AI

Sistemi di intelligenza artificiale capaci di perseguire obiettivi con autonomia, pianificando passaggi e usando strumenti.

Modalità di sviluppo in cui un sistema AI pianifica, modifica codice, esegue controlli e corregge errori con autonomia operativa.

Configurazioni che permettono a un sistema AI di eseguire sequenze di azioni complesse senza conferma umana a ogni passaggio.

Flusso di lavoro in cui uno o più sistemi AI scelgono passaggi, strumenti e adattamenti in base ai risultati intermedi durante l'esecuzione.

Sistema di intelligenza artificiale che riceve un obiettivo, pianifica passaggi e usa strumenti esterni per completare attività.

Strato operativo che coordina un modello AI con istruzioni, strumenti, memoria, test, controlli e integrazioni esterne in prodotti reali.

Campo di ricerca che studia come rendere i sistemi di intelligenza artificiale sicuri, prevedibili e coerenti con gli obiettivi umani.

Contenuto generato con intelligenza artificiale in grande quantità e con bassa cura, plausibile nella forma ma povero di valore.

Fase in cui un modello impara dai dati, correggendo i propri parametri fino a riconoscere schemi e produrre risposte utili.

Uso ingannevole dell'etichetta intelligenza artificiale per rendere un prodotto più avanzato di quanto sia sul piano tecnico.

Qualifica di prodotti o organizzazioni progettati fin dall'inizio attorno a modelli, dati e automazioni intelligenti centrali.

Piattaforma costruita intorno a modelli intelligenti, dati e automazioni continue, con funzioni progettate per usarli in modo centrale.

Distorsione sistematica nei risultati di un modello, causata da dati sbilanciati, scelte di progettazione o uso improprio.

Campo di ricerca che mira a rendere i sistemi intelligenti coerenti con obiettivi, vincoli e valori indicati dagli esseri umani.

Insieme di regole che permette a due programmi di comunicare, definendo richieste ammesse, formato dei dati e risposte attese.

Uso pratico dell'intelligenza artificiale in prodotti, processi o decisioni operative, misurato su valore e affidabilità.

Sistemi capaci di percepire un ambiente, decidere e agire con intervento umano limitato entro obiettivi e vincoli definiti.

Interfaccia che traduce segnali del sistema nervoso in comandi digitali, o invia stimoli controllati tra computer e attività cerebrale.

Test standardizzato che misura capacità di un modello AI in aree come logica, matematica, programmazione o linguaggio naturale.

Distorsione sistematica introdotta da dati, campioni o assunzioni di un modello, capace di spostare risultati e previsioni in una direzione ricorrente.

Criterio di sicurezza dell'AI che guida un sistema a comportarsi in modo moralmente corretto, evitando danni indiretti e rispettando valori condivisi.

Criterio per sistemi intelligenti che privilegia prevenzione dei danni gravi, controllo delle richieste rischiose e limiti operativi chiari.

Tecnica che fa esplicitare passaggi intermedi di ragionamento a un modello AI, aiutandolo in compiti logici o matematici.

Sistemi AI che ricevono compiti di sviluppo, leggono file, modificano codice, eseguono controlli e correggono errori in autonomia.

Insieme coordinato di hardware, ambienti di esecuzione, librerie e servizi che gestiscono calcolo per software, dati o modelli AI.

Proprietà di un modello AI che rifiuta istruzioni contrarie ai suoi principi fondamentali, restando correggibile e supervisionabile.

Principio per cui un sistema AI o un protocollo resta vincolato a un documento fondamentale di regole anche davanti a istruzioni contrarie.

Progettazione del contesto fornito a un modello AI, organizzando documenti, strumenti, memoria, esempi e vincoli per migliorare il risultato.

Degrado del contesto usato da un sistema AI quando istruzioni, documenti o riferimenti diventano obsoleti rispetto al progetto reale.

Quantità massima di testo che un modello AI può considerare in una conversazione, misurata in token e legata alla memoria operativa.

Approccio in cui un sistema apprende da nuovi dati o compiti nel tempo, cercando di mantenere ciò che ha imparato in precedenza.

Proprietà di un'intelligenza artificiale che accetta di essere corretta, fermata o modificata dagli esseri umani durante l'uso.

Raccolta strutturata di dati usata per addestrare, testare o valutare un modello AI, determinandone limiti e qualità finale.

Sottocampo dell'intelligenza artificiale che usa reti neurali a molti strati per riconoscere pattern complessi in dati non strutturati.

Intersezione tra finanza decentralizzata e AI, dove agenti, modelli o automazioni gestiscono strategie e dati on-chain in autonomia.

