Comprendere l’intelligenza artificiale diventa più semplice quando i termini tecnici vengono collegati a esempi, differenze e casi d’uso. Questo glossario raccoglie le nozioni essenziali e rimanda a schede approfondite, pensate per principianti, professionisti e aziende.
Come usare il glossario
Puoi seguire le categorie nell’ordine proposto oppure aprire direttamente il termine incontrato in una guida. Ogni scheda include definizione, funzionamento, esempio, limiti, confronti e FAQ.
Fondamenti
- LLM — Un LLM è un modello di intelligenza artificiale addestrato a elaborare e generare linguaggio. Impara regolarità statistiche da grandi raccolte di testi e produce l’output prevedendo, passo dopo passo, i token più coerenti con il contesto.
- Token — Un token è l’unità in cui un modello suddivide testo e altri contenuti prima di elaborarli. Può corrispondere a una parola, a una parte di parola, a un segno di punteggiatura o, in alcuni sistemi, a elementi di immagini e audio.
- Prompt — Il prompt è l’insieme di istruzioni, domande, dati ed esempi forniti a un sistema AI per orientarne il risultato. Non è una formula magica: è il modo con cui si descrivono obiettivo, contesto e criteri di qualità.
- Transformer — Il Transformer è un’architettura di rete neurale progettata per elaborare sequenze usando soprattutto il meccanismo di attenzione. È alla base di gran parte dei moderni modelli linguistici e di molti sistemi multimodali.
- Context window — La context window è la quantità massima di token che un modello può considerare in una singola elaborazione. Comprende normalmente istruzioni, messaggi, documenti recuperati, risultati degli strumenti e spazio destinato alla risposta.
- Temperature — La temperature è un parametro di generazione che modifica la distribuzione di probabilità dei token candidati. Valori più bassi concentrano la scelta sui token più probabili; valori più alti rendono possibili alternative meno probabili.
Dati, ricerca e conoscenza
- Embedding — Un embedding è una rappresentazione numerica, generalmente un vettore, che colloca contenuti semanticamente simili in regioni vicine di uno spazio matematico. Può rappresentare testo, immagini, audio, utenti o prodotti.
- Vector database — Un vector database memorizza e indicizza vettori ad alta dimensionalità per cercare rapidamente gli elementi più simili a una query. Conserva spesso anche testo originale, identificatori e metadati.
- RAG — La RAG è un’architettura che recupera informazioni da fonti esterne e le inserisce nel contesto di un modello generativo prima della risposta. L’obiettivo è collegare l’output a documenti pertinenti, aggiornabili e controllabili.
- Allucinazione — Un’allucinazione è un output generato con sicurezza apparente ma non supportato da fatti, fonti o dati disponibili. Può riguardare nomi, numeri, citazioni, eventi, codice o relazioni causali.
Creazione e ottimizzazione dei modelli
- Training — Il training è il processo con cui un modello modifica i propri parametri per ridurre l’errore su esempi o obiettivi definiti. Nel caso dei modelli generativi può includere pre-addestramento, adattamento e allineamento.
- Fine-tuning — Il fine-tuning è un addestramento aggiuntivo applicato a un modello già pre-addestrato per adattarne il comportamento a un compito, un dominio, uno stile o un formato di output.
- LoRA — LoRA è una tecnica di parameter-efficient fine-tuning che mantiene fermi i pesi principali del modello e addestra piccole matrici aggiuntive a basso rango.
- Quantizzazione — La quantizzazione riduce la precisione numerica usata per rappresentare pesi e, talvolta, attivazioni di un modello. In questo modo diminuiscono memoria, spazio e calcolo necessari all’inferenza.
- Open weights — Open weights indica modelli i cui file dei pesi possono essere scaricati ed eseguiti da terzi. Non implica automaticamente che codice, dati di addestramento o licenza siano completamente open source.
Utilizzo e integrazione
- Inference — L’inferenza è la fase in cui un modello già addestrato riceve nuovi input e calcola un risultato: una risposta, una classificazione, una previsione, un’immagine o un’azione proposta.
- Multimodale — Un sistema multimodale può ricevere, mettere in relazione o generare più tipi di contenuto, come testo, immagini, audio e video. Non significa necessariamente che gestisca ogni modalità con la stessa qualità.
- Agent — Un agente AI è un sistema che usa un modello per decidere una sequenza di passi verso un obiettivo, mantenere uno stato e richiamare strumenti. Il grado di autonomia può variare da una scelta limitata a processi articolati.
- Tool calling — Il tool calling è il meccanismo con cui un modello seleziona una funzione disponibile e produce argomenti strutturati per richiamarla. L’applicazione esegue realmente la funzione e restituisce il risultato al modello.
- MCP — MCP è un protocollo aperto che standardizza il modo in cui applicazioni AI scoprono e utilizzano risorse, prompt e strumenti esposti da server esterni.
Un metodo per leggere i termini dell’AI
- Individua il livello: modello, dato, tecnica, parametro o componente applicativo.
- Chiediti cosa modifica: i pesi, il contesto, la ricerca o l’esecuzione.
- Verifica i limiti: una funzione commerciale può usare lo stesso nome con significati diversi.
- Collega il termine al processo: dati, responsabilità e misure contano quanto la tecnologia.
FAQ
Devo conoscere tutti i termini per usare l’AI?
No. Parti da LLM, token, prompt, context window e allucinazione; aggiungi gli altri quando affronti documenti, AI locale, automazioni o agenti.
Le definizioni cambiano tra prodotti?
Il concetto di base resta, ma implementazioni e nomi commerciali possono differire. Controlla sempre la documentazione del prodotto.
Il glossario verrà aggiornato?
Sì. Nuovi termini e cambiamenti rilevanti verranno integrati mantenendo spiegazioni orientate all’uso pratico.
Continua da qui
Se sei all’inizio, segui il percorso Inizia da qui. Per applicazioni concrete consulta le Guide e la sezione Tool AI.
