Capire l’IA, un concetto alla volta.
Definizioni dirette collegate a esempi, errori frequenti, decisioni tecniche e analisi editoriali verificate.
Fondamenti
Unità, capacità e limiti di base per capire come funziona un sistema di IA.
Multimodalità: definizione, funzionamento e limiti
La multimodalità consente ai sistemi di IA di elaborare e mettere in relazione testo, immagini, audio e video. Questa scheda spiega il flusso tecnico — codifica, proiezione e fusione — e presenta esempi in ambito sanitario, industriale e automobilistico, insieme ai limiti legati ai costi computazionali e all’allineamento dei dati.
Parametro
Valore numerico appreso durante l'addestramento che contribuisce a trasformare input in output.
Token: definizione, funzionamento e limiti nei modelli linguistici
Un token è l'unità minima di testo che un modello linguistico elabora per comprendere e generare contenuto. Non equivale a una parola né a un carattere, ma a un frammento definito dal tokenizzatore specifico di ciascun modello. Questa scheda spiega come viene suddiviso il testo, come vengono assegnati gli identificativi, come i token influenzano i limiti di contesto e i costi delle API, e offre esempi pratici per ottimizzarne l'uso.
Finestra di contesto
Quantità massima di token che un modello può considerare tra input, storico, strumenti e output in una richiesta.
Modelli e apprendimento
Architetture, addestramento e tecniche che determinano il comportamento di un modello.
Fine-tuning: cosa cambia quando si continua ad addestrare un modello e cosa non garantisce
Il fine-tuning è un addestramento aggiuntivo di un modello già preaddestrato, volto ad adattarlo a un obiettivo specifico. Questa scheda illustra il processo con tre esempi e distingue il concetto da altri modi di adattare o utilizzare i modelli.
Apprendimento autosupervisionato: che cos’è e come funziona
L’apprendimento autosupervisionato ricava gli obiettivi di addestramento dai dati stessi. Questa guida ne spiega il funzionamento, presenta esempi nell’elaborazione del linguaggio, nella visione artificiale e nell’audio, e ne chiarisce limiti e differenze rispetto ad altri approcci.
RLHF: cos’è, come funziona e quali sono i suoi limiti
L’apprendimento per rinforzo da feedback umano usa giudizi o preferenze per orientare l’addestramento di un modello. Il flusso tipico comprende la generazione di risposte, la raccolta di confronti, l’addestramento di un modello di ricompensa e l’ottimizzazione di una politica; ogni fase comporta scelte e limiti da distinguere.
Dati sintetici: che cosa sono, come si generano e che cosa non garantiscono
I dati sintetici vengono generati artificialmente per conservare proprietà rilevanti dei dati reali in vista di uno scopo preciso. La loro origine, da sola, non dimostra che siano utili, di qualità o privati.
Distillazione della conoscenza: come uno studente apprende da un docente e che cosa non garantisce
La distillazione trasferisce segnali di addestramento da un modello docente a un modello studente. Può adottare metodi diversi: non implica che lo studente conservi tutte le capacità del docente né che sia più efficiente in ogni ambiente.
Funzione di perdita: cosa misura durante l’addestramento e cosa non dice su un modello
Una funzione di perdita quantifica, secondo un criterio definito, la discrepanza tra una previsione e un obiettivo. Capire che cosa penalizza — e che cosa resta fuori dalla misura — aiuta a interpretare l’addestramento senza confonderlo con una valutazione completa del modello.
LoRA: come adatta un modello con matrici a basso rango e cosa non garantisce
LoRA adatta un modello preaddestrato mantenendo fissi i pesi originali e apprendendo matrici aggiuntive a basso rango. Questa scheda spiega il meccanismo, lo confronta con altri metodi di adattamento e chiarisce quali conclusioni non si possono trarre dal solo numero di parametri addestrabili.
Meccanismo di attenzione: come un modello mette in relazione diverse parti dell’input
L’attenzione è un’operazione matematica che combina rappresentazioni in base alla loro compatibilità. Questa guida spiega Q, K e V, le varianti del meccanismo e i suoi limiti, senza confonderlo con l’attenzione umana o con una spiegazione automatica del modello.
Modello distillato: cosa significa l’etichetta e cosa non dimostra
Un modello distillato è il modello studente risultante da un processo che trasferisce parte del comportamento di un modello insegnante. L’etichetta descrive una relazione di addestramento, non garantisce equivalenza, qualità o efficienza.
Modello fondazionale
Modello addestrato su larga scala su dati ampi e adattabile a più compiti successivi.
Pre-addestramento: cosa impara un modello prima di essere adattato
Il pre-addestramento è una fase di addestramento che precede alcuni usi o adattamenti successivi. Obiettivi, dati e rapporto con le altre fasi dipendono dal modello: non esiste una ricetta universale e questa fase, da sola, non garantisce che il sistema sia affidabile.
