Glossario dell'IA
I concetti dell'intelligenza artificiale spiegati in modo semplice: machine learning, deep learning, LLM, NLP, RAG, embedding, fine-tuning, MCP…
Le basi
- Intelligenza artificiale (IA)
- L'insieme delle tecniche che permettono a una macchina di svolgere compiti detti intelligenti: capire un testo, riconoscere un'immagine, prendere una decisione.
- Machine learning (apprendimento automatico)
- Un ramo dell'IA in cui la macchina impara dagli esempi invece di essere programmata regola per regola. Per esempio, da migliaia di email etichettate «spam» o «normale», impara a smistarle da sola. I metodi classici (regressione, alberi decisionali) si usano soprattutto su dati tabellari.
- Deep learning (apprendimento profondo)
- Un ramo del machine learning che usa reti neurali con molti strati. Richiede molti dati e molta potenza di calcolo, ma eccelle su testo, immagini e suono. Tutti i modelli recenti (LLM, generatori di immagini, riconoscimento vocale) si basano sul deep learning.
- Rete neurale
- Un modello matematico ispirato al cervello, formato da strati di «neuroni» collegati tra loro. Regolando i pesi di questi collegamenti durante l'addestramento, la rete impara a trasformare un input (testo, immagine) in un output (una risposta, una categoria).
- Modello
- Il risultato di un addestramento: un file di parametri (i pesi) che sa svolgere un compito. Lo si scarica, lo si chiama tramite un'API o lo si esegue in locale. Vedi la guida →
I grandi ambiti
- NLP (elaborazione del linguaggio naturale)
- Tutto ciò che riguarda il testo: scrivere, riassumere, tradurre, classificare, estrarre informazioni, rispondere a domande.
- Visione artificiale (computer vision)
- Tutto ciò che riguarda immagini e video: riconoscere oggetti, classificare una foto, rilevare volti, generare immagini.
- Multimodale
- Un modello che tratta più tipi di dati insieme: descrivere un'immagine a parole, rispondere a una domanda su una foto, generare un video da un testo.
- IA generativa
- I modelli che producono contenuti nuovi (testo, immagine, video, suono, codice) invece di limitarsi a classificare o prevedere.
I modelli linguistici
- LLM (grande modello linguistico)
- Un modello di deep learning addestrato su enormi quantità di testo per prevedere come prosegue un testo. È ciò che fa funzionare Claude, GPT, Mistral o Llama. Vedi la guida →
- Transformer
- L'architettura di rete neurale alla base di quasi tutti i modelli linguistici attuali. Il suo meccanismo di attenzione le permette di guardare tutte le parole di un testo insieme e di collegare ciascuna alle altre, invece di leggerle una alla volta.
- Classificatore
- Un modello che assegna un input a una categoria: spam o no, recensione positiva o negativa, tipo di richiesta di un cliente. Non scrive testo, sceglie un'etichetta da una lista.
- Encoder (codificatore)
- Un modello (o una parte di modello) che legge un testo intero e lo trasforma in numeri che ne riassumono il significato. I modelli di embedding e molti classificatori sono encoder, come BERT. Vedi la guida →
- Decoder (decodificatore)
- Un modello (o una parte di modello) che scrive un testo un token alla volta, prevedendo ogni volta il token successivo. Gli LLM come Claude, GPT, Mistral o Llama sono decoder. Vedi la guida →
- Token
- Il pezzo di testo che legge un LLM, spesso una parte di parola. I limiti (dimensione del contesto) e i prezzi dei modelli si contano in token.
- Finestra di contesto
- La quantità di testo (in token) che un modello può leggere in una volta: la domanda, le istruzioni, i documenti e la risposta.
- Allucinazione
- Una risposta falsa data con sicurezza da un modello che inventa invece di dire che non sa. Il RAG e le protezioni la riducono.
- Inferenza
- L'uso di un modello già addestrato per ottenere una risposta, in contrapposizione all'addestramento. Vedi la guida →
- Quantizzazione
- Ridurre la precisione dei numeri di un modello (per esempio da 16 a 4 bit) perché occupi meno memoria e giri su hardware più modesto, con una leggera perdita di qualità. Vedi la guida →
- Tokenizer
- Lo strumento che divide un testo in token prima di darlo al modello. Ogni famiglia di modelli ha il suo: lo stesso testo non conta lo stesso numero di token ovunque.
