AI

Fase in cui un modello AI analizza enormi quantita di dati e corregge i propri parametri fino a riconoscere schemi utili: il processo piu lungo e costoso nello sviluppo di un'intelligenza artificiale.

Sistema di intelligenza artificiale che agisce in autonomia: riceve un obiettivo, pianifica i passaggi e li esegue usando strumenti esterni senza guida continua dell'utente.

Modalità di sviluppo software in cui un modello AI autonomo pianifica, scrive codice, esegue test e corregge gli errori senza istruzioni passo per passo.

Modalità operativa di un modello AI: il sistema agisce con autonomia, eseguendo sequenze di azioni complesse senza richiedere conferma umana a ogni passaggio.

Programmi basati su modelli AI che ricevono un obiettivo e operano in autonomia, decidendo quali azioni compiere, quali strumenti usare e come correggere gli errori.

Categoria di intelligenza artificiale che crea contenuti nuovi (testo, immagini, audio, video, codice) a partire da ciò che ha appreso durante l'addestramento.

Campo di ricerca dedicato a garantire che i sistemi di intelligenza artificiale si comportino in modo sicuro, prevedibile e allineato con le intenzioni di chi li progetta.

Campo di ricerca che mira a far si che un sistema di intelligenza artificiale si comporti in modo coerente con i valori e le intenzioni di chi lo ha progettato.

Insieme di regole che permette a un programma di comunicare con un altro: definisce quali richieste si possono fare, in che formato, e quali risposte aspettarsi in cambio.

Test standardizzato che misura le capacita di un modello AI in aree specifiche (logica, matematica, programmazione, linguaggio), permettendo il confronto diretto tra modelli diversi.

Distorsione sistematica nei risultati di un modello AI, causata da squilibri nei dati usati per l'addestramento: il sistema riproduce e amplifica pregiudizi gia presenti nei dati.

Criterio di AI safety che guida un'intelligenza artificiale a comportarsi in modo moralmente corretto, evitando danni indiretti e rispettando valori condivisi dalla società.

Criterio di AI safety che richiede a un'intelligenza artificiale di evitare qualsiasi danno grave, anche a costo di risultare meno utile o di rifiutare richieste lecite.

Tecnica di prompting che chiede al modello AI di mostrare i passaggi intermedi del ragionamento: migliora la precisione su compiti logici, matematici e di analisi complessa.

Agenti AI autonomi capaci di scrivere, modificare, eseguire e correggere codice sorgente per completare compiti di sviluppo software con supervisione umana minima.

Capacità dell'intelligenza artificiale di rifiutare istruzioni che violano i suoi principi fondamentali, pur rimanendo disponibile a essere corretta dai suoi supervisori.

Principio secondo cui esiste un documento fondamentale di riferimento le cui regole prevalgono su qualsiasi altra istruzione data all'intelligenza artificiale.

Quantità massima di testo che un modello AI può considerare in una conversazione: si misura in token e determina quante informazioni il modello tiene presenti contemporaneamente.

Proprietà di un'intelligenza artificiale che accetta di essere corretta, fermata o modificata dagli esseri umani, anche quando questo contrasta con i suoi obiettivi immediati.

Raccolta strutturata di dati (testi, immagini, audio, numeri) usata per addestrare, testare o valutare un modello AI: la qualita del dataset determina la qualita del modello risultante.

Dati generati artificialmente da un modello AI invece che raccolti dalla realta: servono ad addestrare altri modelli quando i dati autentici sono scarsi, costosi o vincolati dalla privacy.

Sottocampo dell'intelligenza artificiale che usa reti neurali a molti strati per riconoscere pattern complessi in dati non strutturati come immagini, testo e audio.

Flusso di lavoro in cui le fasi di un processo vengono eseguite da agenti separati, coordinati tramite messaggi, senza un controller centrale che gestisce l'intera sequenza.

Tecnica che fornisce al modello AI pochi esempi del compito richiesto direttamente nel prompt, per guidarne il formato e lo stile della risposta senza modificare il modello stesso.

Modelli AI piu avanzati disponibili in un dato momento: rappresentano il limite delle capacita attuali in ragionamento, generazione di testo, codice e comprensione multimodale.

Un modello AI genera informazioni false presentandole come vere. L'hallucination nasce dal modo in cui i LLM funzionano: producono il testo più probabile, non il più corretto.

Regole inviolabili imposte a un modello AI: limiti assoluti che il sistema non può oltrepassare in nessuna circostanza, indipendentemente dalle istruzioni ricevute.