Overfitting: definizione, meccanismi di rilevamento e limiti della generalizzazione
L'overfitting si verifica quando un modello di machine learning memorizza il rumore e i pattern specifici dei dati di addestramento, ottenendo un'alta precisione su di essi ma fallendo nel generalizzare a nuovi dati. Questa scheda tecnica spiega il fenomeno attraverso il trade-off bias-varianza, dettagliando i metodi di rilevamento tramite curve di perdita e validazione incrociata, e confronta l'overfitting con l'underfitting e la contaminazione dei dati. Include esempi applicati nel rilevamento delle frodi, nella diagnostica medica e nella logistica, nonché un protocollo di mitigazione basato su regolarizzazione, early stopping e aumento dei dati.
Transformer
Architettura neurale basata principalmente sull'attenzione che elabora le relazioni tra gli elementi di una sequenza o di più modalità.
Generazione e interazione
Concetti usati per richiedere, controllare e convalidare una risposta generata.
Apprendimento con pochi esempi (few-shot): definizione, meccanismo e limiti dell’in-context learning
Il few-shot prompting è una tecnica di progettazione del contesto che inserisce nella richiesta coppie di input e output per orientare la risposta del modello senza modificarne i pesi. Questa scheda spiega l’in-context learning, propone tre esempi in ambiti diversi, distingue la tecnica da zero-shot, fine-tuning e catena del pensiero e ne chiarisce i limiti operativi.
Apprendimento in contesto (ICL): come un modello risponde agli esempi nel prompt
L’apprendimento in contesto permette di orientare la risposta di un modello con istruzioni ed esempi inclusi nell’input. Scopri che cosa significa, come verificarne l’utilità e in che cosa si distingue dall’addestramento e da altri metodi.
Catena di pensiero nell’IA: che cos’è e che cosa non dimostra
Una catena di pensiero è una sequenza di passaggi intermedi espressi in testo, che un modello genera o riceve come esempio. Può aiutare a strutturare un compito e rendere visibili alcuni passaggi, ma la sua coerenza non dimostra che siano corretti né che riflettano fedelmente il processo interno che ha prodotto la risposta.
Ingegneria del contesto: come selezionare e mantenere le informazioni che riceve un sistema di IA
L’ingegneria del contesto consiste nel decidere di quali informazioni ha bisogno un modello per svolgere un’attività, come ottenerle e come mantenerle pertinenti durante l’esecuzione. Non equivale a scrivere un prompt più lungo: comprende anche la selezione dei documenti, l’uso degli strumenti e la gestione dello stato.
Prompt
Insieme di istruzioni e contesto fornito a un modello per orientare un compito e il suo formato di output.
Ragionamento nei modelli: come funziona, esempi e limiti
Definizione rigorosa della capacità di ragionamento nei modelli linguistici, spiegazione del funzionamento, tre esempi applicati, metodi di valutazione e analisi dei limiti documentati nella letteratura primaria.
Output strutturato: definizione, meccanismi di coercizione e limiti della validazione automatica
L'output strutturato vincola la generazione di un LLM a uno schema formale (JSON, XML) per abilitarne il consumo programmatico. Questa scheda distingue tra la suggerimento tramite prompt e la coercizione tecnica mediante decodifica vincolata, analizza i limiti della validazione sintattica rispetto alla correttezza semantica e offre esempi applicati nell'estrazione dati, nell'orchestrazione di agenti e nella generazione di configurazioni.
Temperatura: definizione, funzionamento e limiti del parametro di campionamento nei modelli linguistici
La temperatura è un parametro di inferenza che modifica la distribuzione di probabilità dei logit per controllare la casualità dell'output. Questa scheda spiega il suo meccanismo matematico, la sua interazione con top-k e top-p, e i suoi limiti per la riproducibilità e la valutazione.
Dati e conoscenza
Come i dati vengono rappresentati, recuperati e collegati a risposte verificabili.
Database vettoriale: cosa memorizza e come cerca per somiglianza
Un database vettoriale memorizza rappresentazioni numeriche e permette di recuperare quelle più vicine a una query. Non genera necessariamente gli embedding e non decide da solo quali risultati siano rilevanti.
Ricerca semantica
Recupero di informazioni basato su relazioni di significato, normalmente combinato con filtri o ricerca lessicale.
Incorporamento
Rappresentazione numerica che posiziona elementi in uno spazio dove certe relazioni possono essere misurate per prossimità.
Frammentazione dei documenti (Chunking): definizione, strategie e limiti
La frammentazione dei documenti divide il contenuto in unità recuperabili per i sistemi di IA. Questa scheda spiega come funziona, le strategie principali, i parametri di dimensione e sovrapposizione, e come valutare il risultato evitando errori comuni.