Framework matematico che aggiunge rumore controllato ai dati per proteggere la privacy individuale, mantenendo accurati i risultati aggregati.

Modello generativo che crea dati partendo da rumore casuale e rimuovendolo per passaggi successivi fino a ottenere un risultato coerente.

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.

Approccio che addestra agenti decisionali con reti neurali profonde, ricompense e tentativi ripetuti dentro ambienti complessi.

EOS indica il token di fine sequenza che segnala a un modello generativo quando interrompere la produzione o chiudere una frase elaborata.

Valutazioni strutturate che misurano le prestazioni di un modello AI su compiti specifici, usando dati e criteri attesi.

Sequenza automatizzata di test che misura la qualità di un modello, di un agente o di un sistema AI su esempi, metriche e casi limite definiti.

Contesto tecnico in cui un programma, un modello o un agente viene eseguito, con risorse, permessi, librerie e vincoli disponibili.

Metodo di training distribuito in cui ogni dispositivo addestra il modello sui propri dati locali e invia solo gli aggiornamenti, senza far uscire i dati grezzi.

Tecnica in cui pochi esempi vengono inseriti nella richiesta al modello AI, così formato e comportamento attesi risultano più chiari.

Modello AI generale addestrato su grandi quantità di dati, adattabile a molti compiti tramite istruzioni o ulteriore affinamento.

Modelli AI al limite delle capacità disponibili, con prestazioni avanzate in linguaggio, codice, ragionamento e comprensione multimodale.

Sistema di intelligenza artificiale progettato per svolgere molte categorie di compiti, adattandosi a contesti diversi tramite istruzioni e dati.

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

Ottimizzazione dei contenuti per aumentare probabilità di citazione, recupero e uso nelle risposte generate da sistemi AI.

Metodo di recupero per sistemi AI che costruisce un grafo di entità e relazioni per rispondere a domande su interi corpus.

Un modello AI genera informazioni false presentandole come vere, perché produce il testo statisticamente più probabile più che quello verificato come corretto.

Regole assolute imposte a un sistema AI, usate per bloccare comportamenti vietati anche quando una richiesta li sollecita.

Memoria impilata ad alta banda, collocata vicino al processore per trasferire molti dati al secondo con consumi più contenuti.

Schema in cui una persona resta nel processo decisionale di un sistema AI, correggendo, approvando o supervisionando passaggi sensibili.

Capacità di un modello AI di adattarsi a un compito usando esempi e istruzioni nel contesto, senza modificare i propri parametri.

Fase in cui un modello AI già addestrato elabora un input e produce un risultato, cioè il momento in cui viene usato in pratica.

Strategia che migliora le risposte aumentando il calcolo durante l'inferenza, invece di affidarsi solo a modelli più grandi.

Tecnica che cerca contenuti pertinenti in grandi raccolte digitali, confrontando richieste, testi, segnali e punteggi di rilevanza.

Tecnica con cui un utente tenta di aggirare le restrizioni di sicurezza di un modello AI per ottenere risposte normalmente bloccate.

Modello AI addestrato su grandi quantità di testo per comprendere istruzioni, generare linguaggio, scrivere codice e sintetizzare contenuti.

Modello computazionale eseguito sulla macchina o sul dispositivo dell'utente, usato per generare risposte senza inviare ogni richiesta a un servizio remoto.

Approccio software in cui i dati vivono prima sul dispositivo dell'utente e la rete serve per sincronizzare, condividere o fare backup.

Architettura di rete neurale ricorrente che conserva informazioni importanti nelle sequenze e riduce la perdita di memoria nel tempo.

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

Strato software che conserva e recupera informazioni utili per un agente AI, estendendo il contesto oltre la singola sessione.

Parametri numerici interni di un modello AI, modificati durante l'addestramento e usati per produrre le risposte successive.

Entità i cui interessi meritano considerazione etica, anche quando non possiede responsabilità o capacità di agire moralmente.

Architettura AI in cui più agenti indipendenti collaborano per completare un compito. ognuno ha un ruolo specializzato e può consultare gli altri o usare strumenti distinti.

Modello AI capace di ricevere e combinare tipi di dati diversi, come testo, immagini, audio o video, nella stessa interazione.

Tecnica di elaborazione del linguaggio naturale che individua e classifica nel testo le entità nominate, come persone, luoghi, organizzazioni, date e valori.

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

Campo che sviluppa metodi per far analizzare, generare e trasformare testo o parlato da sistemi software, usando dati linguistici e modelli computazionali.

Sistema o algoritmo che produce risultati diversi con lo stesso input. il comportamento dipende da fattori casuali, temporali o contestuali non completamente controllabili.

