Glossario dell'intelligenza artificiale

Le basi dell'intelligenza artificiale

Intelligenza artificiale (artificial intelligence, AI)

Disciplina che costruisce sistemi capaci di svolgere compiti che, svolti da una persona, richiederebbero intelligenza: riconoscere immagini, comprendere il linguaggio, prendere decisioni, prevedere risultati. Non è una singola tecnologia ma una famiglia di approcci. Oggi, quando in azienda si parla di AI, quasi sempre si intende il machine learning e le sue diramazioni recenti.

AI ristretta (weak o narrow AI)

L'intelligenza artificiale che esiste davvero, oggi: sistemi specializzati in un compito solo, come tradurre testi, suggerire un acquisto, riconoscere un volto o generare testo. Un sistema addestrato per una cosa non sa farne un'altra. Tutti gli strumenti in uso, compresi gli assistenti generativi più avanzati, rientrano in questa categoria.

AI generale (strong AI, AGI)

Un'ipotetica intelligenza artificiale capace di comprendere, apprendere e applicare conoscenze in qualunque ambito, come una persona. Non esiste, e resta aperto il dibattito se e quando potrà esistere. Confonderla con l'AI ristretta, brava in un compito solo, è l'errore concettuale più diffuso quando si discute di rischi e capacità reali.

AI generativa (generative AI)

La famiglia di modelli che produce contenuti nuovi: testo, immagini, audio, codice, video. Non si limita a classificare o prevedere, ma genera. È la tecnologia dietro gli assistenti di scrittura e i generatori di immagini. Si contrappone all'AI predittiva, che stima un valore o una categoria a partire dai dati.

AI predittiva (predictive AI)

Sistemi che, a partire dai dati storici, stimano un risultato futuro o assegnano una categoria: probabilità di abbandono di un cliente, previsione della domanda, rilevamento di una transazione sospetta. Risponde a quale valore o quale classe, mentre la generativa crea qualcosa di nuovo. Molti progetti aziendali utili restano predittivi, lontano dai riflettori.

Algoritmo (algorithm)

Una sequenza precisa di istruzioni per risolvere un problema o eseguire un compito. Nell'AI è la procedura che permette a un modello di apprendere dai dati. Attenzione a non usarlo come sinonimo di AI: ogni programma informatico è fatto di algoritmi, ma non ogni algoritmo è intelligenza artificiale.

Modello (model)

Il risultato dell'addestramento: l'insieme di parametri appresi dai dati che permette al sistema di fare previsioni o generare contenuti. Se l'algoritmo è il metodo di apprendimento, il modello è ciò che si ottiene alla fine. Dire un modello di AI significa indicare questo oggetto già addestrato e pronto all'uso.

Euristica (heuristic)

Una regola pratica che porta in fretta a una soluzione buona abbastanza, senza garanzia che sia la migliore. Le euristiche erano il cuore dell'AI prima del machine learning e restano utili ancora oggi: molti sistemi le combinano con i modelli appresi dai dati per gestire i casi limite in modo prevedibile.

Comportamento emergente (emergent behavior)

Capacità che un modello mostra senza essere stato addestrato esplicitamente per averle, e che compaiono solo oltre una certa scala. I grandi modelli linguistici, per esempio, hanno iniziato a tradurre o a ragionare per passi senza esservi stati programmati. È un fenomeno osservato, non garantito, da trattare con prudenza.

Conoscenza di sfondo (common sense)

Il senso comune: l'insieme di nozioni ovvie sul mondo che le persone danno per scontate, come il fatto che un oggetto lasciato cade. Resta uno dei limiti più ostinati dell'AI: i modelli producono testo brillante e poi sbagliano deduzioni che un bambino farebbe senza pensarci.

Dati, addestramento e ottimizzazione

Dati (data)

La materia prima dell'AI: numeri, testo, immagini, suoni, registrazioni di eventi. Un modello non conosce il mondo, conosce solo i dati che ha visto durante l'addestramento. Per questo la loro qualità, quantità e rappresentatività contano più di quasi ogni altra scelta tecnica compiuta nel corso di un progetto.

Feature (caratteristica)

Una singola proprietà misurabile usata come input dal modello. Per stimare il valore di una casa, le feature possono essere la superficie, il numero di stanze, il quartiere. Scegliere e costruire buone feature è storicamente una delle attività che più incidono sulla qualità del risultato finale di un progetto.