Fonte primaria: che cos’è, come riconoscerla e che cosa può dimostrare
Una fonte è primaria rispetto a una domanda quando presenta direttamente l’oggetto, i dati, il metodo o la decisione che si vogliono studiare. Questa qualifica non garantisce che sia vera, imparziale o sufficiente: occorre valutare che cosa afferma e quali sono i suoi limiti.
Generazione aumentata da recupero (RAG)
Pattern che recupera informazioni esterne rilevanti e le incorpora al contesto prima di generare una risposta.
Grounding: definizione, funzionamento e limiti nell'IA
Il grounding collega l'output di un modello di IA a prove esterne verificabili. Questa guida spiega come funziona, come si differenzia da RAG e fine-tuning, e quali sono i suoi limiti pratici.
Reranking: definizione, funzionamento e limiti nei sistemi di recupero
Il reranking è la seconda fase di scoring nei sistemi di recupero che valuta le coppie query-documento per migliorare la precisione. Questa scheda spiega il funzionamento tecnico, distingue tra architetture a un passo e a due fasi e analizza i limiti operativi nei pipeline RAG e nella ricerca semantica.
Agenti e automazione
Strumenti, memoria e modelli per sistemi in grado di eseguire attività.
Agente di IA: che cos’è, come funziona e in cosa si distingue da un chatbot
Un agente di IA è un sistema che persegue un obiettivo osservando l’ambiente e scegliendo le proprie azioni. Questa guida ne spiega il ciclo di funzionamento, i limiti e le differenze rispetto a un chatbot o a un’automazione predefinita.
Chiamata a strumenti
Meccanismo tramite cui un modello seleziona un'operazione e propone argomenti strutturati affinché l'applicazione la esegua.
Memoria dell'agente
Meccanismo per conservare e recuperare stato rilevante tra passaggi o sessioni di un sistema basato su modelli.
Model Context Protocol (MCP): cosa collega, come funziona e cosa non garantisce
MCP è uno standard aperto di integrazione che collega le applicazioni di IA a sistemi esterni, dati e strumenti. Questa scheda spiega che cosa si può affermare sulla base delle fonti disponibili, propone esempi condizionali e distingue il protocollo da un’API, dalle chiamate agli strumenti e da un agente.
Valutazione
Metodi per misurare qualità, costo, robustezza e utilità in condizioni riproducibili.
Benchmark nell’intelligenza artificiale: che cosa misura e che cosa dimostra un punteggio
Un benchmark è una valutazione definita da attività, dati, protocollo e metriche. Il punteggio descrive le prestazioni in quelle specifiche condizioni; da solo, non dimostra una capacità generale né garantisce risultati in produzione.
Contaminazione dei dati
Presenza totale o parziale di dati di valutazione nell'addestramento, tuning o contesto precedente di un modello.
Valutazione di IA
Test riproducibile che misura un comportamento tramite casi, condizioni, metriche e una rubrica esplicita.
Generalizzazione nel machine learning: definizione, funzionamento e limiti
La generalizzazione è la capacità di un modello di mantenere un comportamento utile davanti a esempi che non coincidono esattamente con i dati di addestramento. Questa scheda spiega come si misura, i rischi di violare ipotesi come l'indipendenza dei dati e i limiti empirici osservati in studi recenti.
Incertezza: definizione, tipi e metodi di quantificazione nei modelli predittivi
L'incertezza misura il grado di mancanza di certezza su una previsione o una misurazione. Questa scheda spiega la distinzione fondamentale tra incertezza aleatoria (rumore intrinseco) ed epistemica (mancanza di conoscenza), dettagliando metodi di quantificazione come Monte Carlo e processi gaussiani, e offrendo esempi applicati in meteorologia, ingegneria e scienze sociali per valutare l'affidabilità dei modelli.
Modello come giudice (LLM-as-a-judge): che cosa valuta e quali bias verificare
Un modello come giudice usa un modello linguistico per valutare risposte o azioni in base a criteri espliciti. Questa guida illustra il processo, distingue le forme di giudizio e mostra che cosa verificare prima di fidarsi dei risultati.
Riproducibilità
Capacità di ripetere una valutazione con versioni, dati, configurazione e procedura documentati e ottenere risultati compatibili.
Robustezza: definizione, valutazione e limiti nei sistemi di apprendimento automatico
La robustezza non è una proprietà assoluta: è una relazione tra un obiettivo, un modificatore, un dominio di variazione e una tolleranza. Questa scheda spiega come rendere operativo il concetto, verificare i modelli in presenza di cambiamenti nella distribuzione dei dati e capire perché buone prestazioni in laboratorio non garantiscono un comportamento affidabile nel mondo reale.
