Poco fa parlavo con un collega che insegna un corso di GenAI prototyping, e concordavamo su un punto: questi nuovi strumenti non sono neutrali, hanno anzi un effetto profondamente polarizzante.
Non è solo che aiutano: amplificano.
Se hai buone basi nel campo in cui li usi, se sai formulare bene un problema, se hai senso critico per valutare ciò che producono, allora ti danno quasi dei superpoteri: accelerano il lavoro, moltiplicano le alternative, abbassano il costo dell’esplorazione.
Ma se quelle basi non ci sono, succede qualcosa di diverso! Non è che impari più in fretta, è che esternalizzi il controllo. Ti affidi all’output senza avere gli strumenti per valutarlo, e l’illusione di competenza cresce più della competenza stessa.
È questo che cerco di mostrare in classe, quando faccio svolgere agli studenti, con ChatGPT, Gemini e altri modelli, diverse analisi dei dati, e poi discutiamo insieme i risultati. Trovo molto utile dare loro 30 minuti per risolvere da soli un problema complesso, a volte proposto da loro, usando qualsiasi LLM/LMM, e poi riprovarci dal vivo, passo dopo passo, insieme.
Di solito (falsa modestia...) il mio risultato è migliore. Non perché lo strumento sia diverso (uso lo stesso scelto da loro, tra quelli di cui abbiamo la licenza), ma perché diverso è il controllo sul processo: nella formulazione del problema, nella scelta delle ipotesi, nella verifica dei passaggi, nell’interpretazione dei risultati.
Credo che il messaggio che si portano a casa sia semplice e, per certi versi, controintuitivo: un LLM abbassa il costo dell’esecuzione, ma non quello della comprensione. E senza comprensione, l’esecuzione è fragile.
In questo senso, queste tecnologie non eliminano il principio di Matteo. No, lo rendono più visibile: chi ha struttura cognitiva solida viene amplificato; chi non ce l’ha rischia di diventare ancora più dipendente, se non addirittura più stupido (il cervello va tenuto allenato, ormai lo sappiamo). I "ricchi" diventano più ricchi, e la conoscenza resta la forma più potente di ricchezza, e lo sarà sempre di più.
Ergo, puoi lasciare a ChatGPT l'analisi dei dati, ma devi sapere che cosa faresti tu, perché, come, quando. Il che significa che studiare serve, forse paradossalmente, più che mai. Se possiamo risparmiare tempo nell'esecuzione (e al momento è un grande se), abbiamo più tempo per lo studio.
Deploying a new feature in Azure Container App with 0% traffic for testing. Need a static URL for each feature branch (replacing old revision on each deployment). Any tips? #Azure#ContainerApps@AzContainerApp