Etichetta (label)

La risposta corretta associata a un esempio nell'apprendimento supervisionato: la categoria di una foto, il valore da prevedere. Il modello impara confrontando le proprie previsioni con le etichette e correggendosi a ogni passo. Etichettare bene i dati è spesso il lavoro più lungo e costoso di un progetto.

Set di addestramento (training set)

I dati su cui il modello impara, regolando i propri pesi a ogni passaggio. È la parte più grande del dataset e va tenuta separata da validazione e test: solo così si può sapere se il modello funziona davvero o si è soltanto imparato a memoria gli esempi già visti.

Set di validazione (validation set)

I dati tenuti da parte durante lo sviluppo per regolare le impostazioni e scegliere il modello migliore tra le varianti provate. Non servono all'apprendimento dei pesi: servono alle decisioni di chi costruisce il sistema. Si distinguono dal set di test, che resta intatto fino alla misurazione finale.

Set di test (test set)

I dati mai visti dal modello, usati una sola volta alla fine per misurare le prestazioni reali su casi nuovi. Se entrano nelle scelte di sviluppo perdono il loro valore: la misura risulterebbe ottimista. Tenerli davvero da parte è la garanzia che i numeri dichiarati abbiano un significato.

Aumento del dataset (data augmentation)

Tecniche per creare nuovi esempi a partire da quelli esistenti: ruotare o ritagliare un'immagine, riformulare una frase. Aumenta la varietà dei dati senza il costo di raccoglierne di nuovi e aiuta il modello a generalizzare invece di memorizzare, riducendo il rischio di overfitting sugli esempi di addestramento disponibili.

Dati sintetici (synthetic data)

Dati generati artificialmente per imitare quelli reali. Utili quando i dati veri scarseggiano, sono sensibili o difficili da raccogliere, per esempio in ambito sanitario. Vanno usati con cautela: se non riproducono bene la realtà, trasmettono al modello una visione distorta del fenomeno che dovrebbe imparare a riconoscere.

Cinque V dei big data

Le cinque dimensioni con cui si descrivono i grandi insiemi di dati: volume, la quantità disponibile; velocità, la rapidità con cui arrivano e vanno elaborati; varietà, i diversi formati e tipi; veridicità, l'affidabilità e la qualità; valore, l'utilità reale che se ne estrae. Non riguardano soltanto la quantità.

Token

L'unità minima in cui un modello linguistico spezza il testo: una parola, parte di una parola o un singolo carattere. I modelli non leggono lettere o parole come noi, ma sequenze di token. Costi e limiti di lunghezza dei modelli si misurano in token, non in parole intere.

Embedding (rappresentazione vettoriale)

La traduzione di una parola, una frase o un'immagine in una lista di numeri che ne cattura il significato. In questo spazio numerico gli elementi simili finiscono vicini: re e regina sono più vicini di re e bicicletta. È la base della ricerca semantica e dei sistemi di raccomandazione.

Database vettoriale (vector database)

Un archivio progettato per conservare e cercare embedding. Invece di cercare parole identiche, trova gli elementi il cui significato è più vicino a quello richiesto. È il componente che permette a un sistema di recuperare i documenti pertinenti a una domanda, come avviene nelle applicazioni basate su RAG.

Pre-addestramento (pre-training)

La prima e più costosa fase di costruzione di un grande modello: lo si espone a enormi quantità di testo perché apprenda la struttura del linguaggio e una vasta conoscenza generale. Il risultato è un modello di base, versatile ma non specializzato, da affinare poi con il fine-tuning.

Fine-tuning (affinamento)

L'addestramento aggiuntivo di un modello già pre-addestrato su un insieme di dati specifico, per specializzarlo su un compito o un dominio: il linguaggio legale, lo stile di un'azienda, un tipo di classificazione. Costa molto meno che addestrare da zero e dà risultati mirati sul problema che interessa.

Distillazione (knowledge distillation)

La tecnica con cui un modello grande e capace, detto insegnante, trasferisce ciò che sa a un modello più piccolo e veloce, detto studente. Il modello distillato mantiene gran parte delle prestazioni a una frazione del costo: utile per far girare l'AI su dispositivi con poche risorse.

