Page 120 - Rassegna 2025-3

SCIENTIAE

2. In secondo luogo, una catena di pensiero fornisce una f nestra interpretabi-
le sul comportamento del modello, suggerisce come potrebbe essere arrivato a una
particolare risposta e fornisce opportunità per def nire dove il percorso di ragiona-
mento è andato storto;
3. In terzo luogo, il ragionamento a catena può essere utilizzato per compiti
come i problemi di matematica, ragionamento di senso comune e la manipolazione
simbolica, ed è potenzialmente applicabile (almeno in linea di principio) a qualsiasi
compito che gli esseri umani possono risolvere attraverso il linguaggio .
12
Un ultimo banco di prova dell’af dabilità del modello deriva dal quesito degli
ingranaggi (Metz, 1985).
quesito: di fronte a noi vi sono delle marce su un unico asse e le marce sono
numerate da 1 a 6 e ogni marcia è collegata a quella successiva. Se la marcia n. 3
ruota in senso orario, in quale direzione ruoteranno le marce 1 e 6?
GTP 3.5: Se la marcia n. 3 ruota in senso orario, la marcia n. 4 ruoterà in senso
antiorario che farà ruotare la marcia n. 5 in senso orario e, per concludere, la marcia
nr. 6 ruoterà in senso antiorario.
L’accuratezza della risposta è una funzione della quantità di dati presenti nella
rete, ne consegue che all’aumentare delle informazioni aumenterà anche l’accura-
tezza della risposta .
13

3. Limiti e possibilità sono solo una bilancia stocastica?
Le capacità dei LLM, non solo nella produzione di materiale testistico, ha
mostrato la sua vasta applicazione in diversi domini. Sebbene è ancora aperto il
dibattito se i LLM possono entrare a pieno titolo nell’emulare i processi cognitivi
dell’uomo, diventando oggetto di studio per meglio comprendere i processi umani,
alcune implicazioni sui loro limiti si rende necessario e non solo per avere una chiara
cornice di cosa i LLM realmente siano ma anche come possono esserci utili nel
lavoro degli operatori di polizia giudiziaria.
Innanzitutto vi è da chiarire la questione che i LLM per un certo verso sono dei
pappagalli stocastici (Pinker, 2023), cioè sono sistemi addestrati, mediante un algo-
ritmo (gradiente stocastico discendente) capace di creare un apprendimento auto-
matico che prevede un metodo iterativo di lavoro che attraverso miliardi di possibi-
lità, mediante innumerevoli passaggi simili a un albero decisionale, giunge ad un pro-
babile adattamento ottimale.

12 Ibidem, p. 366.
13 Quest’ultimo asserto lascia la questione ancora aperta: secondo Gerbino “il ruolo di Pigmalione”
all’aumentare delle ruote dentate GTP 3.5 fornisce risposte scorrette, mortif cando l’entusiasmo
della proprietà emergente dei modelli linguistici allargati.

118