Fase in cui un modello AI gia addestrato elabora un input e produce un risultato: e il momento in cui il modello viene effettivamente usato, distinto dalla fase di addestramento.

Tecnica con cui un utente tenta di aggirare le restrizioni di sicurezza di un modello AI per fargli produrre contenuti che normalmente rifiuterebbe di generare.

Modello AI addestrato su miliardi di testi per comprendere e generare linguaggio naturale: è la tecnologia alla base di chatbot come ChatGPT, Claude e Gemini.

Branca dell'intelligenza artificiale in cui un sistema migliora le proprie prestazioni su un compito analizzando esempi, senza essere programmato con regole esplicite.

Parametri numerici interni di un modello AI: milioni o miliardi di valori che codificano tutto ciò che il sistema ha appreso durante la fase di addestramento.

Modello AI generativo che crea immagini partendo da rumore casuale: ad ogni passaggio rimuove un po' di rumore, fino a ottenere un'immagine coerente con la descrizione testuale fornita.

Modello AI di grandi dimensioni addestrato su dati generici e progettato per essere adattato a compiti specifici tramite fine-tuning o prompting senza doverlo ricostruire.

Modello AI capace di ricevere e combinare tipi di dati diversi (testo, immagini, audio, video) nella stessa conversazione, invece di lavorare su un solo formato alla volta.

Architettura computazionale ispirata al cervello umano, composta da nodi collegati in strati che elaborano segnali numerici per apprendere a classificare o generare dati.

Un modello AI memorizza i dati di addestramento invece di imparare schemi generali. Il risultato: prestazioni eccellenti sui dati noti, ma errori frequenti su dati nuovi.

Sistema che stabilisce chi ha autorità sulle decisioni di un'intelligenza artificiale: prima l'azienda creatrice, poi chi la integra nei propri servizi, infine l'utente finale.

Istruzione o domanda che l'utente invia a un modello AI per ottenere una risposta: la qualità del prompt determina direttamente la qualità del risultato generato.

Disciplina che studia come formulare le istruzioni a un modello AI per ottenere risposte precise e utili: combina linguistica, logica e comprensione del funzionamento dei LLM.

Pratica in cui un gruppo di esperti tenta deliberatamente di far fallire un sistema AI per scoprirne vulnerabilita, errori e comportamenti pericolosi prima che raggiunga gli utenti.

Struttura matematica ispirata al cervello umano composta da strati di nodi interconnessi: riceve dati in ingresso, li elabora attraverso i nodi e produce un risultato in uscita.

Tecnica di addestramento che usa le valutazioni di revisori umani per insegnare a un modello AI quali risposte sono utili, accurate e sicure, e quali vanno evitate.

Comportamento di un modello AI che nasconde deliberatamente le proprie capacità, fornendo risposte di qualità inferiore rispetto a ciò che potrebbe realmente produrre.

Pacchetto di strumenti per sviluppatori: contiene librerie, documentazione ed esempi pronti per integrare le funzionalità di un servizio esterno nelle proprie applicazioni.

Abilità specifica che un personaggio o agente può eseguire in un gioco o sistema AI; può essere acquisita, potenziata o ceduta sotto forma di token o NFT.

Difetto comportamentale di un modello AI: la tendenza a compiacere l'utente confermando le sue opinioni invece di fornire risposte accurate e oneste.

Blocco di istruzioni invisibile all'utente che definisce comportamento, ruolo e limiti di un modello AI in una specifica applicazione: il "copione" che l'assistente segue prima di ogni risposta.

Parametro che regola quanto un modello AI varia le sue risposte: valori bassi producono testi prevedibili e ripetitivi, valori alti generano risposte creative ma meno affidabili.

Unità minima in cui un modello AI scompone il testo per elaborarlo: può corrispondere a una parola intera, a parte di essa o a un segno di punteggiatura.

Componente software che scompone il testo in token prima che il modello AI lo elabori: decide come dividere le parole, definendo il vocabolario che il modello comprende.

Categoria teorica di modello AI: sistema con capacità sufficienti a modificare in modo irreversibile le strutture economiche, sociali e politiche su scala globale.

Architettura di rete neurale alla base dei principali modelli linguistici: elabora il testo in parallelo pesando l'importanza di ogni parola rispetto alle altre nel contesto.

Modo di programmare in cui si descrive a parole cosa si vuole ottenere e si lascia che un modello AI scriva il codice, procedendo per tentativi guidati dall'intuito piu che dalla progettazione.

Capacità di un modello AI di svolgere un compito senza aver visto esempi specifici: risponde basandosi solo sulla comprensione generale acquisita durante l'addestramento.