Quantizzazione (quantization)

La riduzione della precisione numerica con cui sono memorizzati i pesi di un modello, per renderlo più leggero e veloce. Si perde un po' di accuratezza in cambio di consumi e memoria molto minori. È una delle vie principali per portare modelli capienti su hardware modesto.

Iperparametro (hyperparameter)

Un'impostazione scelta prima dell'addestramento, che governa come il modello impara e che il modello non apprende da solo: quanti strati, quanto è ampio ogni passo di apprendimento, quanti esempi per volta. La ricerca sistematica della combinazione migliore si chiama ottimizzazione degli iperparametri, in inglese hyperparameter tuning.

Tasso di apprendimento (learning rate)

L'iperparametro che fissa l'ampiezza di ogni passo di correzione dei pesi durante l'addestramento. Se è troppo alto il modello diverge e non impara; se è troppo basso l'addestramento diventa lentissimo. Trovare il valore giusto è una delle regolazioni più delicate nella costruzione di un modello.

Epoche (epochs)

Il numero di volte in cui il modello attraversa l'intero dataset di addestramento. Poche epoche possono lasciare l'apprendimento incompleto; troppe favoriscono l'overfitting, perché il modello inizia a memorizzare gli esempi. Si sceglie osservando l'andamento dell'errore sul set di validazione, fermandosi quando smette di migliorare.

Dimensione del batch (batch size)

L'iperparametro che stabilisce quanti esempi il modello elabora prima di aggiornare i pesi. Valori piccoli danno aggiornamenti frequenti e rumorosi, valori grandi aggiornamenti più stabili ma costosi in memoria. Insieme al tasso di apprendimento, è una delle leve che più influenzano la velocità e la qualità dell'addestramento.

Ottimizzatore (optimizer)

L'algoritmo che decide come aggiornare i pesi del modello a ogni passo dell'addestramento, a partire dal gradiente calcolato sull'errore. Ne esistono diversi, con strategie differenti per regolare i passi di correzione: Adam è oggi il più diffuso, per la sua stabilità su un'ampia gamma di problemi.

AI generativa e modelli linguistici

Elaborazione del linguaggio naturale (NLP)

Il campo dell'AI che si occupa di far comprendere e produrre il linguaggio umano alle macchine. Comprende traduzione, riassunto, analisi del sentimento, risposta a domande. Tutti gli assistenti testuali di oggi poggiano su decenni di ricerca in questo ambito, molto precedente all'arrivo dei grandi modelli linguistici.

Comprensione e generazione del linguaggio (NLU, NLG)

Due facce dell'NLP. La comprensione del linguaggio naturale, NLU, estrae significato da un testo: coglie l'intento di una richiesta, individua le entità citate. La generazione del linguaggio naturale, NLG, produce testo coerente. Un assistente conversazionale le usa entrambe: prima capisce la domanda, poi costruisce la risposta.

Modello linguistico (language model)

Un modello che stima quanto è probabile una sequenza di parole, e quindi sa prevedere la parola successiva a partire da quelle precedenti. Da questa capacità apparentemente modesta, portata su scala enorme, nascono gli assistenti che scrivono testi compiuti, traducono e rispondono a domande in linguaggio naturale.

Large language model (LLM)

Un modello linguistico di dimensioni molto grandi, con miliardi di parametri, addestrato su enormi quantità di testo. Genera linguaggio fluente, risponde a domande, scrive codice. La sua forza è la versatilità; il suo limite è che produce ciò che è plausibile, non necessariamente ciò che è vero.

Architettura Transformer

L'architettura di rete neurale, introdotta nel 2017, che ha reso possibili i modelli linguistici moderni. La sua novità è il meccanismo di attenzione, che permette al modello di pesare quali parole di un testo sono rilevanti tra loro, anche se distanti. Quasi tutti i grandi modelli attuali ne derivano.

Meccanismo di attenzione (attention)

La componente che permette a un modello di concentrarsi sulle parti rilevanti dell'input mentre produce ogni elemento dell'output. Nel tradurre una frase, decide quali parole del testo originale contano di più per la parola che sta generando. È il cuore dell'architettura Transformer e dei modelli linguistici moderni.

Encoder e decoder (codificatore, decodificatore)

Due blocchi ricorrenti nelle reti per il linguaggio. L'encoder trasforma l'input in una rappresentazione interna ricca di significato; il decoder genera l'output a partire da quella rappresentazione. Alcuni modelli usano solo l'encoder, per comprendere; altri solo il decoder, per generare; altri entrambi, per esempio nella traduzione.