Rubrica di valutazione: definizione, progettazione e limiti nel punteggio dei risultati di IA
Una rubrica organizza criteri e livelli di prestazione per rendere le valutazioni interpretabili. Questa scheda spiega la sua struttura, distingue i tipi analitico e olistico e analizza i suoi limiti nella valutazione delle uscite di IA, dei lavori accademici e dei sistemi di machine learning.
Sicurezza e governance
Rischi, controlli e responsabilità lungo tutto il ciclo di vita.
Allucinazione nell’IA: che cosa significa e come riconoscere una risposta non supportata
Una risposta fluida non è necessariamente corretta. Questa guida spiega che cosa si intende per allucinazione nell’IA, come distinguerla da altri errori e quali verifiche aiutano a valutare affermazioni specifiche.
Guardrail nell’IA: cosa controlla, dove interviene e cosa non garantisce
Un guardrail è un controllo che verifica input, output o azioni di un sistema di IA rispetto a una policy definita. La sua portata dipende da cosa esamina e da quando interviene: può ridurre determinati rischi, ma da solo non dimostra che l’intero sistema sia sicuro.
Human-in-the-loop (HITL): cosa decide una persona e cosa non garantisce
HITL descrive una progettazione in cui una persona interviene in un punto definito di un sistema automatizzato. L’etichetta, da sola, non specifica quale autorità abbia né garantisce che riesca a individuare gli errori.
Iniezione di istruzioni
Attacco o interferenza in cui contenuto non affidabile tenta di deviare il sistema dalle sue regole o dal suo obiettivo legittimo.
Moderazione: definizione, funzionamento e limiti nelle piattaforme digitali
La moderazione è l'insieme di azioni, automatizzate o umane, che le piattaforme applicano per rilevare, identificare e gestire contenuti che violano i propri termini o la legge. Questo glossario spiega il suo funzionamento, i quadri normativi come il DSA e le sfide tecniche ed etiche poste dall'automazione.
Principio del privilegio minimo: cosa significa e come applicarlo ai sistemi di IA
Il principio del privilegio minimo limita ogni identità —persona, processo o servizio— ai permessi necessari per svolgere il proprio compito. Nei sistemi di IA orienta l’accesso di agenti, strumenti e servizi, ma non sostituisce l’autenticazione né garantisce da solo che il modello agisca in modo sicuro.
Test avversariali: definizione, metodologia e limiti nei sistemi di IA
I test avversariali nell’IA cercano intenzionalmente di mettere alla prova le garanzie di un sistema con input ostili e scenari progettati per provocare errori. Questa scheda definisce la pratica, distingue il lavoro manuale dall’automazione, descrive il ciclo tecnico e chiarisce i limiti di copertura e riproducibilità.
Supervisione umana: definizione, meccanismi di controllo e limiti operativi nei sistemi di IA
La supervisione umana non è la mera presenza di un operatore, ma la capacità effettiva di comprendere, monitorare, intervenire e arrestare un sistema di IA. Questa scheda distingue i livelli di autonomia, spiega i meccanismi tecnici e organizzativi richiesti dall'AI Act e delimita i limiti cognitivi e operativi in cui la supervisione diventa inefficace.
Verifica dei fatti
Processo di confrontare affermazioni verificabili con prove identificabili, vigenti e sufficientemente autorizzate.
Operazioni e infrastruttura
Tecniche per distribuire, ottimizzare e osservare sistemi di IA in produzione.
Cache del contesto nell’IA: cosa riutilizza e perché non significa «ricordare»
Una cache può conservare i calcoli del modello per evitare di ripeterli. Questa scheda distingue la cache KV dalla cache dei prefissi, spiega quando è possibile riutilizzarle e chiarisce quali sono i loro limiti.
Quantizzazione nell’IA: cosa cambia quando si riduce la precisione numerica
La quantizzazione rappresenta i numeri con meno livelli per ridurre l’impiego di risorse, ma «4 bit» non basta per prevedere memoria, velocità o qualità di un modello.
Inferenza nell’IA: cosa succede quando un modello elabora un input
L’inferenza consiste nell’usare un modello già addestrato per calcolare un output a partire da un input. Può produrre una classe, un punteggio, una rappresentazione o contenuti generati, ma non garantisce che il risultato sia corretto.
Latenza nell’IA: quale intervallo si misura e perché conta il momento della risposta
La latenza è il tempo che intercorre tra un inizio e una fine definiti. Scopri come distinguere il primo risultato, la risposta completa e il tempo percepito da chi usa un’applicazione di IA.
Prestazione di elaborazione
Quantità di lavoro che un sistema completa per unità di tempo, ad esempio richieste o token al secondo.
Prova un’altra parola, un alias o un’area diversa.