durante l’ispezione. Comprendere precisione e richiamo aiuta il team a valutare entrambi gli errori: la precisione misura quanti dei difetti segnalati sono reali, mentre il richiamo misura quanti dei difetti effettivi vengono individuati.

Supporto in classe: uno studente usa un chatbot per farsi spiegare un argomento scientifico. Uno studente alfabetizzato nell’IA considera la risposta un punto di partenza, verifica le affermazioni fattuali confrontandole con il materiale del corso ed evita di inviare informazioni personali. L’insegnante chiede agli studenti di spiegare le correzioni e dichiarare di aver usato l’assistenza. In questo modo, l’uso dello strumento diventa un’occasione per esercitarsi nella verifica e nel ragionamento autonomo, in linea con l’approccio antropocentrico del framework di competenze sull’IA per gli studenti dell’UNESCO.

Un esercizio pratico di visione artificiale#

L’ispezione pratica rende concreta la differenza tra una previsione e la realtà. Installa il pacchetto con pip install -U ultralytics, seguendo la guida all’installazione di Ultralytics.

Questo esempio usa Ultralytics YOLO con un modello di rilevamento YOLO26 preaddestrato e il flusso di lavoro di inferenza documentato:

from ultralytics import YOLO

# Carica un modello di rilevamento degli oggetti preaddestrato.
model = YOLO("yolo26n.pt")

# Esegui l’inferenza su un’immagine campione pubblica.
results = model("https://ultralytics.com/images/bus.jpg")
result = results[0]

# Salva le previsioni etichettate per l’ispezione visiva.
result.save(filename="ai_literacy_example.jpg")

L’immagine salvata mostra le etichette degli oggetti previsti e i relativi riquadri. Confrontali con ciò che riesci a vedere davvero: ci sono oggetti non rilevati, etichettati in modo errato o localizzati male? Questo esercizio sviluppa la capacità di valutazione critica; un’immagine corretta non dimostra l’affidabilità in altri ambienti.

Sviluppare e valutare l’alfabetizzazione all’IA#

Inizia da un’attività familiare, stabilisci come dovrebbe essere un risultato corretto e decidi quali errori sono importanti. Confronta i risultati con prove indipendenti e documenta i limiti prima di ampliare l’uso.

Per i bambini, proponi attività adatte alla loro età che rendano visibili gli errori senza richiedere competenze di programmazione avanzate. Le lezioni sull’alfabetizzazione all’IA di Common Sense Education favoriscono le discussioni su pregiudizi, qualità delle informazioni e partecipazione responsabile.

Valuta l’alfabetizzazione sulla base del giudizio dimostrato, non soltanto della familiarità con gli strumenti. Chi apprende sa spiegare i limiti di un risultato, verificare un’affermazione, proteggere i dati privati e motivare quando non usare l’IA? Queste capacità si applicano a strumenti e applicazioni diversi.