GPT (generative pre-trained Transformer)

Una famiglia di grandi modelli linguistici basati sulla parte decoder dell'architettura Transformer, specializzati nel generare testo. Il nome descrive la ricetta: generativo, pre-addestrato su enormi quantità di testo, basato su Transformer. È la famiglia di modelli che ha reso popolare l'AI generativa testuale presso il grande pubblico.

BERT (bidirectional encoder representations from Transformers)

Un modello basato sulla parte encoder del Transformer, pensato per comprendere il testo leggendolo in entrambe le direzioni. Si addestra mascherando parole e chiedendo al modello di indovinarle, tecnica detta masked language model. È usato in ricerca, classificazione e comprensione dei testi, più che nella generazione.

Reti ricorrenti e LSTM (RNN, long short-term memory)

Le architetture che hanno preceduto i Transformer nel trattamento del testo e delle sequenze. Le reti ricorrenti elaborano un elemento alla volta tenendo memoria del precedente; le LSTM aggiungono un meccanismo per ricordare informazioni a lungo. Oggi sono in gran parte superate, ma restano nella storia del settore.

Modello multimodale (multimodal model)

Un modello che gestisce più tipi di dato insieme: testo, immagini, audio, video. Può descrivere una foto, rispondere a domande su un grafico, generare un'immagine a partire da una frase. È la direzione verso cui si muovono gli assistenti più recenti, non più limitati al solo testo.

Finestra di contesto (context window)

La quantità massima di testo, misurata in token, che un modello può considerare in una volta sola: la richiesta più la risposta. Oltre quel limite il modello dimentica le parti più lontane. Una finestra ampia permette di analizzare documenti lunghi in un colpo solo, senza spezzarli.

Prompt e prompt engineering

Il prompt è l'istruzione che si dà a un modello generativo. Il prompt engineering è l'arte di formularlo bene: contesto, compito chiaro, vincoli, esempi. La stessa richiesta scritta in due modi diversi può dare risultati molto distanti. È la competenza pratica più immediata da acquisire per chi usa questi strumenti.

Zero-shot e few-shot

Due modi di chiedere a un modello di svolgere un compito. Zero-shot significa chiederlo senza fornire esempi; few-shot significa includere nella richiesta alcuni esempi del risultato voluto. Gli esempi orientano il modello e spesso migliorano nettamente la risposta, soprattutto sui compiti con un formato preciso da rispettare.

Temperatura (temperature)

L'impostazione che regola quanto le risposte di un modello generativo sono prevedibili o varie. Una temperatura bassa produce risposte più conservative e ripetibili; una alta introduce più creatività e più imprevedibilità. Si abbassa per i compiti che richiedono precisione, si alza quando serve esplorare idee diverse.

Ragionamento a catena (chain-of-thought)

La tecnica di chiedere a un modello di esporre i passaggi intermedi prima di arrivare alla risposta. Sui problemi a più passi, ragionare ad alta voce migliora spesso la correttezza. Non è un vero ragionamento come quello umano, ma una procedura che riduce gli errori di scorciatoia.

Rinforzo con feedback umano (RLHF)

La tecnica con cui un modello viene affinato usando le preferenze di valutatori umani: tra due risposte, le persone indicano la migliore e il modello impara a produrre output più utili e appropriati. È uno dei passaggi che hanno reso gli assistenti generativi più allineati alle aspettative di chi li usa.

Allucinazione (hallucination)

Quando un modello generativo produce informazioni false con tono sicuro: una citazione inesistente, una norma inventata, un dato sbagliato presentato come certo. Non è un malfunzionamento raro, ma una conseguenza di come i modelli generano testo plausibile: non hanno un concetto di verità. La verifica umana resta indispensabile.

Modelli a diffusione (diffusion models)

Famiglia di modelli generativi per le immagini: partono da rumore casuale e lo ripuliscono passo dopo passo, fino a formare un'immagine coerente con la richiesta. Sono la tecnica dietro i generatori di immagini più recenti, apprezzati per la qualità e la varietà dei risultati che producono.