- Modello base
- Un modello appena uscito dal pre-addestramento: sa continuare un testo ma non segue ancora bene le istruzioni. Lo si adatta poi per farne un modello instruct. Vedi la guida →
- Modello instruct
- Un modello adattato per seguire istruzioni e dialogare. È la versione usata in un assistente. Vedi la guida →
- Pesi aperti (open weights)
- Un modello i cui file di parametri si possono scaricare: lo si può eseguire in proprio e adattare. La sua licenza stabilisce cosa si ha il diritto di farne. Vedi la guida →
- Latenza
- Il tempo di attesa prima della risposta del modello, in particolare prima che compaia il primo token. Vedi la guida →
- Throughput (token al secondo)
- La velocità con cui un modello scrive la risposta. Dipende dal modello, dall'hardware e dal numero di richieste servite contemporaneamente. Vedi la guida →
Usare un modello
- Prompt
- Il testo inviato al modello per chiedergli qualcosa. Un prompt riutilizzabile contiene variabili, come {{prodotto}}. Vedi la guida →
- Contesto (istruzione di sistema)
- Le istruzioni e gli esempi dati al modello prima della domanda per fissarne il ruolo, il tono e le regole, senza riaddestrarlo. Vedi la guida →
- Few-shot
- Dare qualche esempio (input e output atteso) nel contesto per mostrare al modello cosa ci si aspetta. Vedi la guida →
- RAG (generazione aumentata dal recupero)
- Far rispondere un modello a partire dai propri documenti: si recuperano i passaggi pertinenti e glieli si dà insieme alla domanda. Vedi la guida →
- Embedding
- Liste di numeri (vettori) che rappresentano il significato di un testo. Testi di significato simile hanno vettori vicini: è la base della ricerca semantica e del RAG. Vedi la guida →
- Output strutturato
- Obbligare il modello a rispondere in un formato preciso, di solito JSON descritto da uno schema. Vedi la guida →
- Temperatura
- L'impostazione che dosa la casualità delle risposte: bassa, il modello risponde in modo stabile e prevedibile; alta, varia di più. Vedi la guida →
- Zero-shot
- Chiedere un compito al modello senza dargli esempi, con la sola istruzione. Vedi la guida →
- Catena di ragionamento (chain-of-thought)
- Far ragionare il modello passo dopo passo prima della risposta finale, il che migliora i compiti di calcolo o di logica. Vedi la guida →
- Chiamata di funzioni (function calling)
- La capacità di un modello di chiedere l'esecuzione di una funzione (cercare, calcolare, interrogare un database) con parametri strutturati, e poi di usarne il risultato. Vedi la guida →
- Suddivisione (chunking)
- Tagliare i documenti in pezzi prima di indicizzarli per il RAG. La dimensione dei pezzi e la loro sovrapposizione cambiano la qualità delle risposte. Vedi la guida →
- Database vettoriale
- Un database che conserva gli embedding e trova i testi più vicini a una domanda. È il motore di ricerca del RAG. Vedi la guida →
- Reranker
- Un modello che riordina i passaggi trovati dalla ricerca per tenere solo i più pertinenti prima di darli all'LLM. Vedi la guida →
Agire e attrezzarsi
- Agente
- Un assistente IA che concatena più passaggi e usa strumenti per raggiungere un obiettivo, invece di rispondere in una volta sola. Vedi la guida →
- MCP (Model Context Protocol)
- Uno standard aperto per collegare strumenti e dati (file, database, software) a un assistente IA, compatibile con Claude, Cursor e altri. Vedi la guida →
- Workflow (flusso di lavoro)
- Una sequenza automatizzata di passaggi in cui interviene l'IA, costruita con uno strumento come n8n o LangGraph. Vedi la guida →
Addestrare e adattare
- Dataset (insieme di dati)
- Un insieme di esempi che serve ad addestrare, adattare o valutare un modello. Vedi la guida →
- Pre-addestramento
- La prima fase di addestramento di un modello linguistico: legge enormi quantità di testo e impara a prevedere la parola successiva. È molto costosa e la svolgono solo gli editori di modelli; poi si parte da questo modello pre-addestrato per specializzarlo. Vedi la guida →
- Fine-tuning (affinamento)