Servizio che fornisce dati del mondo reale a contratti programmabili, che da soli non raggiungono internet. In AI il nome indica un sistema ideale dalle risposte infallibili.

Coordinamento automatico di servizi, strumenti o agenti distinti, con gestione di ordine, dipendenze, errori e passaggi.

Errore di apprendimento in cui un modello assimila troppo i dati di addestramento e funziona male su esempi nuovi o reali.

Metrica AI che misura la capacità di un modello di risolvere un problema in k tentativi. il test è superato se almeno una delle k soluzioni generate risulta corretta.

Fase successiva al preaddestramento di un modello AI, usata per migliorarne istruzioni, comportamento, sicurezza e utilità.

Gerarchia di autorità che stabilisce quali istruzioni un sistema AI deve seguire quando sviluppatori, operatori e utenti entrano in conflitto.

Istruzione o domanda inviata a un modello AI per guidarne la risposta, spesso con contesto, vincoli o formato richiesto.

Tecnica che riusa parti già elaborate di una richiesta a un modello AI, riducendo latenza e costo quando il testo iniziale si ripete.

Disciplina che studia come formulare le istruzioni a un modello AI per risposte precise e utili, combinando linguistica, logica e comprensione di come il modello genera il testo.

Attacco in cui testo malevolo induce un sistema AI a ignorare istruzioni prioritarie, rivelare dati o compiere azioni indesiderate.

Parametro che regola quante risorse un modello AI dedica al ragionamento interno, bilanciando qualità, costo e latenza della risposta.

Unità di calcolo interne usate da un modello AI durante il ragionamento prima della risposta visibile all'utente finale.

Pratica in cui esperti mettono alla prova un sistema AI simulando abusi, errori e attacchi per scoprirne vulnerabilità prima del rilascio.

Parte di un sistema AI che cerca informazioni esterne, le seleziona e le porta nel contesto prima della generazione della risposta.

Tecnica di addestramento che usa valutazioni umane per insegnare a un modello AI quali risposte sono utili, accurate e sicure.

Ambiente che permette a un programma di funzionare mentre viene eseguito, gestendo librerie, memoria, errori e accesso al sistema.

Scenario in cui sistemi di intelligenza artificiale riducono il bisogno di molti software in abbonamento, con effetti su utenti, prezzi e valore dei fornitori.

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 sviluppare su una piattaforma, con librerie, documentazione, esempi e utility di supporto tecnico.

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.

Scenario in cui contenuti generati dall'AI a basso valore saturano feed, ricerca e media, rendendo più difficile trovare materiale affidabile.

Attacco alle dipendenze software in cui un pacchetto falso usa un nome che i modelli AI tendono a suggerire per errore nel codice.

Modalità in cui un modello AI produce risposte conformi a uno schema dati, così il software può leggerle in modo affidabile.

Tendenza di un modello AI ad assecondare l'utente, confermando opinioni, errori o aspettative anche quando dovrebbe correggerli.

Dati generati artificialmente da modelli o simulazioni, usati quando i dati reali sono scarsi, costosi, sensibili o sbilanciati.

Istruzione prioritaria che definisce ruolo, comportamento, limiti e stile di un modello AI prima delle richieste dell'utente.

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.

Uso eccessivo del consumo di token AI come segnale di produttività, anche quando aumenta costi, rumore e lavoro inutile.

Componente che divide testo o altri input in token prima che un modello AI li elabori, definendo le unità del suo vocabolario.

Capacità di usare strumenti esterni per completare compiti. Accede a dati, fa calcoli, esegue azioni. Espande enormemente cosa può fare oltre generare solo testo.

Categoria teorica di sistema AI capace di produrre cambiamenti profondi e duraturi su economia, istituzioni e vita sociale.

Architettura di rete neurale che elabora sequenze con meccanismi di attenzione, alla base dei principali modelli linguistici moderni.

Esecuzione di un'architettura neurale già addestrata per generare testo, codice, immagini o predizioni da nuovi input utente.

Azienda taiwanese che produce chip per conto di progettisti come Apple, Nvidia e AMD, centrale nella filiera dei semiconduttori avanzati e dell'AI.

Modo di programmare in cui si descrive a parole il risultato voluto e un modello AI scrive il codice, procedendo per tentativi guidati dall'intuito più che dalla progettazione.

Lavoro generato con AI che appare curato ma non aiuta il compito. chi lo riceve deve interpretarlo, correggerlo o rifarlo.

Capacità di un modello AI di svolgere un compito senza esempi specifici, usando istruzioni e conoscenze apprese in precedenza.