Reti generative avversarie (GAN)

Modelli generativi che mettono in competizione due reti neurali: una crea contenuti finti, l'altra prova a distinguerli da quelli veri. Allenandosi l'una contro l'altra, la rete che genera diventa sempre più convincente. Sono state a lungo lo standard per la generazione di immagini, prima dei modelli a diffusione.

Autoencoder variazionali (VAE)

Modelli generativi che imparano una rappresentazione compatta dei dati, dalla quale possono generare nuovi esempi simili a quelli visti. Comprimono l'informazione in uno spazio ridotto e la ricostruiscono, e da quello spazio si campionano variazioni inedite. Sono una delle tre famiglie classiche insieme a GAN e diffusione.

Agenti, strumenti e automazione

Agente AI (AI agent)

Un sistema che percepisce un ambiente, prende decisioni e compie azioni per raggiungere un obiettivo, con un certo grado di autonomia. A differenza di un modello che produce solo una risposta, può scomporre un compito, consultare fonti, usare strumenti. Gli agenti moderni usano spesso un LLM come motore decisionale.

AI agentica (agentic AI)

L'approccio che costruisce sistemi capaci di agire in autonomia su compiti complessi, coordinando più passi e più strumenti senza un intervento umano a ogni passaggio. Un assistente risponde a una richiesta; un agente esegue un obiettivo, decidendo da sé i passi intermedi. Più autonomia richiede più regole e supervisione.

Ambiente (environment)

Nel vocabolario degli agenti e dell'apprendimento per rinforzo, il contesto in cui l'agente opera e con cui interagisce: una scacchiera, un magazzino, un sistema informatico. L'ambiente fornisce all'agente le informazioni sullo stato corrente e reagisce alle sue azioni, determinando le conseguenze di ogni scelta compiuta.

Stato (state)

La situazione dell'ambiente in un dato momento, così come l'agente la percepisce: la posizione dei pezzi sulla scacchiera, il contenuto del magazzino, i dati visibili in quel momento. Ogni azione dell'agente modifica lo stato, e dallo stato corrente dipende la scelta della mossa successiva.

Azione (action)

Nel vocabolario degli agenti, una scelta che l'agente compie e che modifica lo stato dell'ambiente: muovere un pezzo, inviare una richiesta, ordinare un ricambio. L'insieme delle azioni possibili definisce cosa l'agente può fare; la strategia con cui le sceglie è la sua politica.

Ricompensa (reward)

Il segnale che premia o penalizza un'azione dell'agente, guidandone l'apprendimento per rinforzo. Vincere una partita vale un premio, perderla una penalità: con il tempo l'agente impara a preferire le azioni che massimizzano la ricompensa complessiva. Definirla bene è decisivo, perché l'agente ottimizza esattamente ciò che viene premiato.

Politica (policy)

Nel vocabolario dell'apprendimento per rinforzo, la strategia che lega ogni stato all'azione da scegliere: dato ciò che l'agente vede, cosa fa. È il risultato dell'addestramento: l'agente parte da scelte quasi casuali e affina la politica finché non massimizza la ricompensa che riceve dall'ambiente.

Strumenti (tools)

Le funzioni esterne che un agente può richiamare per superare i limiti del solo modello: una ricerca sul web, una calcolatrice, una query a un database, l'invio di una email. Dare strumenti a un modello lo trasforma da generatore di testo in sistema capace di agire sul mondo.

Recupero aumentato della generazione (retrieval-augmented generation, RAG)

La tecnica che collega un modello generativo a una base di conoscenza esterna: prima recupera i documenti pertinenti alla domanda, poi genera la risposta basandosi su quelli. Riduce le allucinazioni e permette di rispondere su dati aziendali aggiornati, mai visti in addestramento. È tra gli schemi più usati nelle applicazioni reali.

Model Context Protocol (MCP)

Uno standard aperto, introdotto di recente, per collegare i modelli di AI a fonti di dati e strumenti esterni in modo uniforme. Invece di costruire un'integrazione su misura per ogni servizio, offre un modo comune di esporre dati e funzioni a un modello. Semplifica la costruzione di agenti che lavorano su sistemi diversi.

Orchestrazione (orchestration)

Il coordinamento di più modelli, strumenti e passaggi in un flusso di lavoro coerente. In un sistema agentico è lo strato che decide l'ordine delle operazioni, gestisce gli errori e tiene insieme il processo. Più i compiti si fanno articolati, più l'orchestrazione diventa la parte davvero difficile.