- Riaddestrare un modello esistente sui propri esempi per specializzarlo in un ambito. Vedi la guida →
- LoRA
- Un metodo di fine-tuning economico che addestra solo una piccola parte del modello. QLoRA lo applica a un modello quantizzato. Vedi la guida →
- Valutazione (benchmark)
- Un insieme di test per misurare la qualità di un modello, di un prompt o di un agente. Vedi la guida →
- SFT (fine-tuning supervisionato)
- La forma più comune di fine-tuning: si mostrano al modello domande e risposte attese perché impari a rispondere allo stesso modo. Vedi la guida →
- QLoRA
- Una variante di LoRA che carica il modello quantizzato a 4 bit durante l'adattamento, per addestrare un modello grande con una sola scheda grafica. Vedi la guida →
- Epoca (epoch)
- Un passaggio completo su tutti gli esempi del dataset durante l'addestramento. Troppe epoche portano all'overfitting. Vedi la guida →
- Dati sintetici
- Esempi di addestramento prodotti da un modello invece che scritti da persone. Si ottengono in fretta, ma vanno riletti e filtrati. Vedi la guida →
- Distillazione
- Addestrare un modello piccolo a imitare le risposte di uno più grande, per ottenere un modello più economico e veloce su un compito preciso. Vedi la guida →
- RLHF
- L'adattamento tramite feedback umano: delle persone mettono in ordine le risposte e il modello impara a produrre quelle che preferiscono. Vedi la guida →
Affidabilità e conformità
- Protezione (guardrail)
- Una regola che controlla ciò che entra o esce da un assistente IA: bloccare i dati personali, rifiutare le richieste fuori tema. Vedi la guida →
- Prompt injection
- Un attacco che nasconde istruzioni in un messaggio o in un documento per mettere il modello contro le sue stesse regole. Vedi la guida →
- Red teaming
- Attaccare di proposito un sistema di IA per trovarne i punti deboli prima degli utenti. Vedi la guida →
- AI Act (Regolamento sull'IA)
- Il regolamento europeo sull'intelligenza artificiale: fissa obblighi di trasparenza, documentazione e supervisione secondo il livello di rischio del sistema. Vedi la guida →
- GDPR
- Il regolamento europeo sulla protezione dei dati personali, che vale anche per i dati inviati a un'IA o usati per addestrarla.
- LLM giudice
- Un modello incaricato di valutare le risposte di un altro modello secondo criteri scritti, quando un confronto esatto non è possibile. Vedi la guida →
Termini delle schede
- JSONL
- Un file di testo con un esempio per riga, in cui ogni riga è un oggetto JSON. È il formato standard dei dataset di fine-tuning. Vedi la guida →
- Prompt di sistema (system prompt)
- Il messaggio posto prima della conversazione che fissa il ruolo, il tono e le regole del modello. In un dataset di chat è il messaggio con ruolo «system». Vedi la guida →
- Harness
- La configurazione che inquadra un assistente di programmazione (Claude Code, Codex, Cursor…): le sue istruzioni, ciò che può fare senza chiedere, ciò che gli è vietato e i controlli automatici. Vedi la guida →
- Hook
- Un comando eseguito automaticamente in un momento preciso del lavoro di un agente, per esempio i test dopo ogni modifica di un file. Vedi la guida →
- GGUF
- Un formato di file per modelli quantizzati, letto da llama.cpp, Ollama e LM Studio per eseguire un modello su un computer. Vedi la guida →
- VRAM
- La memoria della scheda grafica. Limita la dimensione del modello che si può eseguire: un modello troppo grande per la VRAM non si carica o diventa lentissimo. Vedi la guida →
- DPO (ottimizzazione diretta delle preferenze)
- Un metodo di adattamento che mostra al modello, per la stessa domanda, una risposta preferita e una scartata, per orientarlo verso lo stile voluto. Vedi la guida →
- Overfitting (sovradattamento)
- Quando un modello impara a memoria i suoi esempi invece di ricavarne la regola: ottimo sugli esempi di addestramento, scarso sui casi nuovi. Un insieme di test separato permette di scoprirlo. Vedi la guida →
- Insieme di test
- Una parte degli esempi messa da parte e mai mostrata durante l'addestramento, per misurare se il modello è davvero migliorato. Vedi la guida →